豆包制作视频提示词：从一句话到电影级的提示词实战手册

豆包制作视频提示词的核心不在“写得漂亮”，而在“写得准确”。一条合格的豆包制作视频提示词需要同时回答四个问题：谁、在哪、怎么动、怎么拍。本文用八个要素、三套公式和一份对比表，帮你把模糊想法翻译成模型能精确执行的工程指令，让每次生成都有可预期的结果。

一、为什么你的豆包视频提示词总是不够用

大多数人写豆包制作视频提示词的方式是这样的：想一下画面里有什么，用两句话描述出来，点生成，然后祈祷。

结果通常是画面能动但很“平”，人物动作僵硬，镜头纹丝不动像动态PPT。问题不在模型能力，而在指令的精度。

Seedance 2.0 系列本质上是一个“全模态 AI 导演”，它在内部把提示词拆成“空间层”（画面里有什么）和“时间层”（事情如何随时间变化）两个维度来理解。如果你只描述了“空间层”——一个人站在雨中——却没有给“时间层”任何指令，模型就不知道这个人是慢慢转身、快步跑开，还是站在原地不动。

这意味着，豆包制作视频提示词的底层逻辑不是“写文案”，而是“写指令”。文案是给人看的，指令是给机器执行的。两者之间的差距，就是普通视频和电影感视频的差距。

一句话说清楚区别

文案式写法：“一个女孩在咖啡馆看书，氛围很温暖。”

指令式写法：“年轻女性侧坐窗边高脚凳，左手翻书页，右手握陶瓷杯，阳光从左前方45度射入，暖色调，镜头从书架后缓慢横移露出人物，浅景深，35mm胶片质感。”

前者让模型猜，后者让模型执行。

二、豆包视频提示词的基础公式：先选对任务类型

在动笔之前，需要先判断一件事：你要做的是哪种生成任务。Seedance 2.0 支持文本、图片、视频、音频四种输入方式，不同任务类型的提示词句式完全不同。

2.1 任务分类速查

多模态参考的推荐句式需要明确区分参考类型：参考图片中的主体，生成新场景；参考视频中的动作或运镜，迁移到新主体上；参考音频中的音色，用于配音生成。

编辑类任务有一个容易踩的坑：直接用“<视频N>”指代要编辑的视频，不要写“参考<视频N>”，否则模型会把它误判为参考任务，生成一个全新的视频而不是在原视频上修改。

2.2 基础公式的三种写法

如果你只想快速上手，记住这三种句式就够了：

全模态参考：参考<图片1>中的<主体>，生成<场景描述>。例如：“参考图1中的人物面部特征，生成他在雨中撑伞行走的5秒视频。”

编辑视频：严格编辑<视频1>，将其中的<原特征>修改为<新特征>。例如：“严格编辑视频1，将背景从办公室替换为深夜便利店，人物和动作保持不变。”

延长视频：向后延长<视频1>，生成<新动作/场景描述>。例如：“向后延长视频1，人物走出画面后镜头缓慢拉远，露出整条街道的夜景。”

这三种句式的共同逻辑是：先锁定输入素材的角色，再说明你要模型做什么。不要在一条提示词里同时做“参考”和“编辑”两件事，除非你明确使用组合句式的写法。

三、八要素进阶公式：把提示词变成“工程指令”

基础公式解决了“做什么”的问题，进阶公式解决“做得好不好”的问题。

官方推荐的进阶公式是：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。

这八个要素的顺序不是随意的。它对应的是人类导演在片场的思维顺序：先确定演员和动作，再确定环境和光线，最后决定机位和后期风格。豆包制作视频提示词遵循同样的逻辑，模型的理解也会更稳定。

3.1 精准主体：不说“一个人”，说“谁”

“一个人”对模型来说几乎等于零信息。主体描述的精度直接决定画面的一致性——如果主体描述模糊，模型在每一帧里都可能“换人”。

主体定义的三个层级：

第一层是身份锚定：“穿藏青中山装的45岁男性”。第二层是外观细节：“短发，左眉有疤痕，手持金属质感钢笔”。第三层是材质与质感：“羊毛混纺面料，哑光表面，领口微微磨损”。

