AI 影片生成壞掉時的 7 種提示詞修法

大多數失敗的 AI 影片片段都不是模型的問題。它們是一句帶著某個特定缺陷的提示詞，而那個缺陷會留下指紋：融化的手、站著不動的主體、從頭到尾沒動過的鏡頭、播到一半換了顏色的外套。只要你讀得懂指紋，下面這幾種修法每一種都只要改一個地方。

這篇文章按症狀編排，而不是按原則。如果你要的是地基——主體、風格、光線、構圖——先去看怎麼把提示詞寫得更好，等某一次生成出狀況再回到這裡。下面的內容假設你已經寫得出像樣的提示詞，只是想知道片子壞掉時該改哪個字。

例子用的是 OmniArt 影片工作台裡有的模型——Seedance、Veo 3.1、Kling、Grok Imagine、PixVerse V6 和 C1——因為除錯有一部分，就是認出某個症狀該換模型解決，而不是再多寫幾行提示詞。

一次只除錯一個變數#

在進到個別修法之前，先養成那個讓所有修法都變快的習慣：每次生成只改一件事。生出一版爛的就把整句提示詞重寫，你什麼都學不到，因為你分不出是哪一次修改有效。

時長、解析度、畫面比例和參考圖對結果的影響不會比措辭小，所以把設定跟提示詞一起記下來。刻意的兩三次嘗試，通常勝過十次重寫。

修法 1：臉、手和四肢在片子中途變形#

你看到的：第一影格很乾淨，然後手指黏在一起、一張臉從頭骨上滑開，或是轉身的時候多長出一隻手臂。

為什麼會這樣：模型正在把身體內插到你的提示詞從沒描述過的姿勢上。四肢動得快、鏡頭貼近拍手、遮擋（手從臉前面經過）和長時長，都會讓模型必須憑空編出來的影格數翻倍。

修法：減少必須憑空編的部分。景別往後退一級，把身體的動作機制明講出來，讓手要嘛不動、要嘛走一條簡單的路徑。從一張乾淨的圖片而不是文字出發也能把人體結構定住，因為模型繼承到的是一副正確的身體，而不是自己猜一副。

以人為主的鏡頭，Veo 3.1 和 Kling 通常能在一整段裡把身體結構撐住；而當失敗點出在人體結構上，任何模型的圖生影片都比文生影片穩。如果那顆特寫非留不可，就把片子縮短，並且接受一個動作而不是兩個。

修法 2：主體無視你要求的動作#

你看到的：構圖、光線和風格都對得上你的提示詞，但主體就站在那裡呼吸，或是做著某種通用的待機動作，而不是你指定的那個動作。

為什麼會這樣：動作被埋掉了。如果動詞坐在一長串描述句的尾巴，或是跟另外三個動詞在搶位置，模型就會把它當成靜態場景的又一個屬性。而模糊的動詞（"interacting"、"enjoying"、"exploring"）根本沒有視覺形狀，所以什麼也不會發生。

修法：把主體和動作放最前面，用一個具體的物理動詞、現在式，並且描述這個動作的終點。所有造型相關的東西——鏡頭、色調、氛圍——都移到動作後面，讓它們讀起來像裝飾，而不是主句。

Seedance 對這種分鏡表式的寫法反應很好；而當需求就是一個受控的動作節拍——一個轉身、一次伸手、一次產品揭示——PixVerse C1 是個合理的選擇。

修法 3：運鏡沒有發生，或是跟主體打架#

你看到的：你要了一個推軌前進，拿到的是鎖死的畫面。或者鏡頭是動了，但主體相對背景滑得很怪，整顆鏡頭像一張被扭曲的照片，而不是穿過空間的移動。

為什麼會這樣：兩種成因，長得很像。要嘛這個運鏡被寫成一個沒有動機的效果（"zoom in"、"cinematic camera movement"），要嘛你把互相矛盾的指令疊在一起——主體朝鏡頭走的同時鏡頭推進，或是在一個四秒片段裡塞進橫搖加俯仰加升降。

