动作提示词别乱写：给 Wan2.2-Animate 写"动作指令"的 18 个实用套路
【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14B
Wan-Animate-2 是阿里通义实验室开源的端到端角色动画框架，模型权重（Wan2.2-Animate-2-14B）以 Apache 2.0 协议发布。和"输入一句话就生成一段舞蹈"的通用视频生成模型不同，它的核心设计是直接消费驱动视频：参考图提供外观，驱动视频提供动作，文本提示词负责外观描述、动作锚点与机位控制。仓库里 README.md 的 Introduction 写得很清楚——框架通过重新设计的 Diffusion Transformer 直接吃进驱动视频，彻底移除了中间运动提取器，并额外引入文本驱动的视角控制，把输出机位与驱动视频解耦。
这意味着一个很多人没意识到的真相：动作不是"写"出来的，是"喂"进去的。提示词里堆再多"跳舞、挥手、转身"，也创造不出动作；真正决定动作上限的是驱动视频，而文本提示词是在做"锚定、对齐、再创作"。不理解这个分工，就会陷入"提示词越写越长，画面越来越崩"的循环。
本文基于仓库源码与官方推理配置，拆解动作提示词的四要素骨架，给出 18 个可直接套用的写法，以及一套从"崩坏"到"可用"的迭代心法。
一、为什么你的"动作指令"总在崩坏：先读懂输入分工
Wan-Animate-2 的推理入口（见 README.md 的 Quick Start）有三个关键输入：
--refer-img-file：参考图，锁定人物外观；--refer-video-file：驱动视频，提供全部动作；--prompt：文本提示词，与--prompt-ref（官方默认值"人物动作的参考视频"）一起构成语义上下文。
仓库配套模型目录也印证了这一分工：videomodel/Wan-AI/下同时挂载了umt5-xxl文本编码器、xlm-roberta-largeCLIP 文本侧、vae.pth与models_t5_umt5-xxl-enc-bf16.pth。注意umt5-xxl的text_len为 512，意味着提示词上下文是有限且宝贵的——写得越碎，锚定越弱。
由此得到三条铁律：
- 外观段禁用动作词。官方在 README.md 中给出了一个必须先做的步骤：用 LLM（如 Qwen3.7-Plus）按固定范式生成图片描述，范式明确要求"人物外观描述，不描述动作行为；背景描述，忽略主观评价和情绪推测"。外观段掺入动作词，会让模型在参考图与文本之间产生冲突信号。
- 动作靠"驱动视频 + 动作锚点文本"双通道。动作细节由视频给，文本只需做语义锚定——告诉模型"这段视频里的人在做什么动作、什么节奏、什么幅度"。
- 机位是文本唯一能"凭空创造"的维度。官方框架支持文本驱动的视角控制，把输出相机视角从驱动视频中解耦，这是提示词最能出彩的地方。
二、动作提示词的骨架：动词 + 幅度 + 节奏 + 镜头
任何一条动作指令，都可以拆成四个槽位，缺哪个补哪个，多则删：
| 要素 | 作用 | 词库示例 | 常见错误 |
|---|---|---|---|
| 动词 | 定义动作本体 | 跳、转、挥、走、击掌、鞠躬、推门 | 用"做动作""表现力强"等空词 |
| 幅度 | 定义位移与力度 | 轻微、中幅、大幅度、挥至头顶、转身 90° | 只写形容词不给参照物 |
| 节奏 | 定义时间分布 | 匀速、急促、先慢后快、结尾定格、顿挫 | 节奏词与视频帧率不匹配 |
| 镜头 | 定义机位与运动 | 正面、侧面、俯拍、缓慢推近、环绕、静止机位 | 抽象词："更有电影感" |
一个完整的动作锚点长这样：
人物正在跳一支完整的爵士舞，步伐中幅，先慢后快，正面机位，缓慢推近。
它同时填满了四个槽位，且主语明确（人物）、时态明确（正在）、动作单一（一支舞）。
三、18 个实用套路
以下套路按五个场景分组，编号即套路名，可直接复制修改。
组一：把外观和动作拆开写（1–4）
套路 1｜官方 LLM 画像范式生成外观段。直接复用 README.md 给出的提示词，让 LLM 输出"人物外观描述 + 背景描述"两段式画像。注意它明令禁止描述动作，这正是为了把文本通道的职责收敛到外观上。
套路 2｜升级 prompt_ref，把默认锚点改成具体动作名。推理脚本中--prompt-ref的默认值是"人物动作的参考视频"，这是一个弱锚点。把它升级为"视频中人物正在跳一支完整的爵士舞，步伐中幅"，等于提前告诉模型"参考视频的动作语义是什么"，对齐成本大幅下降。
套路 3｜动作锚点用"现在时态 + 完整动作名"。写"人物正在做 X"，不要写"人物好像/似乎在/应该在做 X"。模型对确定性陈述的跟随远好于推测性语言。
套路 4｜一句话只装一个动作，主谓宾完整。"谁 + 做什么 + 幅度/方向"是标准句式。多条动作请拆成多轮生成或用分句隔开，切忌一句里塞三个动作。
组二：动作动词的细化（5–9）
套路 5｜动词加类别限定。"跳舞"升级为"跳一支完整的爵士舞"，"挥手"升级为"举起右手向镜头挥手致意"。动作类型越具体，与驱动视频的匹配检查越容易。