主体不一定是人。可以是产品、动物、场景、甚至某种抽象概念的可视化。关键是让模型能在“空间层”里唯一确定一个对象。

3.2 动作细节：禁用模糊动词

“在动”是最差的动作描述。“缓慢抬头，鼻尖微抬，左前爪离地约1厘米，颈部肌肉轻微绷紧”——这是有效的动作描述。

动作描述的两个原则：速度可感知（缓慢/匀速/猛然/颤抖着）和幅度可度量（抬手不过肩/转身90度/后退半步）。如果一条动作描述没有速度或幅度信息，模型就会用默认值“填坑”，而默认值通常是最平庸的版本。

3.3 场景环境：用物理参数替代主观感受

“很亮的房间”不如“正午北向窗光，色温5500K，照度300lux，木地板反光率18%”。

当然不需要每次都写得这么极端，但方向是对的：场景描述需要包含空间纵深信息。前景有什么、中景是什么、背景延伸到哪里。模型对“三维感”的理解依赖于层次描述，只说“一个房间”会得到一个扁平的背景板。

3.4 光影色调：决定“质感”的隐形开关

光影是视频提示词里最容易被忽略、但对最终质感影响最大的要素之一。

一个实用的光影描述框架：光源方向 + 色温倾向 + 对比度风格。例如“左侧窗光，暖色调，柔和阴影”或“顶光，冷蓝调，高对比，硬阴影”。

豆包在人物表情和肢体动作上表现较好，但在自然光场景的层次感上仍有提升空间。因此，在提示词中明确光影方向，能部分弥补模型在自然光渲染上的不足。

3.5 镜头运镜：从“动态PPT”到“电影感”的分水岭

这是整个八要素中权重最高的一项。没有运镜描述的提示词，生成结果大概率是固定机位的“会动的照片”。

运镜描述需要覆盖三个维度：景别（特写/中景/全景）、运动方式（推/拉/摇/移/跟/环绕）、速度节奏（缓慢/匀速/加速/手持晃动）。

一个可直接套用的组合写法：“中景，缓慢推轨，镜头从人物背后向面部推进，速度均匀无抖动”。如果想让画面更有张力，可以叠加运镜：“先环绕后推进”或“从极特写拉远至全景”。

3.6 视觉风格：给模型一个“参考坐标系”

“电影感”是一个太宽泛的词。它可能指王家卫的霓虹迷离，也可能指诺兰的冷峻写实，也可能指韦斯·安德森的对称构图。

有效的风格描述需要一个具体的参照物或明确的技术标签。“35mm胶片质感，轻微颗粒，柯达Portra 400色彩倾向”比“电影感”有效得多。“日系清新”比“好看”有效得多。

3.7 画质与约束条件：把结果“收紧”

画质词不是越多越好。堆砌“4K、超清、高清、极致细节”反而可能被模型降权处理。

有效的方式是用正面锚定 + 括号权重。例如：“(人物面部清晰:1.3) + (背景轻微虚化:1.2) + (无运动模糊:1.1)”。权重的写法在不同版本中可能有差异，但原则是一致的：告诉模型什么重要，而不是什么不好。

约束条件包括：禁止变化的元素（“人物服装颜色保持不变”）、技术指标（“输出24fps”）、画面稳定性要求（“无闪烁卡顿”）。

3.8 八要素组合示范

主题：咖啡店产品展示

年轻女性咖啡师，深棕色围裙，白色衬衫卷至肘部，左手持拉花缸，右手稳定咖啡杯把手，动作匀速缓慢。精品咖啡店内吧台场景，前景有半杯拿铁作为虚化遮挡，中景为操作台，背景延伸至木质货架和暖色吊灯。暖色调侧光从右侧射入，色温3200K，柔和阴影。中景，微距跟拍，镜头从杯口特写缓慢拉远至中景，速度均匀。日系纪实风格，35mm胶片质感。画面稳定无抖动，24fps。

这条提示词覆盖了全部八个要素，每个要素都有可执行的具体信息，模型不需要“猜”任何东西。

四、运镜专项：豆包视频提示词的“隐藏杠杆”

运镜是豆包制作视频提示词中投入产出比最高的一个要素。同样一段画面描述，加不加运镜指令，成片质量差距可能是“手机随手拍”和“电影预告片”的距离。

4.1 万能运镜公式

对于不想记忆复杂术语的使用者，可以直接套用这个公式：

[主体描述] + [环境氛围] + [光影风格] + [运镜指令] + [画面质感] + [稳定约束]

