通义万相文生视频prompt必须包含五维模块：主体、场景、动作、镜头语言、风格质感；多镜头需时间戳切片与转场指令；须注入听觉/触觉/温度感官锚点；可反推竞品参数；复杂运镜宜用图生视频+精修两阶段链式指令。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
一、基础指令结构拆解
Prompt必须包含五个不可省略的语义模块，缺失任一模块将导致生成画面失焦或动作缺失。该结构是通义万相文生视频引擎解析文本意图的核心识别路径。
1、明确指定主体：使用具象名词+修饰词组合，例如“穿靛蓝工装裤的短发女性”，禁用“一个人”“某个角色”等模糊指代。
2、锁定场景环境：需包含空间属性与光线特征，例如“午后斜射光穿透老式玻璃窗，在水泥地面投下菱形光斑”，避免仅写“在房间里”。
3、定义动态动作：动词必须带路径、节奏与物理反馈，例如“指尖快速滑过黑胶唱片边缘，激起细微灰尘在光柱中螺旋上升”，禁用“正在操作”“做动作”等抽象表达。
4、嵌入镜头语言：强制声明景别、运动方式与焦点逻辑，例如“低角度仰拍，镜头随人物抬手同步上移，焦点从手腕青筋渐移至瞳孔反光”。
5、固化风格/质感：须绑定可验证的视觉参照系，例如“胶片颗粒感+柯达Portra 400色谱，暗部保留紫灰过渡”，不接受“高清”“唯美”等主观形容词。
二、分镜级指令强化法
当需生成多镜头连续视频时，单条Prompt无法承载运镜逻辑与节奏控制，必须采用时间锚点切片指令。该方法直接对应剪辑时间轴，规避AI对“先后顺序”的语义误判。
1、在Prompt开头声明时长约束：“生成总时长5秒的短视频，严格按以下三段式节奏执行”。
2、用时间戳分隔镜头单元：每段以“【0.0–1.8s】”格式起始，后接该时段完整五维参数，例如“【0.0–1.8s】主体：铜制齿轮特写；场景：蒸汽朋克工作台，背景齿轮组缓慢咬合；动作：中心齿轮逆时针旋转37度，齿隙间迸出细小金红色火花；镜头语言：微距固定镜头，焦点随火花轨迹跳变；风格/质感：黄铜氧化质感+动态模糊强度12%”。
3、段间添加转场指令：在时间戳之间插入“硬切至”“叠化过渡至”“镜头旋转180度后接”等影视术语，禁止使用“然后”“接着”等自然语言连接词。
三、感官锚点注入指令
纯视觉描述易导致AI忽略画面情绪张力，必须通过可测量的感官信号触发模型调用多模态训练权重，使生成结果具备生理唤醒力。
1、绑定听觉帧同步：在动作描述后追加“同步响起金属刮擦声（频率210Hz，衰减时长0.3秒）”，确保声音事件与画面关键帧精准对齐。
2、植入触觉反馈词：在主体接触场景时嵌入物理响应，例如“手掌按压苔藓覆盖的石碑，表层绒毛向压力方向倒伏，露出下方青灰色基岩”。
3、激活温度感知维度：在光线描述中加入热辐射提示，例如“正午阳光直射陶罐表面，釉层出现肉眼可见的热浪扭曲波纹”。
四、竞品反推指令法
当目标风格已存在成熟样本时，可绕过抽象风格描述，直接以高质量视频文案为输入源，驱动千问进行结构逆向建模，提取其高传播性参数组合。
1、获取竞品视频的文字转录稿，截取前3秒强钩子片段，例如“（画面：生锈扳手突然砸向镜头）滋啦——哐！”。
2、在千问中输入：“以下是一段爆款工业风短视频开头文案：[粘贴上述文案]。请提取其镜头冲击力来源的三项技术参数：①主体突入画面的物理速度值（单位：像素/帧）②声音事件与画面碰撞帧的时间差（单位：毫秒）③背景虚化梯度（F值区间）”。
3、将返回的参数数值直接代入新Prompt对应模块，例如将“F1.4–F2.0”写入镜头语言字段，“时间差87ms”转化为“扳手边缘抵达画面中心线前87毫秒触发音效”。
五、跨模态协同指令链
针对单次文生视频难以呈现复杂运镜的情况，需拆解为“图生视频+文本精修”两阶段指令流，利用通义万相多模块协同机制提升可控性。
1、第一阶段生成基准帧：输入“生成一张静态图：俯视视角的木质餐桌，中央摆放打开的旧皮箱，箱内散落泛黄乐谱与一枚银怀表，表盖开启露出停摆指针，窗外梧桐枝影投在桌布上”。
2、第二阶段启动图生视频：上传该图后，在提示词框中输入“镜头从俯视缓慢下降至平视高度，聚焦怀表内部游丝轻微震颤，背景梧桐影随镜头移动产生透视变形，保持胶片褪色质感”。
3、第三阶段叠加动态标注：在视频生成界面勾选“启用运动热区标注”，在怀表区域手动绘制椭圆热区，并设置“震颤频率：1.7Hz，振幅：3像素，持续时长：2.4秒”。
