视频提示词四件套：主体-动作-运镜-风格

写过几条视频提示词的人多半遇到过同一种落差：脑子里画面很清楚，生成出来却是另一回事。原因通常不是模型不行，而是提示词漏了信息——模型只能按你写的补全，没写的部分它自己猜，猜出来就不可控。在海螺这类视频生成产品上，一个稳定的写法是把提示词拆成四件套：主体、动作、运镜、风格。这四项填齐，画面基本就锁定在你想要的范围内了。

四件套各自负责什么

主体回答“画面里有什么”：人物、动物、物体，加上外观细节。写“一个女孩”不如写“一个穿米色风衣的短发女孩”——细节越多，模型发挥的空间越小，结果越贴近预期。动作回答“在做什么”：不只是动作本身，还包括速度和幅度，比如“缓慢转身”“快速奔跑并回头看”。运镜回答“摄影机怎么动”：推、拉、摇、移、跟拍、环绕、固定机位，这是很多人漏掉的一项，也是成片质感差距的主要来源。风格回答“整体像什么”：写实、电影感、胶片颗粒、动画、水彩，以及光线描述（逆光、柔和晨光、霓虹夜景）。

四项顺序不必死板，但建议都出现。缺一项，模型就替你做一项的决定，而你无法预判它怎么决定。

通用模板

[风格]，[光线描述]。
画面主体：[主体的外观细节描述]。
动作：[主体在做什么，动作的速度与幅度]。
运镜：[镜头类型与运动方式，如缓慢推近/固定机位/环绕跟拍]。
氛围：[情绪基调，如宁静、紧张、温馨]。

举个填好的例子：

电影感写实风格，清晨柔和逆光，画面略带薄雾。
画面主体：一位穿米色风衣的短发女孩，手捧一杯热咖啡。
动作：她沿着安静的街道缓慢行走，偶尔停下抬头看树叶。
运镜：侧面跟拍，镜头平稳缓慢移动，最后轻轻推近人物面部。
氛围：宁静、治愈。

带音频的写法

H 系列视频生成支持原生音频，提示词里可以顺带写声音层。不想收到“惊喜”音效的话，主动写比留空好。

写实风格，黄昏暖色光线。
画面主体：篝火旁围坐的三个年轻人，穿休闲户外服装。
动作：他们轻声交谈、翻动烤串，火星偶尔随风飘起。
运镜：中景固定机位，缓慢横移。
氛围：放松、温馨。
音频：柴火噼啪声，隐约的交谈声与轻笑声，远处虫鸣，无背景音乐。

注意音频描述用“环境音为主、无背景音乐”这类明确否定句，比只写“自然音效”更可控。

迭代比一次写对更重要

实际用起来，第一条生成结果通常只是“接近”，真正的好素材靠迭代：先写一版四件套，看哪里偏了再改哪一项——画面里的东西不对改主体，动得太快改动作，太平淡改运镜或风格。每次只改一项，才能知道是哪个词起了作用。另外，MiniMax 家的 M 系列文本模型本身擅长长上下文和多模态输入，你可以把不满意的一段视频描述或截图丢给它，让它按四件套结构帮你改写提示词，再拿去生成，闭环效率高不少。

顺手把文案和语音也备齐

出视频往往只是素材链的一环，配的旁白和文案可以在同一套思路里解决：文案用 M 系列模型按“目标受众 + 视频时长 + 语气”写指令；旁白用语音克隆或 TTS，提示同样具体——“女声、平静叙述、语速中慢、句尾自然下沉”比“温柔女声”出效果稳定得多。三类素材的提示词共同原则是一致的：把你的判断写进指令，别留给模型猜。

四件套的价值在于把模糊的“我想要个好看的画面”翻译成模型能执行的具体指令。先套模板、再单项迭代，几次下来你会攒出自己的一套常用写法，之后出片速度和稳定性都会明显上一个台阶。具体功能边界与效果以官方页面为准。