第一条 15 秒视频提示词：从海螺到语音一条龙

很多人第一次打开 MiniMax 系工具，最容易卡住的不是不会用，而是不知道提示词该写到什么程度。15 秒的视频很短，但它同时考验文案、画面描述和声音安排——写得太笼统，出来的画面随意；写得像小说，模型又抓不住重点。这篇按视频、语音、文案三条线，给你能直接粘贴的模板和几条实测有效的写法。

一、15 秒视频的提示词结构：一个镜头讲一件事

15 秒大约只够 2~3 个镜头切换。提示词最好按「场景 → 主体动作 → 镜头运动 → 氛围与风格」四段来写，别写超过三个动作。写多了模型会自由发挥，结果反而不可控。

一个可以直接改的模板：

【场景】深夜便利店，暖黄色灯光，玻璃门上有雨滴痕迹
【主体】一位穿灰色风衣的年轻女性，推门进店，走到饮料柜前拿起一瓶水，低头看手机
【镜头】开场中景固定镜头；切近景跟拍手部动作；结尾拉远景
【氛围与风格】电影感，青橙色调，浅景深，画面安静克制，无对白

几个实测建议：动作只写「推门、拿水、看手机」这种一个动词能说完的事，别写「犹豫了一下然后拿起水」这种含糊的心理描写；「电影感」「浅景深」「青橙色调」这类风格词比形容词堆砌有效得多；如果想指定节奏，可以写「前 5 秒固定镜头，后 10 秒缓慢推近」。

二、想要声音？原生音频和对白要写进提示词里

MiniMax 的视频生成支持原生音频，对白和环境音可以在提示词里直接安排。不要只写画面，把「声音」当成提示词的一个段落：

【声音】环境音：雨声、便利店自动门提示音；
对白：女性抬头对店员说「帮我加热一下」，语气平静略带疲惫；
背景音乐：无

如果后面需要单独配音或换音色，可以把生成的视频当无声素材，再用语音克隆或 TTS 单独做音轨——比如想让同一句话出两个音色版本做 A/B 测试，克隆一段自己的声音会比反复调 TTS 参数快。语音克隆的具体入口和限制以官方页面为准。

三、文案部分：让 M 系列先写「提示词的提示词」

很多好素材不是手写的，而是先用 M 系列的文本推理把创意拆开，再喂给视频生成。把长上下文能力用在这里很合适——丢给它你的产品资料或脚本草稿，让它输出结构化的视频提示词：

你是一名短视频编导。我会给你一段产品资料，请输出一个 15 秒视频的拍摄提示词，
严格按以下结构返回，不要解释：
【场景】【主体与动作】【镜头运动】【氛围与风格】【声音】。
动作不超过 3 个，语言具体、可视化，不要出现抽象形容词如「震撼」「高级」。
产品资料如下：
（粘贴你的资料）

这招的价值在于：文案模型擅长把「想要高级感」翻译成「冷灰色调、金属反光、慢镜头」，而视频模型吃的就是这种具体描述。两条流水线串起来，出片稳定度会高很多。

四、新手常见的三个坑

一是把 15 秒写成 30 秒的量。数一下你的动词，超过 5 个基本塞不下，删。二是风格词打架，比如同时写「赛博朋克」和「日系清新」，模型只能取其一，画面会不伦不类。三是忘了写「不要什么」——MiniMax 系工具的提示词同样支持反向约束，比如「无字幕、无水印文字、无镜头快速切换」，这类排除项往往比正向描述更能救画面。

五、一条龙工作流的落地顺序

推荐顺序：先用文本模型把创意拆成结构化提示词 → 视频生成出画面（含原生音频或留白）→ 不满意的声音用 TTS / 语音克隆补 → 粗剪成片。第一条片子别追求一次到位，同一份提示词改一两个变量（时间段、镜头运动、色调）多跑几版，你会很快摸清这套模型对哪些词敏感。海螺系产品入口和各能力开放范围以官方页面为准。

15 秒很短，但也意味着试错成本很低。把上面三个模板存下来，改完场景和主体就能跑第一版——出好素材这件事，本质上就是「把你想看到的画面，翻译成模型听得懂的具体语言」，练三五条就有手感了。