为什么视频 prompt 是一门独立学科
2025 年末 Sora 2、Runway Gen-4 与 Pika 2.0 的出现，让 AI 视频第一次真正具备实用价值；2026 年也成为创作者不再把视频 prompt 当成「多加几个形容词的图像 prompt」的转折年。它们根本不是同一种东西。视频 prompt 必须描述的不只是单帧画面，还要描述运动、节奏、镜头行为与连贯性——而同样的字眼在不同模型里含义并不相同。
这份指南是我们在 Reprompte 内部使用的视频 prompt 实战手册。每一节都在 Sora 2、Runway Gen-4、Pika 2.0 与 Luma Dream Machine v3 上做过测试，并标出各平台之间的差异。如果你来自 Midjourney 或 DALL-E，预期需要忘掉一些旧习惯。
优秀视频 Prompt 的解剖结构
四个平台上获得最佳结果的 prompt 都建立在五层结构上：主体、动作、镜头、环境、氛围。任意省略一层，模型就会用其训练默认值填补——而这些默认值通常很平庸。
主体：镜头对准的对象。请明确身份、服装、姿态、表情。「一位身穿黄色雨衣的年轻女性」远胜于「一个人」。
动作：主体在做什么，包括动词所暗示的节奏。「缓慢地转过头面对镜头」给模型一个时长信息；「转过头」则没有。
镜头：景别、构图，以及任何运动。「在五秒内由中景缓慢推进到特写」正是视频模型在训练中接触最多的语言。
环境：动作发生的位置以及主体周围画面里的元素。湿润的路面、飘落的叶子、霓虹的反光——这些环境细节给模型提供了顺势生成的微小动态。
氛围：场景的情绪、光线、天气与声音。即便平台不生成音频，氛围词也会引导调色和动态强度。
Sora 2：电影感强，但需耐心
Sora 2 是四个平台中最具「电影感」的。它喜欢用电影语言写的 prompt：景别、镜头焦段、灯光配置、运镜方式。「85mm 人像镜头，浅景深，黄昏黄金时刻，缓慢的肩扛推进」比一堆形容词都有用得多。
2026 年初 Sora 2 最大的弱点是「过于热情的运动」。如果不显式给出节奏，它倾向生成快速且充满变化的镜头。对策是在 prompt 中说明每个动作的时长：「相机在整段 8 秒镜头中持续缓慢上摇」。这是我们最稳定的 Sora 提升方法。
Sora 处理「负向引导」的方式是「用描述替换」，而不是「排除」。与其写「背景中没有人」，不如写「她身后的街道是空的」。告诉 Sora 画面里应该有什么，会被很好地遵守；告诉它不应该有什么，则不可靠。
Runway Gen-4：连贯性之王
当连贯性重要时——同一个角色出现在多个镜头、一个物体需要保持一致、同一场景在不同镜头中要保持一致——我们会优先选 Runway Gen-4。Gen-4 的图生视频与参考图能力，2026 年明显领先竞品。
Gen-4 的诀窍是依赖参考输入，并把 prompt 本身写得短一些。一个 30 词加一张强参考图的 prompt，通常胜过一个 100 词但没有参考图的 prompt。请把 prompt 留给「动作」与「镜头」，让参考图承担视觉身份。
Runway 的 motion brush——你在画面上涂出应当运动的区域——是整个 AI 视频技术栈里被最低估的功能之一。对于「主体静止、背景运动」的镜头（例如一个人站在风很大的山坡上，头发与衣服在飘），把正确区域涂出来并只为它们写运动 prompt，所产生的可信度远胜于单纯的自由文本 prompt。
Pika 2.0：风格化与速度
Pika 2.0 占据另一个生态位。它是四者中最快的，也是在风格化、插画化与动画类内容上最强的。需要写实摄影时我们一般另选他者，但要做短小风格化片段——logo 动起来、插画场景获得运动、2.5D 剪纸效果——Pika 常常在速度和视觉一致性上同时取胜。
Pika 对放在 prompt 最前面的明确风格锚点反应良好：「anime, 手绘, 24fps」「low-poly 3D, 柔和粉彩调色」「stop-motion, 毛毡质感」。把风格声明放在最开始的几个词，会告诉模型如何理解之后的一切。
