AI 视频生成翻车了？7 个按症状对症的提示词修正法

大多数失败的 AI 视频片段并不是模型的问题。它们是一条带着某个具体缺陷的提示词，而这个缺陷会留下自己的指纹：手融成一团、主体站着不动、镜头从来不动、外套颜色到一半变了。一旦你能读出这枚指纹，下面这些 AI 视频提示词修正法每一个都只需要改一处。

这篇文章按症状而不是按原理来组织。如果你想要的是基本功——主体、风格、光线、构图——请先从怎么写出更好的提示词开始，等某一次具体的生成出问题时再回到这里。下面所有内容都假设你已经会写像样的提示词，只是想知道片子翻车时该改哪个词。

例子用的都是 OmniArt 视频工作区里能用到的模型——Seedance、Veo 3.1、Kling、Grok Imagine、PixVerse V6 和 C1——因为调试的一部分，就是认出某个症状换个模型解决比堆更多提示词文字更有效。

一次只调一个变量

在讲具体的修正法之前，先养成让它们全部变快的那个习惯：每次生成只改一件事。一条烂片子之后把整条提示词重写一遍，什么也学不到，因为你分不清是哪一处修改起了作用。

时长、分辨率、宽高比和参考图对结果的影响和措辞一样大，所以要把参数和提示词文字一起记下来。两三轮有意识的尝试，通常胜过十次重写。

修正 1：人脸、手和四肢在片子中途变形

你看到的： 第一帧看起来干净，然后手指黏在一起、一张脸从头骨上滑下去，或者在转身过程中长出一条多余的手臂。

为什么会这样： 模型正在把一个身体插值穿过你的提示词从未描述过的姿态。快速的肢体运动、贴近手部的取景、遮挡关系（一只手从脸前经过）以及较长的时长，都会成倍增加模型必须凭空造出来的帧数。

怎么修： 减少必须被凭空造出来的东西。取景往后退一档，明确说出身体的力学动作，并让手要么保持静止、要么走一条简单的路径。从一张干净的图片而不是从文字起步，同样能把人体结构钉住，因为模型继承到的是一具正确的身体，而不是猜出来的。

改之前： “厨师双手的特写，快速切菜并把菜扔进锅里。”

改之后： “中景，一位厨师站在木质料理台前。右手做一个平稳的切菜动作，左手平放在案板上。双手全程留在画面内，不切镜。50mm，来自机位左侧的柔和窗光。”

对以人为主的镜头，Veo 3.1 和 Kling 在整条片子里保持身体结构的表现通常不错；而当失败点是人体结构时，任何模型的图生视频都强过文生视频。如果你必须保住这个特写，那就把片子缩短，并接受一个动作而不是两个。

修正 2：主体无视你要求的动作

你看到的： 取景、光线、风格全都和提示词一致，但主体就站在那里呼吸，或者做某种通用的待机动作，而不是你指定的那个动作。

为什么会这样： 动作被埋掉了。如果动词落在一长句描述的末尾，或者要和另外三个动词竞争，模型就会把它当成一个静态场景的又一条属性。含糊的动词（“互动”“享受”“探索”）根本没有视觉形态，所以什么都不会发生。

怎么修： 把主体和动作放到最前面，用一个具体的、现在时的物理动词，并描述这个动作的终点。把所有造型信息——镜头、色调、氛围——都挪到动作之后，让它读起来像装饰而不是主句。

改之前： “一条戏剧化、氛围阴郁、被雨淋透的夜间小巷，有霓虹反光和蒸汽，一名快递员正在探索这片区域并与周围环境互动。”

改之后： “一名快递员蹲下捡起一个掉落的信封，然后站起来向左看。被雨淋透的夜间小巷，湿沥青上的霓虹反光，通风口冒出蒸汽。手持中景。”

Seedance 对这种分镜表式的措辞反应很好；而当需求是一个受控的动作节拍——一次转身、一次伸手，或者一次产品露出——PixVerse C1 是个合理的选择。

修正 3：运镜没有发生，或者在跟主体打架

你看到的： 你要的是推镜，拿回来的是锁定画面。或者镜头动了，但主体相对背景滑得很怪，整个镜头像一张被扭曲的照片，而不是一次穿过空间的运动。

为什么会这样： 两种原因，长得很像。要么运镜只被写成一个没有动机的效果（“放大”“电影感运镜”），要么你堆了互相矛盾的指令——主体走向镜头的同时还要推进，或者在一段四秒的片子里同时要横摇加俯仰加摇臂。

怎么修： 一段片子一次运镜，用影视术语命名，并绑定到画面里正在发生的某件事上。然后检查冲突：如果主体走向镜头，镜头就应该保持不动或后退，而不是推进。

改之前： “史诗级电影感运镜，主角冲向镜头时放大并环绕摇摄，动感角度。”

改之后： “主角沿走廊冲向镜头。镜头以稳定速度在他前方后退，把他保持在中景构图里。低角度，广角镜头，没有其他运镜。”

Kling 和 Seedance 都很吃明确的运镜指令，而 Grok Imagine 值得试一试那种更松、更有劲的运动——精确构图在那里不如感觉重要。如果一个运镜怎么都不生效，就去描述观众看到的画面变化——“天际线从画面底部进入”——而不是去点名机械设备。

