提示词设计实战：文生图、视频生成与数字人的稳定可控方案

前阵子帮人做一个线上读书栏目的视觉改版，对方给了句需求：一个“科技感、有温度”的主播形象，出图、出片、还要能开口说话。我那会儿文生图已经用了一段时间，自认提示词水平不算差，结果第一版生成出来，主播的五根手指直接长成了一朵花，背景霓虹灯像泼了油漆。从那以后我才认真把提示词设计当成一门手艺来练。这篇文章就围绕文生图、视频生成和数字人生成三件事，把提示词到底该怎么设计、怎么调试、怎么避免反复翻车，完整讲一遍。适合正在和提示词较劲、想让画面更可控的创作者和产品同学。

1. 提示词的本质：你不是在写关键词，而是在给一个看不见的团队写分镜

1.1 先弄清楚生成模型是怎么理解句子的

很多人把提示词当成“搜索关键词”来用，觉得把相关词都丢进去，模型总该懂。实际上，生成模型看到一句话时，做的是分词、映射语义向量、再根据向量分布去还原视觉特征。它不是“读”你的句子，而是把每个词转成一团高维空间里的位置关系。

打个比方：你带了一个阅图无数、但完全没有生活常识的天才助手。你跟他说“潮湿的柏油路面”，他不会想起某条具体的路，但会调用“深灰色、有反光、积水、倒影、阴天”这一串视觉特征。提示词的本质，就是把你想表达的画面，翻译成模型容易还原的可见特征清单。

这也是为什么“氛围感”“高级感”这类抽象词经常失灵。模型不是没有“高级感”的概念，而是这个概念在不同训练数据里被绑定到了完全不同的画面。与其写“高级感”，不如写“深色背景、单一主光源、大面积的阴影、低饱和色调”，后者每一句都能对应到具体的像素分布。

• 抽象描述 = 给模型一个模糊的方向
• 具象描述 = 给模型一组可执行的画面指令
• 可测量、可对照的描述 = 调试时才知道哪一步偏了

所以我后来写提示词，默认把它当成“分镜脚本”来写。谁在画面里、在什么地方、什么光线、什么构图、什么状态，五个问题回答清楚，画面就基本立住了。这个思路，无论文生图还是视频数字人，都一样适用。

1.2 三个最常见的误解：词越多、越像搜索、越爱用否定

第一个误解是“词越多越精确”。我见过有人写提示词，一口气堆了二十多个名词：绝美、精致、生机、光影交错、色彩丰富、梦幻……加了这么多形容词，画面反而越来越乱。原因是多个强语义词会互相竞争，模型只能一个个折中，最后每个特征都只分到一点权重，主角被稀释得干干净净。

第二个误解是“像搜索一样写关键词”。搜索引擎喜欢高区分度的索引词，但文生图需要的是场景化描述。你写“美女、时尚、美丽、精致”，模型会按照它的刻板印象生成一个“时尚美女”通用模板；你写“一个穿浅杏色风衣的短发女生，站在路灯下，风衣下摆被晚风掀起，霓虹灯光在脸上形成蓝红分界”，画面才可能真正往你心里那个方向走。

第三个误解是“否定句一定有效”。很多模型对“不要”“没有”这类否定词的处理并不稳定。你写“不要模糊、不要杂乱背景”，模型偶尔会把“模糊”当作一种风格来强化，反而越生成越糊。更可靠的做法是直接描述你想要的替代物：想要干净背景，就写“纯色墙面背景”；想要人物清晰，就写“人物五官锐利对焦准确”。

所以这几年我养成了一个习惯：写完提示词后先按顺序读一遍，凡是抽象形容词超过三个，先删掉一半；凡是带“不要”的句子，全部改写成“是什么”；凡是无法转换成视觉特征的词，直接替换。这个操作比任何技巧都管用。