套路 6｜幅度给参照物。"大幅度挥手"不如"手臂挥至头顶"或"手臂从身体侧面摆至正上方"可执行。角度、肢体位置、位移方向都是好参照物。
套路 7｜部位定向。动作指定到部位："右手握拳、左手自然下垂""腰部带动身体向左转"。部位词能显著减少肢体错位类崩坏。
套路 8｜方向与轨迹。"向右转身 90°""向镜头走近两步""绕圈一周"。方向词要可验证——生成后逐帧看轨迹是否符合描述。
套路 9｜空间交互动作。"坐下""推开门""拿起桌上的水杯""与同伴击掌"。交互动作比孤立动作更容易产出物理上合理的画面，因为空间约束会倒逼模型保持体态一致性。
组三：节奏与时序（10–12）
套路 10｜节奏词控制时间分布。"匀速、缓急交替、先慢后快、结尾定格"这类词会改变动作在时间轴上的能量分配，适合把驱动视频的平淡节奏"重新演绎"。
套路 11｜记住帧数与帧率预算。仓库推理配置中默认frame_num为 37、sample_fps为 16，演示脚本默认clip_len=81、fps=24。短片段下，"一个动作"的可控性远高于"一段完整剧情"——节奏词必须与片段时长匹配。
套路 12｜微动作与表情收尾。"眨眼、嘴角上扬、轻微点头"这类微动作放在动作描述末尾，作为体态细节的补充锚点，能显著提升"活人感"。
组四：机位与镜头（13–15）
套路 13｜机位词用确定性坐标。"正面、侧面、斜 45°、俯拍、仰拍"比"有电影感"有效得多。这正是 Wan-Animate-2 文本驱动视角控制的主场：机位可以脱离驱动视频自由指定。
套路 14｜镜头运动单独成句。"静止机位""缓慢推近""环绕人物一周""跟拍人物移动"。镜头运动与人物动作是两条独立通道，分开写、分开验证。
套路 15｜写清人物-环境关系。"坐在沙发上""站在落地窗前""面向观众"。关系词同时锚定了空间位置与朝向，能减少"人物悬浮""朝向漂移"类问题。
组五：多人、负面与参数（16–18）
套路 16｜多人动作对齐句式。官方支持单人驱动到多人、多人到多人的动画范式。写清主从关系："所有人同步做同一动作"或"主角做动作 X，配角做出反应 Y"。多人同框时每增加一个人物，动作锚点就少写一层细节。
套路 17｜负面提示词直接复用官方清单并加动作项。仓库内置的负向提示词覆盖了"静态、静止不动的画面、形态畸形的肢体、手指融合、倒着走"等（见推理配置中的sample_neg_prompt），生成时可整体复用，并针对动作场景追加"动作僵硬、肢体错位、鬼影、关节扭曲"。
套路 18｜参数与提示词要配套调。Base 版默认 40 步、sample_guide_scale=3.0；蒸馏版只需 10 步、guidance_scale=1.0、flow_solver="euler"（见 README.md 的 Diffusers 推理示例）。CFG 越强，文本对动作的"拽"得越狠；蒸馏版 CFG 近乎为零，文本更像是"描述者"而非"控制者"——同样的提示词，在两套参数下表现不同，迭代时先锁定参数再改词。
四、从崩坏到可用：一套可复现的迭代流程
把常见崩坏现象做成诊断表，对号入座，只改该改的：
| 崩坏现象 | 根因 | 处方 |
|---|---|---|
| 动作几乎不动或幅度极小 | 驱动视频本身动作幅度小 | 换驱动视频，不要改提示词 |
| 人物不像、外观漂移 | 外观段混入动作词/机位词 | 用官方 LLM 范式重写外观段 |
| 肢体扭曲、多手多腿 | 动作锚点过载（多动作+多部位+多人） | 拆成单一动作、单角色 |
| 机位不听指挥 | 机位词太抽象 | 换成确定性机位坐标词 |
| 画面糊、有鬼影 | 未挂负面提示词 | 复用官方负向词清单 |
| 动作与描述对不上 | 文本锚点与驱动视频冲突 | 让 prompt_ref 与视频内容完全一致 |
迭代的核心纪律是单变量法：固定随机种子（--seed从 -1 改为固定值），每次只改一个要素（动词、幅度、节奏、机位、负面词中的一项），输出对比后决定保留还是回退。种子固定后，任何画面差异都可以归因到提示词改动上，这是从"玄学调参"走向"工程调参"的关键一步。
再叠加一条双通道对齐检查：因为动作主体来自驱动视频，先确认视频本身动作符合预期，再检查文本锚点是否与视频语义一致。文本与视频打架，是大部分崩坏的真正来源——不是模型不行，是两条输入通道互相矛盾。
最后给一个可复用的完整工作流：① 用官方 LLM 范式生成外观段（只描外观与背景）→ ② 人工写动作锚点段（动词+幅度+节奏，单动作单句）→ ③ 追加机位段（确定性机位词+镜头运动）→ ④ 挂上官方负面清单 → ⑤ 固定种子，单变量迭代三到五轮。这一套流程跑下来，Wan2.2-Animate 的输出稳定性会有质的提升——前提始终是那句被低估的话：动作质量的上限，由驱动视频决定；提示词的职责，是把这条上限准确地翻译给模型。
【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14B
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