以赛车场景为例：

• 主体描述：红色未来概念跑车，流线型车身，极速飞驰，漂移过弯
• 环境氛围：赛博朋克城市雨夜，霓虹灯牌闪烁，地面湿润反光
• 光影风格：蓝紫撞色霓虹光，强烈明暗对比
• 运镜指令：FPV drone shot，Fast tracking shot，Dive down
• 画面质感：电影感，高细节
• 稳定约束：Fluid motion，no flickering

这套组合生成的视频会具有明确的空间运动轨迹和视觉张力，而不是一个“车在动”的静态场景。

4.2 运镜指令的层级化选择

运镜指令不需要写得很长，但必须明确“从哪到哪”和“快还是慢”。两个信息缺一个，模型就会用默认值替代。

4.3 多镜头提示词的写法

当一条视频需要包含多个镜头时，提示词的结构需要从“一段话”变成“分镜表”。

推荐格式：每个镜头一行，包含镜号 + 景别 + 运镜 + 时长 + 内容。

示例：

镜头1 | 特写 | 固定 | 1.5s | 咖啡液从滤纸滴入玻璃杯，慢速旋转
镜头2 | 中景 | 缓慢推轨 | 2s | 咖啡师双手拿起杯子，转身面向镜头
镜头3 | 全景 | 拉远 | 1.5s | 咖啡店全貌，人物坐在窗边，暖色灯光

豆包 Seedance 2.5 支持单段30秒直出和时间戳控制。在提示词中使用时间戳（如“0-5秒：… 5-12秒：…”）可以让模型更精确地分配时长和节奏。

五、多模态参考的提示词策略

当你有参考素材时，提示词的写法需要从“描述一切”转变为“分配角色”。

5.1 素材角色的分配原则

Seedance 2.5 支持最多50个多模态参考素材。素材越多，越需要明确每个素材“负责什么”，否则模型会混淆。

一条清晰的多模态提示词应该包含：

• 主体参考：哪张图提供人物/物体的外观
• 动作参考：哪个视频提供运动轨迹或节奏
• 风格参考：哪张图提供色调和视觉风格
• 音频参考：哪段音频提供音色或配乐

例如：“参考图1中人物的面部和服装，参考视频2中的走路姿态和运镜方式，参考图3的暖色调胶片风格，生成人物在黄昏街道行走的8秒视频。”

如果不说清楚哪个素材对应哪个维度，模型可能会用图3的人脸配上图1的色调，结果就不是你想要的。

5.2 参考图预处理：比“高清”更重要的是“可控”

上传参考图时，高分辨率不一定带来更好的结果。手机随手拍的高清照片可能包含模糊的背景、杂乱的元素、不准确的边缘，模型会优先还原这些“噪声”，而不是你的文字指令。

实操建议：将参考图裁切至主体占画面70%以上，对主体区域做适度锐化，导出为PNG格式。这样处理后的参考图能让模型更准确地识别主体边界。

六、常见误区：为什么提示词写得“对”了，结果还是不对

6.1 语义歧义：模型不是你肚子里的蛔虫

“复古风格”是一个典型的歧义词。它可能指80年代胶片感、50年代美式广告、70年代苏联海报风格。如果你不限定年代和具体视觉特征，模型会选择它训练数据中最常见的那个“复古”。

“轻快音乐”没有指定BPM、乐器和情绪强度，模型也无法准确执行。

修复方法：把模糊修饰语替换为可验证的具体描述。“复古风格”改为“1980年代柯达胶片，暖黄色调，轻微褪色感”。“轻快音乐”改为“钢琴+轻打击乐，BPM 120，大调”。