1.3 同样一句话，换个模型结果天差地别

同一个提示词，在A模型里能出大片，在B模型里简直没法看。这不是玄学，而是不同模型的文本编码器、训练集分布、底层架构导致的理解差异。

比如“赛博朋克”这个词，有的模型理解成霓虹闪烁的未来城市，有的理解成满身机械改造的义体人，还有的理解成阴雨连绵的香港街巷。你要做的不是抱怨模型笨，而是花十几分钟做一次“方向侦察”：把核心提示词固定住，只改风格词，用低步数批量生成几张小样，看哪个方向对味，再正式往下调。

我自己的做法是在固定提示词开头加一个“测试锚点”，比如“一位穿深蓝工装服的老人，坐在夜晚的小吃摊前”，然后分别用五个风格词去测。测完就能知道这个模型的“审美偏科”在哪。后续所有提示词都绕着它的强项走，效率会高很多。

2. 文生图提示词的结构化打包法：从直觉描述到五要素清单

2.1 一个提示词从废稿到成稿的完整演进

先看一个真实的废稿。我最初给上文那个主播角色写的是：“一个科技感的女主播，蓝色头发，未来城市背景，灯光炫酷。”生成结果堪称灾难。这个提示词最大的问题，是没有一句话能对应到画面里的具体位置。

后来我把它改成：

傍晚时分，老旧居民楼天台，穿白衬衫的短发女生背对镜头站在水泥护栏边，双手撑在栏杆上，远处城市高楼亮起暖黄色与粉色霓虹灯，天空呈现深蓝到橘红的渐变，起风了，她的发梢和衬衫衣角微微飘起，构图采用三分法，机位在她左后方低角度仰拍，浅景深，背景光斑虚化，风格参考80年代胶片摄影，色调偏暖，带颗粒感。

这版生出来的画面，基本就是我要的样子。区别在哪里？废稿写的是“概念”，成稿写的是“状态”。第一句明确了时间（傍晚）和地点（老居民楼天台）；第二句明确了人物位置和姿态；第三句明确了环境里光的颜色；第四句给了动态线索；最后补上构图和风格。整段话按“先固定大场景、再放人物、再给光线、再给动态、最后定风格”的顺序展开，模型每一步都知道该往哪里安放信息。

2.2 五要素逐个拆：主体、环境、光线、构图、风格

我把一套可复用的结构叫“五要素打包法”：主体、环境、光线、构图、风格。每一类只写最必要的信息，写的时候按顺序排进提示词。

主体是第一优先级。别只写“一个女生”，要写清楚大概年龄段、发型、服装、姿势、所处状态。模型对“特征”的还原能力很强，但你需要给它“可以数得出来的特征”。比如“28岁左右，黑直齐肩发，戴细框眼镜，墨绿色针织开衫，左手自然垂在身侧，右手举着一本书”，可数特征越多，人物越稳定。

环境是第二大优先级。没有环境描述时，模型会用训练数据里出现频率最高的背景来填空，结果就是千篇一律。写环境要分前后层次：远景给什么，中景给什么，近景给什么。比如“夜晚的书房，台灯暖光，书架虚化成背景，前景桌面放着一杯冒热气的水”，画面层次立刻就不一样。

光线经常被忽略，但它是决定画面质感的隐藏主力。同样一个人物，顺光和侧逆光是完全不同的情绪。我一般写光线会写方向、色温、强弱：“左侧45度暖光为主光，窗外冷色月光作为环境补光，影子拉向画面右侧”。

构图是给模型定取景范围。相当于告诉它用什么镜头、从哪个角度拍。常见写法包括：“三分法构图”“低角度仰拍”“平视视角”“中景半身肖像”“背景大面积留白”。写构图要简单直接，模型对专业摄影词的学习比较充分，但别堆太多镜头词，一个主构图词加一个机位词就够。

风格放在最后。一个主风格词，加一两个质感词，是最稳的组合。比如“写实摄影风格，浅景深，细腻胶片颗粒感”。风格词写太多，会互相打架，主体反而容易被风格化得面目全非。

