豆包生成视频指令模板：从一句话到成片的完整指令手册

豆包生成视频指令模板的核心不在于堆砌华丽辞藻，而在于像调度一个片场团队那样，把主体、动作、场景、光影、运镜、风格、画质和约束条件逐项交代清楚。一份好的指令模板，能让模型准确理解你的拍摄意图，避免反复抽卡，一次生成可用的画面。本文从底层逻辑出发，提供覆盖多种创作场景的完整指令模板体系。

一、为什么大多数人的豆包视频指令“不听话”

一个普遍的现象是：同样用豆包生成视频，有人一条指令就能出电影感画面，有人反复生成十几次仍然人物僵硬、画面呆板。差别究竟在哪里？

答案藏在指令的信息密度里。

大多数人写指令的习惯是“描述画面内容”，比如“一个女孩在樱花树下走路”。这句话对人来说有画面感，但对视频生成模型来说，它缺失了三个关键信息：镜头怎么运动、光线什么调性、画面怎么收束。

豆包背后的视频生成模型本质上是一个“全模态导演”。它同时读取文字、图片、视频、音频，并在内部拆解成两个维度来理解：空间层——画面里有什么；时间层——事情如何随时间变化。当你只写“女孩在樱花树下走路”，空间层勉强能构建，时间层却几乎空白。模型不知道镜头是推进还是拉远，是固定还是跟随，于是它只能随机发挥——结果自然不可控。

这就是指令模板存在的意义：不是替代你的创意，而是把你的创意翻译成模型能精确执行的工程语言。

理解了这一点，后面的所有模板你都能“看得懂、改得动、用得上”。

二、指令模板的底层逻辑：八个要素构成一条完整指令

豆包视频生成的指令模板有一个经过官方验证的进阶公式：

精准主体 + 动作细节 + 场景环境 + 光影色调 + 镜头运镜 + 视觉风格 + 画质 + 约束条件

这八个要素不是随便排列的，它们有明确的先后逻辑：先锁定“谁在干什么”，再交代“在哪里、什么氛围”，然后告诉模型“怎么拍”，最后用风格、画质和约束把结果收束到位。

2.1 各要素的实战写法

八个要素并非每条指令都要写满。短视频场景下，主体、动作、运镜、画质四个要素是底线；追求电影感则需要把光影、风格和约束条件都补上。

三、按任务类型匹配指令模板

豆包视频生成并非只有“写一句话就出片”这一种方式。根据你手头的素材和创作目标，任务类型不同，指令模板的写法也完全不同。

3.1 文本直接生视频：五要素链模板

这是最基础也最常用的方式——手头没有素材，纯靠文字描述生成。

模板结构： 主体 + 场景 + 动作 + 运镜 + 风格画质

示例模板：

一只橘色虎斑猫趴在老式木质窗台上，午后阳光透过纱帘洒在它身上。它缓慢地伸了一个懒腰，前爪向前伸展，尾巴轻轻翘起。镜头从特写缓慢拉远至中景，暖色调，治愈系日系风格，1080P，9:16，8秒。

这条模板对应的是通用型创作需求。如果你要做的是竖屏短视频，把画面比例改为9:16，时长控制在8-10秒即可；如果是横屏影视感内容，16:9、10-15秒更合适。

3.2 图片参考生视频：从素材中提取元素

当你手头有参考图片时，指令的写法需要从“描述画面”切换为“调度素材”。

全模态参考的推荐句式：

参考<图片N>中的<主体/风格/场景>，生成……

示例模板：

参考图1中的人物外貌和服装，生成一段她在咖啡馆窗边阅读的视频。动作：翻书的右手缓慢抬起，目光从书页移向窗外。场景：窗边有绿植，窗外是模糊的街道。镜头：固定机位，浅景深。风格：文艺清新，暖调。9:16，10秒，无水印。

这里的关键在于图片负责锁定“谁”和“什么样”，文字负责调度“做什么”和“怎么拍” 。不要把图片里已经有的信息重复写在文字指令中，那样只会稀释指令的权重。

3.3 视频编辑：精准修改而不动全局

Seedance 2.5新增了视频局部编辑能力，可以在维持整体画面节奏的前提下，对背景、人物、商品等局部元素进行精准修改。

编辑类指令的推荐句式：

• 增加元素：清晰描述<元素特征> + <出现时机> + <出现位置>
• 修改元素：严格编辑<视频N>，将其中的<原特征>修改为<新特征>
• 删除元素：点明需要删除的元素，对保持不变的部分加以强调

