图生视频别五个模型轮流试，先记住五要素

你输入「一只猫在跳舞」，AI 回你一坨抽搐的像素。多数人的第一反应是换模型，Runway 不行换 Kling，Kling 不行换 Sora，一个月烧掉好几个订阅费，废片率纹丝不动。

方向反了。Runway、Kling、Sora 这些主流模型，生成电影级画面的能力都有，出问题的是你跟模型沟通的方式。提示词写得太笼统，AI 只能瞎猜，猜对的概率约等于零。老雷把市面上主流模型的图生视频都过了一轮，这篇把选型思路和提示词写法一次讲清，帮你把废片率压下来。

先选模型，再谈提示词

模型挑错，提示词写得再好也白搭。按两条轴选，预算和用途。

零成本练手，Hailuo AI 或者 Kling 免费版，先把感觉跑起来，不用花一分钱，Luma 的 Dream Machine 也有免费额度，自然运动和光照做得不错。社媒量产，Kling 2.6，出片快，支持最长两分钟的视频，或者 Pika 2.5 胜在性价比。要带声音的成片，Google Veo 3.1 是目前唯一支持原生音频生成的主流模型，装在 19.99 美元一个月的 Gemini Advanced 套餐里，Kling 2.6 也能同步音视频。电影级品质，Sora 2.0 物理模拟最强，Runway Gen-4.5 控制力最强，十二美元一个月起。电商产品展示认准 Seedance 2.0，物理锚定带来的产品一致性是它吃饭的本事，产品在不同镜头里不会变样。角色一致性要求高的，用 Runway 的参考图锚定面部和造型。

再说一遍趋势，多模型协作。专业团队早就不是一个模型打天下，Sora 或 Veo 出主体素材，Runway 做风格化精修，Pika 和 Kling 快速出社媒变体，各干各擅长的活。

三个烧钱的误区

第一个，什么都想试。今天 Runway 明天 Kling 后天 Sora，每个都浅尝辄止，脾气没摸透，提示词写得不伦不类。老雷见过太多团队在这第一步就来回折腾，选一个主力模型深度用两周，把它的优势和局限摸清，比同时试五个有效得多。

第二个，只看价格不看场景。免费模型练手没问题，商业项目另算。我们做过对比测试，同一个提示词在免费和付费模型上各生成一版产品展示视频，客户选中付费版本的概率超过九成。省下几十块模型费，赔进去的是整轮交付，这笔账怎么算都亏。

第三个，忽视后期。很多人以为 AI 生成的视频就是成品，实际上再好的模型，原始素材也要做色彩校正、节奏调整和音效添加。实测下来，AI 生成只占总工时的三成，剩下七成是筛选和后期。预算和排期按这个比例留，别按一比一拍脑袋。

顺手把图生视频和文生视频的分界也讲清。手里已经有高质量参考图、需要精确控制画面，比如产品展示、角色动画，用图生视频。只有一个创意概念、画面细节愿意交给模型自由发挥，比如概念宣传片、氛围片，用文生视频。两条路还能串起来，先用文生视频探索方向，选中最好的一帧当参考图，再用图生视频出最终版，创意和可控各拿一半。

提示词五要素，缺一个 AI 就开始猜

主体。不是「一个人在走」，是「一位穿风衣的年轻女性在雨中的东京街头撑伞行走」。不是「一辆车」，是「一辆 1967 年的福特野马，樱桃红，镀铬保险杠锃亮」。不是「城市街道」，是「雨夜湿漉漉的东京小巷，霓虹灯牌倒映在柏油路面上」。模型靠关键词匹配训练数据里的视觉模式，描述越具体，它猜的空间越小。写英文通常优于中文，主流模型的训练数据以英文为主，英文不好就先用中文把画面写清楚，再让 Claude 或 DeepSeek 翻成视觉描述性的英文，注意别直译，「夕阳下的海边」不是 seaside at sunset，是 golden hour sunlight reflecting on calm ocean waves 这一类的视觉语言。用国产模型的话另说，实测 Kling 2.6 对中文提示词的还原度已经接近英文。

动作。图生视频的关键就是动起来，最重要的一条纪律是一条提示词只写一个核心动作。人物转头加风吹头发加背景下雨加猫跑过，模型会顾此失彼，画面直接乱掉。复杂场景拆成几段分别生成，后期拼接。动作词按效果挑，slowly walks、gently moves 出安静优雅的节奏，rushes through、sprints 出紧张动感，blinks、tilts head slightly 出写实微表情，wind blows、leaves fall、water ripples 这类自然现象给画面加生命力，picks up、pours 这类物体交互加叙事感。运动幅度用 slowly、gently、subtly 压着，幅度一大，人脸和手先崩。