2.3 负面提示词和权重：让画面干净的两把刷子

负面提示词是保证画面质量的保险丝。但我见过很多人把负面词写成小作文，塞进一堆和画面无关的道德项。说实话，模型对“不要低俗”“不要违法”这类词基本无感，它需要的是具体的视觉排除项。

实用的负面词优先级大概是：解剖结构问题（多余手指、畸形手指、身体扭曲、眼睛不对称），像素质量问题（模糊、低分辨率、重影、噪点过多），画面干扰项（水印、文字、边框、签名）。按这个优先级从高到低写，负面提示词才有效果。

权重也是一个关键技巧。同一个模型里，提示词的位置越靠前，影响力越大；部分模型支持（）增强、[]减弱、数字权重。比如“（白衬衫：1.2）”表示稍微强化白衬衫的特征。但权重不是越多越好。一段提示词里超过四分之一都带权重，模型会进入一种“过度应激”状态，画面像用力过猛的调色盘。正确的用法是：只给最核心的主体特征和光线加权重，其余保持自然。

（这里必须注意：权重语法在不同模型里不通用，有些商业平台走的是另一套符号系统。动手前先查一下你用的工具支持哪种，别照搬别处的攻略。）

2.4 参数是提示词的另一张嘴：宽高比、采样步数、CFG与种子

提示词写得好，只是成功了一半。另一半在参数里。宽高比直接影响构图逻辑：竖图适合人像和短视频封面，横图适合环境叙事和横屏视频。同样是“女生站在天台”，3:2横画幅会自然带出更多环境，2:3竖画幅会把焦点挤在人物身上。

采样步数决定细节收敛程度。步数太少，画面像半成品，皮肤和纹理都没稳定下来；步数太多，大部分模型在二十步以后就没有明显变化了，只会徒增渲染时间。我常用的区间是28到35步，够用且不太慢。

CFG参数控制的是模型对提示词的跟随强度。CFG调到很高，画面会“过度听指令”，出现锐化过度、塑料感、色彩过饱和；CFG太低，画面会漂移，主体和提示词逐渐脱节。一个相对稳的起点是7到9，再根据画面表现上下调整。种子值则是用来复现和比对的锚点。同一组提示词，固定种子后微调某个词，才能看出“哪个词真正改变了画面”。

提示词和参数是组合拳。比如一个画面老是糊，可能是步数不够，也可能是负面词里缺了“清晰锐化”相关项，还可能CFG太高导致过曝。排查的时候不要只改提示词，要提示词和参数一起调，才能定位问题。

3. 视频与数字人：提示词从画一幅画升级为导一场戏

3.1 多了一个时间轴，提示词逻辑全变了

文生图的提示词只需要描述“一帧画面”，视频和数字人生成则必须在时间轴上安排事件的先后顺序。这一变，提示词的写法完全不一样。

静态提示词是清单式的，所有要素平铺开，靠位置和权重区分主次。视频提示词是时序式的，模型需要判断哪些是持续存在的背景，哪些是后来发生的动作，哪些是一直在保持、不能变的状态。如果像写静态图那样把所有动作词平铺，模型会把它们平均分配到每一帧，结果就是画面里所有东西都在同步移动，风在吹、灯在闪、人在走、背景也在飘，像失了控的舞台。

我的经验是，视频提示词要按“开场状态，持续元素，核心动作，动作结束后的状态”四个层次来组织。开场状态决定画面的第一帧，持续元素决定哪些东西始终存在（比如路灯的暖光、远处的车流），核心动作是时间轴上的主角，结束状态则告诉模型最后画面停在什么位置。

3.2 给视频写提示词：分镜感与运动词组织

视频提示词最核心的能力是“分镜感”。同一段内容，如果你希望镜头先拍人物背影，再缓缓转过来，那提示词就不能只是“一个人物回头看镜头”，而要拆成两个时间的推进：“镜头从人物背面缓慢环绕至侧面，人物转头看向镜头，背景灯光持续闪烁”。