6.2 负面词堆砌：越说“不要”越容易得到

“不要糊、不要歪、不要丑”——这类负面指令在大多数生成模型中会被降权甚至忽略。模型不擅长“否定理解”，你说“不要糊”，它看到的是“糊”这个概念的激活。

修复方法：把负面表述翻译成正面锚定。“不要糊”改为“清晰锐利的边缘，无运动模糊”。“不要歪”改为“水平构图，主体居中”。

6.3 把剧本当提示词：信息过载反而降低质量

把一段完整的剧本、对白、场景说明全部塞进提示词，模型不仅不会“理解得更好”，反而可能因为信息过载而丢失关键指令。

修复方法：一条提示词只服务一个镜头或一个连续动作段。剧本是给人看的分镜依据，提示词是给模型的执行指令，两者需要分开。

6.4 忽略“不变”的声明

当你在编辑已有视频时，如果不明确说“什么保持不变”，模型可能会“顺便”改掉你没提到的元素。

修复方法：在编辑类提示词中，明确声明“人物服装、面部特征、背景布局保持不变，仅替换XX”。

七、豆包与可灵：提示词策略的差异

理解不同模型对提示词的“偏好”，可以帮助你在豆包上更有针对性地写提示词。

豆包的优势在于人像动作的自然度和生成速度，这意味着在写提示词时，可以把更多精力放在动作细节和运镜节奏上，而不是反复“抽卡”修正面部扭曲。

八、FAQ：关于豆包制作视频提示词的常见疑问

Q1：豆包制作视频提示词写多长比较合适？

没有固定字数限制，但有信息密度的下限。一条有效的提示词通常需要覆盖八要素中的至少五到六个。如果只写了“主体+动作”，生成结果大概率是“能看但不出彩”。建议起步长度在80-150字（中文），确保每个要素都有具体信息。

Q2：Seedance 2.0 和 2.5 的提示词写法有区别吗？

核心公式一致，但2.5在几个方面放宽了限制。2.5支持单段30秒直出，提示词中可以加入时间戳来分配节奏。2.5的参考素材上限从2.0的较低数量提升到50个，多模态提示词可以更复杂。如果你用的是2.0，建议把长视频拆成多条提示词分别生成再拼接。

Q3：为什么加了运镜指令后画面反而更乱了？

通常是运镜描述本身有冲突。“环绕推进”这种组合运镜在短时间内可能超出模型的理解能力。建议单条提示词只使用一种主运镜，组合运镜留给更有经验的场景。另一个常见原因是运镜速度没有指定，模型用了默认的快速运动导致画面模糊。

Q4：上传了参考图，但生成的人物和参考图不像，怎么办？

先检查参考图的预处理。手机原图的背景噪声会干扰主体识别。另外，提示词中需要明确“参考图N中的主体外观”，而不是笼统地说“参考图N”。如果同时提供了多张参考图，每一张都要指定它负责的维度（主体/风格/动作）。

Q5：编辑视频时模型总是改到我没想到的地方，怎么防止？

在编辑类提示词中，养成一个习惯：明确列出“保持不变”的元素。句式模板是：“严格编辑视频N，将[具体元素]修改为[新特征]。以下元素保持不变：[元素A]、[元素B]、[元素C]。” 声明得越具体，模型的“擅自修改”就越少。

Q6：中文提示词和英文提示词，哪个在豆包上效果更好？

豆包对中文的理解是原生级的，Seedance 2.5 原生支持10余种语言。纯中文提示词完全可以达到英文提示词的效果。但在运镜和画质类术语上，英文专业词汇（如 “FPV drone shot”“slow motion”“shallow depth of field”）有时比中文对应词更精确，因为模型训练数据中这些术语的英文标注密度更高。一个实用的做法是：画面描述用中文，运镜和技术术语用英文。

Q7：生成结果的人物在视频中途“变脸”了，提示词能解决吗？

这是长视频生成中的一致性问题。Seedance 2.5 在30秒内的主体一致性有显著提升，但如果你用2.0生成长视频，建议把视频拆成多个5-10秒的片段分别生成，每个片段的主体描述保持完全一致（甚至可以复制粘贴同一段主体描述）。另外，使用参考图锁定主体外观是防止“变脸”最有效的手段。

Q8：有没有“万能提示词模板”可以直接套用？

有一个可迁移的框架，但内容需要根据场景替换。框架如下：

[主体：身份+外观+材质] + [动作：速度+幅度+方向] + [场景：前景+中景+背景+空间纵深] + [光影：光源方向+色温+对比度] + [运镜：景别+运动方式+速度] + [风格：参照物+技术标签] + [画质锚定] + [约束声明]

把这个框架填满，就是一条合格以上水平的豆包制作视频提示词。