镜头语言。这是最常被忽略的维度，也是业余感和电影感的分水岭。dolly in 推镜头加紧张感，dolly out 拉镜头展全景收尾用，orbit 环绕适合产品展示，drone shot 航拍撑场面，tracking shot 跟拍讲故事。低角度仰拍让主体显高大，拍建筑和人物立威都用它，高角度俯拍自带脆弱感，手持轻微晃动是纪录片的真实感，time-lapse 压缩时间，日出日落城市车流全靠它。敢组合效果更好，镜头从街道低空拉升揭示整座城市，跟拍转环绕，层次立刻不一样。

风格。电影级写实、动画、赛博朋克、复古胶片，选定一个主风格，最多叠一个辅助。photorealistic 配 cartoon，模型自己先精神分裂，出来的画面两头不靠。

氛围光照。同一个场景，golden hour 的暖光和冷蓝夜光是两种情绪，柔和窗光是日常，戏剧性侧光是悬疑。再加点天气和环境细节，rain、mist、steam rising，画面的层次感上一个台阶。写词之前花十到十五分钟做个情绪板，Pinterest 上收五到八张参考图，提炼共同的色调、光照和构图，提示词就不会写着写着跑偏。

五要素凑齐，AI 才不用猜。废片的来源从来不是模型不行，是你让它猜。

五要素背熟了，往一行公式里套就行，主体加动作加镜头运动加风格光照加氛围情绪。

拿电商产品展示举例。白色无线耳机盒放在深色大理石台面上，盒盖缓缓打开露出耳机，摄影棚柔光带出大理石的微妙反光，镜头四十五度平滑环绕，产品摄影风格，极简高级感。这条提示词翻成英文喂给模型，出片稳定性远好于一句「展示一下这款耳机」。

负面提示词同样重要，告诉模型你不要什么。no text、no watermark、no distorted faces，再加 no static image 防 AI 偷懒给你一张不会动的静帧，能挡掉一大半常见翻车，画面上凭空冒出来的字幕和水印基本可以绝迹。

出片不满意的时候，纪律是微调而不是重写。先判断哪个维度出了问题，主体不对改主体，动作太快压幅度，风格偏了换关键词，只动那一个词，其他保持不变。每次从头重写，你永远积累不出经验，也永远不知道上一版为什么差。

从生成到交付的四步

第一步，用 Midjourney 或 FLUX 准备高质量参考图，构图清晰、主体突出，分辨率 1920 乘 1080 起步。第二步，按用途选模型，五要素写提示词，附上负面清单，不想从零写就把画面描述、时长和用途丢给 Claude 或 ChatGPT，让它按五要素生成一条英文提示词外加一条负面提示词，人工再筛一遍。第三步，同一个提示词生成三到五版，挑动作最自然、画面最稳的那版，全不满意就微调提示词重来。第四步，CapCut 或 Premiere 做剪辑、配乐、调色，按目标平台的格式和比例导出。

还有三条进阶写法留给想再提一档的团队。时间线描述法，别把所有动作塞进一句话，按时间顺序写画面变化，镜头先对准桌上的咖啡杯，蒸汽缓缓升起，三秒后一只手从右侧伸入拿起杯子，五秒后镜头上移露出窗外的城市，这样写出来的片子有叙事感，不像一段会动的截图。情绪递进法，在提示词里指定情绪的变化方向，画面从平静安宁开始，逐渐转向紧张不安，光线也从温暖的金色转成冷峻的蓝色，短短几秒也能有故事感。物理细节法，越写实的片子越要描述微观细节，水滴的折射、布料的褶皱、金属的反光、头发在风里的飘动，实测加两三个，专业感立涨，这正是「AI 感」和「电影感」的分界线。再配一招负空间法，写明画面干净简洁、背景无杂物、人物周围留足空间，模型把元素堆成一锅粥的毛病能好一大半。

这门手艺现在的行情

已经被市场验证过的变现路径，电商产品展示视频单条 200 到 2000 元，婚礼和活动视频的 AI 增强单项目 1000 到 5000 元。还没打算对外接单的团队，先从内部用起来，电商详情页的动态图、社媒内容、短视频账号的 B-Roll 素材，省下来的制作成本就是第一笔回报。

老雷的建议就一条，选一个主力模型，用五要素模板跑十条片子，两周后拿数据复盘。模型半年一换代，价格还在一路往下走，但描述画面的这门语言不会过时，早练的人一直在吃红利。