镜头运动词的准确度直接影响成片观感。推、拉、摇、移、跟、升降、环绕，这几类基础运动词值得熟练掌握。写的时候最好带上速度和幅度：“缓慢推近”“快速横移”“镜头从全景缓慢下摇至半身”，模型对运动词汇的理解已经比较成熟，但一定要同时限定“哪些物体不要动”。比如“人物保持站立，仅衣角随风飘动，背景灯光缓慢闪烁，镜头稳定推近”，这样模型才知道运动的边界在哪。

另外一个常被忽略的点：视频提示词里的动作不要同时给太多。一段15秒的视频，能讲清楚一个核心动作和一个次级动态就够了。比如“她低头翻书，然后抬头看向镜头”，这已经是两个动作节点了。如果你再塞进“同时窗外有雨滴滑落，桌上的猫跳了下来，灯忽明忽暗”，模型很容易只抓其中某个动作放大，其他全部敷衍处理。动作越多，翻车概率越大。

3.3 数字人提示词：人设小传、表演指令和台词三者合体

数字人比普通视频又多了一层：它要开口说话，要有表情反应，外形还得稳定得像一个“真人演员”。所以数字人提示词实际上是把三份文档合在一起：人设小传、表演指令、台词文本。

人设小传回答“这个人是谁”：身份、年龄段、职业、性格底色、声线语气、外形特征。越具体越好，因为这决定了模型渲染角色时的基膜。比如“一个30岁左右、气质温和的女性主播，黑色齐肩发，戴细框眼镜，穿墨绿色针织开衫，声音轻柔，语速中等偏慢”。

表演指令回答“此刻她在干嘛”：情绪基调、目光方向、手势动作、微表情。比如“情绪平和，微笑，开场时直视镜头，说到书名时目光微微转向右侧，再回看镜头，双手自然放在桌面，右手偶尔翻动书页”。

台词文本则要单独处理。数字人的口型同步对短句更敏感，长句、复合句容易让口型漂移。把台词拆成短句，用标点分出停顿，模型能更好地规划口型变化。如果台词里有很多抽象名词，可以在表演指令里额外标注强调位置，比如“读到‘夜晚’两个字时，放慢语速”。

数字人的“性格词”也不能省。冷静、亲和、活泼，这几个词对动作幅度的影响非常明显。性格设定为“活泼”，模型会自动加大手势和表情幅度；设定为“冷静”，动作会收敛，面部肌肉也更克制。设定人设时把性格和动作幅度绑定，相当于给模型预设了表演坐标系。

3.4 一致性维护：让同一个角色在多个镜头里不“换脸”

数字人项目最头疼的问题是角色跨镜头漂移。同一个主播，上一镜头还是齐肩发，下一镜头头发就变成了披肩发；刚才穿的是墨绿色开衫，换到室内景就变成了蓝色毛衣。这不是模型抽风，而是你写提示词的时候，把角色的“身份ID”改动了。

我的解决方案是，把外形特征单独做成一段“身份ID段落”，放在每个镜头的提示词最前面。这段文字在任何镜头里原样复制，不增删、不换词。比如“X-1，28岁女性，黑色齐肩直发，细框眼镜，墨绿色针织开衫，皮肤自然白皙，面容温和”，这一段就是一个角色锚点。之后所有变的是场景、光线、动作，但这段字始终不变。

如果平台支持参考图或固定种子，一定要用。参考图是最直接的锚点，能把模型按在同一个造型里。固定种子则适合在微调提示词时确保构图和造型不漂移。两个技巧同时用，跨镜头的稳定性会明显提高。

还有一个小技巧：身份ID段落里只放“可见特征”，不放“性格判断”。你写“看起来很温柔”，模型会对温柔有不同的视觉理解；你写“眉眼间距宽，嘴角自然上扬，颧骨柔和”，模型即使不理解温柔，也能还原出温柔的脸。所有品质类词汇，尽量转换成可看见的五官描述和姿态描述。