示例模板：

严格编辑视频1，将画面中人物手中的白色马克杯修改为透明玻璃杯，杯中有半杯拿铁。其他所有内容保持不变——人物的坐姿、背景的书架、窗外的光线均不改变。

这里有一个容易踩的坑：编辑任务中，直接使用“<视频N>”指代视频，不要用“参考<视频N>” ，否则模型会把它误判为参考任务，而不是编辑任务。

3.4 视频延长：在时间轴上续写

当你有一段已生成的视频，希望向后延续剧情或动作时：

推荐句式： 向后延长<视频1>，生成……

示例模板：

向后延长视频1，生成一段3秒的内容。画面中的人物继续向前行走，走出巷口后停下脚步，侧头看向右侧的街道。保持与原视频一致的光线方向、色调和人物服装。

延长任务的核心约束是风格一致性——光线方向、色调、人物外观都必须与原视频匹配，否则拼接处会出现明显的断裂感。

四、三种创作场景的指令模板体系

不同类型的视频创作，指令的侧重点差异很大。以下按短视频、产品展示、叙事短片三种场景，给出可直接套用的模板框架。

4.1 社交短视频：竖屏节奏优先

竖屏短视频的核心诉求是前3秒抓住注意力，指令中需要强化视觉冲击力和节奏感。

模板框架：

[主体特征描述] + [一个有力的动作或变化] + [强对比光影] + [有节奏感的运镜] + [鲜明风格标签] + 9:16 + 8-12秒 + 无水印

实战示例：

一位穿着机能风外套的年轻男性走在雨夜霓虹街道上，撑一把透明雨伞，雨滴沿伞面滑落。镜头以低角度跟随拍摄，脚步踩过积水激起水花。赛博朋克冷色调，蓝紫霓虹反射在湿滑路面上，手持轻微抖动增加现场感。9:16，12秒。

4.2 产品展示：细节与质感并重

产品类视频指令的核心是让观众看清“好在哪里” ，需要强调材质、光泽、细节。

模板框架：

[产品精确描述] + [一个展示核心卖点的动作] + [干净的背景] + [特写推镜或环绕] + [强调质感的风格描述] + [画质参数]

实战示例：

一枚银色磁吸扣放置在白色大理石台面上，手指轻按将其吸合，发出清脆的“咔嗒”声。镜头以45度俯角缓慢环绕推进，冷光棚拍风格，金属表面呈现细腻拉丝纹理，无多余反光，4K，1:1，10秒。

4.3 叙事短片：用分镜思维拆解长内容

Seedance 2.5支持单段30秒视频直出，但“能生成30秒”不等于“应该一次性生成30秒”。更稳妥的做法是先做分镜，每个镜头单独生成，最后拼接。

分镜指令的关键原则：

• 每个分镜只指定一种运镜方式，不要在同一镜头中同时推、拉、摇、移
• 3-5个分镜/15秒是节奏的甜蜜点
• 相邻分镜之间的光线方向和色调必须保持一致

分镜模板示例（一个3镜头的15秒短片）：

镜头1（0-5秒）： 清晨，一位老人坐在老式书桌前，手中翻着一本泛黄的相册。固定机位，中景。窗外晨光斜射，桌面有暖金色光斑。胶片质感，低饱和度。

镜头2（5-10秒）： 特写老人的手指翻过一页相册，页面上是一张黑白合影。镜头缓慢推近。同一光源方向，暖金色调。

镜头3（10-15秒）： 老人合上相册，抬头看向窗外，嘴角微微扬起。镜头从侧面中景缓慢拉远。保持与前两个镜头一致的光影和色调。

五、横向对比：不同任务类型的指令要点速查

六、进阶：让指令模板真正“出效果”的四个技巧

6.1 运镜指令要“单一且明确”

一个新手最常见的错误是在一条指令里写“镜头推进同时环绕旋转再拉远”。模型面对这种自相矛盾的运镜要求，输出结果往往是画面晃动、主体模糊。一个镜头只指定一种运镜方式，想要多角度，就拆成多个分镜。

常用的运镜指令及其效果：

• 推镜：制造聚焦感，适合揭示细节
• 拉镜：制造抽离感，适合交代环境
• 环绕：制造空间感，适合展示主体全貌
• 跟随：制造沉浸感，适合动作场景
• 固定：制造稳定感，适合对话或静态展示

6.2 光影描述要“给出光源方向”

“好看的光”对模型来说等于没有信息。有效的写法是明确光源的方向和色温：“傍晚暖金色侧逆光，光源在人物右后方”“清晨冷蓝色顶光，有薄雾散射”。

6.3 约束条件要“少而精准”

约束条件写太多会挤压模型的创作空间，写太少又容易出问题。经验法则是：3-5条核心约束。人物类视频重点约束面部和手部，产品类视频重点约束反光和背景。不要写“无任何瑕疵”这种模糊表述，要写“人物面部不变形，手指数量正常，背景无像素位移”。

6.4 利用样片模式快速验证

豆包支持样片模式，开启后先生成一段预览视频，用于快速验证场景结构、镜头调度和主体动作是否符合预期。在正式生成高分辨率版本之前，先用样片模式跑一轮，能大幅减少无效生成。