Pika 比其他平台更容易在画面里产生幻觉文字。如果你不希望出现招牌、海报或可读文字，请明确说明：「surfaces 与 signs 上没有可读文字」在 Pika 上确实有效，这点与 Sora 不同。
Luma Dream Machine v3：镜头魔法
Luma Dream Machine v3 已经成为我们处理「镜头驱动」类型镜头时的首选。它对摄影术语的理解极好——「升降镜头从地面升起以揭示城市天际线」「Steadicam 跟拍跑者的背面」「锁定的固定镜头，主体从画面右侧出画」基本都能给出你期待的结果。
Luma 的 keyframe 功能——你提供首帧与尾帧图像，让模型生成两者之间的过渡——在同类产品中最强。当你对开头和结尾有清晰画面构想时，这套工作流在每项指标上都胜过纯文本 prompt。这时 prompt 只需描述连接两帧的运动。
通用最佳实践
明确说明时长。每个模型都有默认片长，但没有节奏说明的运动会被压缩或仓促完成。「一段 6 秒的片段」或「相机在整段镜头中缓慢移动」能给模型一个时间锚点。
限制运动数量。同时进行两个动作通常是质量下降前的上限。镜头运动加角色动作可以；镜头运动 + 角色动作 + 天气变化 + 背景事件同时上演就太多了。
每个动作只用一个动词。「她缓慢走着，紧张地环顾四周」是两个动作，模型可以处理。「踱步、瞥视、比划、转身」是四个互相重叠的动词，模型只会半渲染。
钉住灯光。帧间灯光漂移是最常见的瑕疵之一。指明光源——「画面左侧的暖色钨丝灯」「阴天的漫射日光」——会把模型锁定下来。
关于负向 Prompt 的真相
2026 年初，Sora 2 与 Pika 2.0 通过语法选项支持负向 prompt，Runway 与 Luma 不支持。整体而言，负向 prompt 在视频上的可靠性明显低于静态图像，因为否定指令必须逐帧成立，而模型的注意力会随时间漂移。
可靠的替代是「正向替换」。与其说「不要多出来的胳膊」，不如描述胳膊应该在做什么：「她的双手清晰可见，正用双手捧着咖啡杯」。与其说「不要 morphing」，不如给出一个不留任何变更空间的稳定描述：「从头到尾都是同一辆红色 Volkswagen Beetle，车牌不变」。
真正可行的迭代工作流
视频生成成本不低。一个能把无效尝试降到最少的工作流，比任何单一 prompt 技巧都更有价值。2026 年为我们节省最多额度的模式是：
先做一段短测试生成——若平台支持，三到四秒、低分辨率即可——以验证构图、主体身份与镜头运动。在这个便宜的档位上反复迭代，直到这三项都对。然后才升级到完整时长与分辨率。绝大多数失败的视频生成本可以在测试阶段被发现；高规格那一遍往往只是用钱去再确认一次测试已经显示的结论。
请保留每一个产生过你喜欢的结果的 prompt，即使那段片你最终没用。Prompt 片段会复利。一段适合某个场景的灯光描述，半年后会救你于另一个场景；你为某个产品镜头打磨好的运镜，迁移到另一个品牌时能省你 40 分钟。
音频也在追上来
Sora 2 一上来就生成环境音，且画面与声音的一致性已经足够好，让音频成为 prompt 的一部分，而不是事后补充。请像描述画面一样描述声音：「雨打在金属雨棚上、远处的车流、没有音乐」。对话场景里，目前的模型仍然受益于被告知保持「来自画面的声音」——「只保留环境音，不要旁白，不要音乐」——以避免泛泛的背景配乐。
视频 Prompt 的下一站
2026 年最大的转变是 AI 视频已经变得「可编辑」。每个平台都已上线允许只重新生成片段中某一元素的功能——背景、主体、灯光——而不必重做整段。Prompt 越来越不再是为了生成完美的「第一条」，而是为了对局部进行迭代。今年余下时间最关键的技能，不是写出 200 词无懈可击的 prompt，而是在两次尝试之间懂得改哪 20 个词。
如果你只想从这篇文章里带走一句话：别再把视频 prompt 当成图像 prompt。它们是剧本 + 分镜 + 镜头清单压缩成的一段话。请像给摄制组写 brief 一样去写它，你的结果会立刻提升。