4. 实战复盘：从静态形象图到数字人出镜的完整调试链

4.1 需求的起点：给一个夜读栏目做虚拟主持人

当时的需求很明确：某线上读书栏目需要一个虚拟主持人，要先出一张静态形象海报，再生成一段15秒的开场视频，最后是能够做简短播报的数字人出镜。整个链路都是生成式的，没有实拍。我把这个角色代号定为X-1。

第一版提示词是人设层和场景层混着写：“一个科技感的女主播，蓝色头发，未来城市背景，灯光炫酷，欢迎来到夜读。”生成出来人物眼睛各异，手指数不对，背景元素四处乱飞，连“欢迎来到夜读”的文字提示都被模型写成了乱码标题。问题出在我把太多的抽象概念（科技感、炫酷）和太少的可见特征同时给了模型。

这个阶段我意识到，数字人项目的第一步不是写提示词，而是先把角色设定书做出来。外形、年龄、性格、语气、习惯动作、常用场景。设定书写完，再动手写提示词。

4.2 静态形象图调试：五要素怎么落地

在静态图阶段，我把X-1的五要素清单逐项列出来：

• 主体：28岁左右，黑色齐肩发，眉眼温和，戴细框眼镜，穿墨绿色针织开衫
• 环境：夜晚书房，台灯暖光，书架和绿植虚化背景
• 光线：左侧45度台灯暖光为主光，窗外清冷月光作为环境光，明暗层次明显
• 构图：半身肖像，中景，平视偏上视角，浅景深
• 风格：写实摄影倾向，电影感调色，画面干净

负面提示词固定为：手部畸形、多余手指、牙齿畸形、文字、水印、过曝、低分辨率。参数用3:4竖构图，采样步数28，CFG 7，固定种子。

生成结果比第一版稳定太多。X-1的五官、服装、背景都控住了，唯一的小问题是一只手看起来有些僵硬。我没改提示词，只把种子中那张图挑出来再加大生成张数，选到满意的一张。这个阶段的经验是：主体特征按顺序排列，模型会自然把它们当作角色的“身份ID”来记忆，后面加场景和风格，角色都能稳住。

4.3 15秒视频的分镜拆解：时间轴上的提示词

第二段任务是把静态形象变成动态视频。台词拆成三句：“大家好，欢迎来到夜读，我是X-1。今晚我们一起读《瓦尔登湖》。”我把整段视频拆成三个分镜。

分镜一：中景，她在书桌前抬头看向镜头，微笑，镜头稳定，背景书房灯光柔和。分镜二：镜头缓慢推近，她开口说话，右手自然轻翻书页。分镜三：近景，她眼神微微从镜头移向书页，再回到镜头，嘴角保持微笑，语速放慢。

提示词按这样组织后，画面主体稳定了，但出现了一个新问题：说话时口型对不上。原因在台词文本本身——长句连在一起，模型在分句处没有停顿依据。解决方式是把台词文本重新排版成短句，加逗号、句号和语气停顿标记，并且在表演指令里明确“句与句之间留半秒停顿”。这版调整过后，口型基本能跟上了。

4.4 数字人出镜：给表演加“情绪标点”

最后一步是数字人出镜播报。我在视频提示词基础上，额外增加了一整套表演指令。情绪基调：“安静、略带笑意”。目光路径：“开场直视镜头，说到书名时目光微微转向右上，再回看镜头”。微表情：“提到‘夜晚’时轻轻眨眼”。动作幅度：“双手自然放桌面，只有右手偶尔翻书页，整体动作幅度小”。语速：“中等偏慢，句间停顿约0.5秒”。

加上这些“情绪标点”后，数字人不再像在背课文，而是像一个真的在主持的人。整个调试过程中我保留了每一版提示词和种子，前后一共跑了四十多个版本。我不是说四十这个数字很重要，而是想说明：数字人项目的提示词调试，本质上是一个寻找稳定锚点的过程。每多一次对照试验，你对这个模型的手感就准一分。