七、不同题材的指令定制策略

指令模板是框架，但不同类型的视频需要在框架内做出针对性调整。以下是几个高频创作题材的定制要点。

7.1 治愈系生活内容

治愈类视频的氛围感来自柔和的光线、缓慢的节奏、温暖的色调。指令中应避免出现快速运镜、强烈对比光、高饱和度色彩。

调整要点： 运镜用“缓慢推近”或“轻微跟随”；光影用“柔和的自然光，暖调”；风格标签用“日系清新”“胶片质感”“低饱和”。

7.2 科技感产品内容

科技感的核心是冷色调、金属质感、干净利落的光影切割。

调整要点： 光影用“冷光棚拍，有明确的轮廓光”；背景用“纯色或渐变背景，无杂物”；运镜用“精确的环绕推进”或“固定机位配合产品旋转”。

7.3 国风与东方美学

国风视频的难点在于文化符号的准确性和氛围的克制感。

调整要点： 服装和场景描述要具体到朝代或风格（如“宋代仕女”“明式园林”），不要只写“古风”；光影偏好“柔和的漫射光，低对比度”；运镜偏好“缓慢的水平移镜”或“固定长镜头”。

八、常见问题与避坑策略

在大量指令实践中，以下几个问题出现频率最高：

问题一：生成的人物面部变形。 原因通常是参考图片质量不够，或约束条件中未明确要求保持面部一致。解决方法是上传正面清晰、光照均匀的人像参考图，并在指令结尾加上“人物面部特征与参考图保持一致，不改变五官比例”。

问题二：画面像“动态PPT”，缺少运动感。 根源在于指令中缺少运镜描述。补充“镜头缓慢推近”或“跟随拍摄”之类的运镜指令，画面的“活”感会明显提升。

问题三：多镜头生成后拼接处不连贯。 通常是因为每个镜头的指令是独立写的，没有统一的风格锚点。解决方法是先写一段“全局风格声明”，再为每个分镜写具体指令，确保光影方向和色调关键词在所有分镜中保持一致。

问题四：编辑视频时模型修改了不该修改的部分。 原因是没有对“保持不变”的部分加以强调。在编辑类指令中，明确列出需要保持不变的元素，比只写“修改X”更有效。

九、关于指令模板的深度思考：从“写提示词”到“设计镜头”

大多数教程教的是“怎么把提示词写得更好看”，但真正的分水岭在于——你是把豆包当成一个“文字生成视频的工具”，还是把它当成一个“需要你担任导演的片场” 。

当你是“写提示词的”，你关注的是词句是否优美、描述是否详细；当你是“导演”，你关注的是：这个镜头要在几秒内完成什么叙事任务？光线从哪个方向来？摄像机放在哪里？观众的眼睛先看到什么、再看到什么？

指令模板的价值，恰恰在于把“导演的决策”结构化了。八个要素的公式，本质上就是一份微型的导演通告单——告诉模型你是谁、在哪里、做什么、怎么拍、拍成什么样。

理解了这一层，你就不再需要“抄模板”了。因为你知道模板里每一个要素存在的理由，也知道什么时候该加、什么时候该减。

十、常见疑问解答

问：豆包生成视频指令模板必须严格按照八个要素来写吗？

不必。八个要素是完整版框架，实际使用中可以根据任务类型灵活取舍。纯文本生视频写齐主体、动作、运镜、画质四个要素就能出不错的结果；追求电影感或需要精确控制时才需要补全光影、风格和约束条件。

问：指令写多少字比较合适？

建议控制在50-200个词之间。太短信息不足，模型只能“自由发挥”；太长会稀释每个要素的权重，模型反而抓不住重点。如果需要描述复杂场景，更好的策略是拆成多个分镜，每个分镜写一条精简指令。

问：豆包和即梦在指令写法上有什么区别？

两个平台底层使用的视频生成模型是同一系列，指令语法基本通用。区别主要在于功能开放程度：即梦的功能更完整，支持上传视频/音频作为参考素材，也支持更长的生成时长；豆包则更侧重快速生成和低门槛上手。同一条指令在两个平台都能用，但在即梦上可以发挥出更精细的控制力。

问：指令中提到“参考图片N”时，图片怎么上传？

在豆包的视频生成界面中，上传参考图片后，模型会自动为每张图片分配编号。在指令中按编号引用即可。如果是首帧/尾帧模式，需要在指令中明确区分“首帧”和“尾帧”。

问：视频编辑指令中，时间戳怎么写？

Seedance 2.5支持通过时间戳指定编辑生效的时段。例如“在视频的第3秒到第5秒之间，将背景中的蓝色窗帘替换为米白色”。需要注意的是，模型对精确时间区间的支持目前仍有一定波动，建议时间区间不要设得太窄。

问：同一条指令多次生成，结果差异很大怎么办？

这是视频生成模型的正常特性。如果希望结果更稳定，可以在参数中设定固定的随机种子值。另外，约束条件写得越具体，输出的稳定性通常越高。