修正 4：场景漂移，或者身份在片子中途变了

你看到的： 主体开头是一个人，结尾变成了这个人的表亲。一件红外套变成了酒红色，背景的店面自己重排了一遍，房间长出了第二扇窗。

为什么会这样： 这次生成里没有任何东西在钉住外观。文字提示词描述的是一个类别，不是一个个体，所以每一帧都可以把“穿红外套的年轻女性”重新解释得略有不同。更长的时长和更繁杂的背景会加速这种漂移。

怎么修： 用图片锚定，然后只描述会变的部分。当你上传了参考图或首帧时，在提示词里重复完整外观反而有害——文字会跟图片竞争。把背景保持简单，并把长的想法拆成几个短镜头，而不是一个长镜头。

改之前： “一位穿红外套、棕色头发的年轻女性穿过热闹的集市，10 秒，细节丰富，很多人和摊位。”

改之后： “保持参考主体的脸、头发和红外套不变。她向前走过两个摊位，停下来往右看。浅景深，让她身后的集市保持虚化。5 秒，单一连续镜头。”

修正 5：文字和标识出来是乱码

你看到的： 一块招牌写着“SHOPP”、一个产品标签溶解成伪字母、一个标识每隔几帧就变异一次。

为什么会这样： 视频模型把文字当成纹理生成，而不是当成字形，而任何运动都会逐帧重新渲染这层纹理。小号字、位于弯曲或运动表面上的文字，以及处在透视平面里的文字，是最糟的情况。

怎么修： 别再让视频模型去写这些文字。先用图片模型生成这一帧——在那里迭代排版很便宜——然后再让这一帧动起来。在视频提示词里把那串字符原样引用出来、保持简短，并让带字的表面尽可能平整稳定。

改之前： “一家咖啡馆店面，有一块又大又精细的招牌、菜单板和大量标识，镜头掠过。”

改之后： “让提供的这一帧动起来。写着 ‘DAYLIGHT’ 的招牌正对镜头并保持不变。缓慢向右横移，招牌全程完整在画面内，不出现其他文字。”

在 OmniArt 上，第一步可以用 GPT Image 2 或 Seedream 5.0 Pro 这样的图片模型完成，然后把通过的那一帧送进同一个工作区里的视频模型。凡是要交给客户的东西，默认都把可读文字当成一件先出图的活。

修正 6：运动太快、抖动或者一顿一顿

你看到的： 片子播起来像开了 1.5 倍速，或者主体在轻微震颤，或者运动是以可见的台阶推进而不是顺滑推进。

为什么会这样： 强度形容词会被读成速度。“动感”“爆炸性”“充满能量”“动作满满”都会推着模型在同样的帧数里塞进更多变化。另一个常见原因是在太短的时间里要求太多事件——四秒里三个节拍，等于哪个节拍都没有帧可用。

怎么修： 删掉强度词，改成指定节奏。一段片子一个节拍，明确说这是连续镜头，如果这个动作确实需要更多时间，那就要求更长的时长，而不是要求更快的表演。

改之前： “爆炸性动感动作镜头，滑板手做花式动作，快速有能量的运动，快速剪切。”

改之后： “一名滑板手滑上斜坡，在顶端抬起做一个缓慢的豚跳。节奏平稳均匀，单一连续镜头，不切镜。镜头以相同速度侧向跟拍。”

如果抖动是细颗粒的而不是结构性的，试试同一模型系列里更高的档位——用标准档而不是快速档或迷你档——因为低档位是用时间稳定性换速度和成本的。

修正 7：音频和口型对不上

你看到的： 嘴的动作比词早或晚、嘴闭着对白还在继续，或者人声被模型自作主张加的音乐盖住了。

为什么会这样： 口型同步需要嘴可见，并且台词短到能装进这段片子。五秒镜头里塞一段长对白，会逼模型要么把嘴赶得飞快，要么放弃同步。而“配上史诗级配乐”这类环境描述，等于邀请一层和人声抢戏的音乐床。

怎么修： 一个说话人、一句用引号括起来的短台词、嘴部构图清晰无遮挡，并且没有互相竞争的音频指令。什么该安静，说得要和什么该被听见一样明确。

改之前： “两个人在谈产品发布，配史诗级配乐和城市环境音，特写。”

改之后： “中近景，一位女性正对镜头，嘴部完全可见。她说：‘我们周五发布。’然后她停顿并微笑。只有安静的房间底噪，没有音乐。”

Veo 3.1 能生成包含对白的原生音频，PixVerse V6 在 OmniArt 的免费档位上就支持音频。当你想用的模型没有原生声音时，靠得住的路径是先生成无声片子，再用语音模型单独做人声——比如 MiniMax Speech 2.8 或 ElevenLabs——然后把两者剪在一起。这样你还能在不重新生成画面的前提下重录旁白。

症状到修正法的速查表

片子拿回来不对时，把这张表当分诊单用。先改第一列指向的东西，其他都别动。

在 OmniArt 上开始

挑出你最近一次失败的片子，对着上面七种症状做诊断。只应用一个修正，重新生成，然后对比——两轮通常就能告诉你问题出在提示词还是模型选择上。因为 OmniArt 把图片、视频和音频模型放在同一个工作区里，一个难搞的镜头可以在不同思路之间移动，而不用重搭环境：用图片模型把它锚住、换第二个视频模型再试，或者把人声单独加上去。

打开创作工作区，把改好的提示词粘进去，留下那些立得住的片子。