5. 高频翻车点与排查清单：把提示词玄学变成可控工程

5.1 四个反复踩的坑，以及对应的处理方式

第一个坑，是主体被风格词淹没。我试过把“水墨画风格”放在提示词最前面，结果人物也变成了水墨质感，五官都是晕开的。后来才明白，风格词的权重压过了主体词。解决办法是调整顺序：主体描述放最前，风格词放最后；如果风格词特别强，还要给主体特征加一点权重，把主体“钉”住。

第二个坑，是负面提示词里写无效废话。“不要商业版权问题”“不要广告”这类词对视觉生成毫无帮助。负面提示词要写视觉可识别的对象：“模糊、双重曝光、文字、水印、低分辨率、畸形手指”。模型能理解的，只有这些能在像素层面被辨识的特征。

第三个坑，是视频提示词里的平行动作混在一起。比如“她举起咖啡杯，窗帘浮动，窗外有鸟飞过”，模型往往只pick两个动势最大的来处理。解决方法是把“同时发生的事”和“依次发生的事”分开：同一时刻最多保留一个核心动作、一个次级动态，其余写成静态背景。

第四个坑，是数字人换场景后的形象漂移。之前我把X-1从书房换到户外夜景，为了更好地匹配夜景，顺手把“墨绿色开衫”改成“深色外套”，结果整个人的脸型和气质也跟着变了。后来我固定身份ID段落，任何场景修改都不再改动外形描述，只在ID后面补充环境词和灯光词，问题马上缓解。

5.2 一个三步定位问题的排查流程

提示词出现问题，最快的方式不是盲调，而是做减法。我用的排查流程分三步。

第一步，极简测试。只保留“主体描述+核心状态”，其他全删，出几张看模型的基础能力能不能达标。这步能排除风格词、环境词掩盖的底层问题。如果极简版都翻车，说明主体描述本身没有转换成模型能识别的特征，要去细化主体。

第二步，逐项加码。把环境、光线、构图一层层加回去，每加一个维度就生成一次对照图。重点看哪些词带来什么变化。比如加“夜晚书房”后画面明显偏暗，可能不是环境词的问题，而是光线词缺失导致模型用默认夜光。这时候补一个“台灯暖光”就行。

第三步，风格与表演微调。风格词、性格词、运动词属于最敏感的变量，每调整一个都要和上一版对照。这一步最耗时，但也最值得记录。记录时把提示词全文、参数、种子、效果评分一并存档，下次遇到类似需求直接取用，不用再从零开始踩坑。

这整套流程执行下来，单次调试成本大约能压缩三分之一。更重要的是，它让“提示词不好使”从一个玄学问题，变成了可复现的工程问题。

5.3 建立自己的提示词模板库与版本管理习惯

提示词设计走到最后，拼的是沉淀能力。审美和词汇量当然重要，但没有自己的模板库，每次都在临场发挥，效率和稳定性都会大打折扣。

我现在每个项目都建一张电子表格，字段包括：项目名、任务类型（文生图/视频/数字人）、正向提示词全文、负面提示词、参数预设、种子值、效果评分、踩坑记录。慢慢攒下来，就有了属于自己的风格词表、光线词表、镜头词表、数字人身份ID模板。做同类项目时，直接复制基础模板，再针对需求替换环境词和风格词，十分钟就能出一版初稿。

版本管理还有个额外的好处：它逼着你把每一次调整的前因后果都想清楚。你在哪一步加的“蝴蝶光”，结果画面鼻子阴影太硬，那下一步你就知道要么改光位，要么降权重。这种颗粒级的复盘，比盲目抽卡式生成有意思得多。

最后再分享一个小习惯：每次拿到一个新的生成平台，我都先用同一个“测试锚点”提示词跑一遍流程。一个固定的提示词，在不同参数、不同负面词、不同风格词下的表现，就是这一版模型的能力地图。这张地图可以帮助我判断哪些技巧能沿用，哪些需要重学。提示词设计不是背出什么万能公式，而是理解你面前这个模型“怎么看待语言”，再用它听得懂的方式把画面描述清楚。这个思路本身，比任何一款热门工具的变化周期都要持久。