修法：一個片段一個運鏡，用電影語言命名，並且綁在畫面裡正在發生的某件事上。然後檢查有沒有衝突：如果主體朝鏡頭移動，鏡頭應該定住或後退，不該推進。

Kling 和 Seedance 都很吃得下明確的運鏡指示；如果比起精準構圖你更在意感覺，那種鬆一點、有勁道的運鏡值得拿 Grok Imagine 試一輪。要是某個運鏡就是不肯生效，改成描述觀眾看到的變化——"the skyline enters frame from the bottom"——而不是去點名器材。

修法 4：場景漂移，或主體的長相在片中改變#

你看到的：主體一開始是某個人，結束時變成那個人的堂表親。紅外套變成酒紅色，背景的店面自己重排了一次，房間長出第二扇窗。

為什麼會這樣：這次生成裡沒有任何東西在釘住外觀。文字提示詞描述的是一個類別，不是一個個體，所以每一影格都可以把"young woman in a red jacket"稍微重新詮釋一次。時長愈長、背景愈雜，漂移就愈快。

修法：用一張圖片定錨，然後只描述會變的東西。當你上傳了參考圖或起始影格，在提示詞裡把外觀完整重述一遍反而有害——文字會跟圖片搶。背景保持簡單，長的想法拆成幾顆短鏡頭，不要做成一顆長鏡頭。

修法 5：文字和標誌生成出來是亂的#

你看到的：一塊寫著 "SHOPP" 的招牌、一張溶解成偽字母的產品標籤、一個每幾影格就變異一次的標誌。

為什麼會這樣：影片模型是把文字當紋理生成的，不是當字形，而任何動態都會讓那塊紋理逐格重新算一次。小字級、彎曲或移動表面上的字，以及落在透視平面上的字，是最糟的情況。

修法：別再叫影片模型去產出文字。先用圖片模型生成那一影格——在那裡調字體成本很低——再讓那張影格動起來。在影片提示詞裡引用完整的字串，讓它短，並且讓帶字的表面盡量平、盡量穩。

在 OmniArt 上，第一步你可以用 GPT Image 2 或 Seedream 5.0 Pro 這類圖片模型跑，再把定稿的影格送進同一個工作台裡的影片模型。凡是要交給客戶的東西，預設就把「文字要看得清楚」當成一件圖片優先的工作。

修法 6：動態太快、抖動或一格一格跳#

你看到的：片子播起來像開了 1.5 倍速，或者主體在微微震動，又或者動態是以看得見的階梯往前跳，而不是順順地走。

為什麼會這樣：強度形容詞會被讀成速度。"Dynamic"、"explosive"、"energetic"、"action-packed" 都在推著模型把更多變化塞進同樣數量的影格裡。另一個常見成因是在太短的時間裡要求太多事件——四秒鐘三個節拍，等於每個節拍都分不到影格。

修法：刪掉強度用詞，改成指定節奏。一個片段給一個節拍，明講這顆鏡頭是連續的；如果動作真的需要更多時間，那就要求更長的時長，而不是更快的表演。

如果抖動是細碎的、不是結構性的，試試同一個模型家族裡更高的級距——用標準級距取代 fast 或 mini 級距——因為較低的級距是拿時間穩定性去換速度和成本的。

修法 7：音訊和對嘴對不上#

你看到的：嘴形比話早或比話晚，嘴閉著對白還在繼續，或是人聲被模型自己加上去的音樂蓋掉。

為什麼會這樣：對嘴需要嘴看得見，而且台詞短到塞得進這個片段。五秒鏡頭裡塞長對白，模型只能選擇讓嘴趕拍或乾脆放棄同步。像 "with an epic soundtrack" 這種環境描述，等於在邀請一層跟人聲搶的音樂床。

修法：一個說話的人、一句用引號框起來的短台詞、嘴清楚入鏡且沒有遮擋，以及沒有互相競爭的音訊指令。什麼該安靜，要講得跟什麼該被聽見一樣明確。

Veo 3.1 會生成含對白的原生音訊，PixVerse V6 在 OmniArt 的 Free 方案上也支援音訊。當你想用的模型沒有原生聲音時，可靠的路線是先生成無聲片段，另外用 MiniMax Speech 2.8 或 ElevenLabs 這類語音模型做人聲，再把兩者剪在一起。這樣做還有一個好處：重錄旁白不必重生畫面。

症狀對修法速查表#

片子生壞的時候拿這張表來做分診。先改第一欄的那一項，其他都先別動。