多镜头视频生成中，提示词一旦超过三个镜头，画面元素就开始互相串场：上一个镜头的色调延续到下一个镜头，转场被当成画面内容，甚至镜头顺序被重新排列。要解决这个问题，不能只靠增加描述字数，而要建立一套明确的分镜编号、转场描述和时间线标注规范。下文把这三类规范拆开，给出可直接落地的结构化写法。
一、为什么多镜头提示词容易乱：镜头边界和语义漂移
多数视频生成模型在处理长提示词时，会把整段文本当作一个连续的语义空间来理解。文字越长，某个镜头后面的描述就越容易影响前面镜头的画面。比如先写“雨天街道，冷色调，女孩奔跑”，再写“她走进暖光咖啡馆”，模型极有可能把“暖光”也赋予街道镜头，或者在街景里提前出现咖啡馆门头。这并不是模型故意不听话，而是缺少硬性镜头边界时，注意力在全局范围流动，形成了语义漂移。
错误示范如下：
一个女孩在雨天街道奔跑，镜头跟随，随后她停下抬头看天空，雨滴落在脸上，下一秒她转身走进咖啡馆，室内暖光，她坐在窗边。
这段提示词的问题很明显：镜头切换完全依赖“随后”和“下一秒”这样的弱连接词，环境、光线、动作、景别全部混在一个句子里。模型需要自行猜测哪里是第一个镜头、哪里是第二个镜头，以及哪些描述属于哪个镜头。只要文本稍长，镜头串扰和元素错位就会频繁出现。
因此，解决多镜头混乱的关键不是把词写得更华丽，而是用稳定的结构降低模型对边界和归属的判断成本。分镜编号、转场描述和时间线标注，正是为此设计的三类约束。
二、分镜编号规范：用固定记号切断镜头间的语义污染
分镜编号要使用固定格式，推荐使用方括号加两位数字，例如[SHOT 01]、[SHOT 02]。编号从01开始，两位数可以避免排序时出现“1、10、2”这样混乱。不要在提示词里使用“第一个镜头”“下一个镜头”这类自然语言编号，因为模型对这类表述的理解不够稳定，也容易被后续内容干扰。
规范做法是把每个镜头拆成独立块，并在块内统一字段顺序。下面是一个基础文本模板：
[SHOT 01] 景别：中景 运镜：跟拍 环境：雨天街道，地面反光 光线：阴天散射光，冷色调 动作：女孩快速奔跑，头发湿润 [SHOT 02] 景别：特写 运镜：固定 环境：街道 光线：微弱顶光，背景虚化 动作：女孩停下脚步，抬头看天空
每个镜头独立写景别、运镜、环境、光线和动作，可以避免“冷色调”这样的全局氛围词泄漏到后续镜头中。字段顺序保持一致也很重要，这样模型更容易按位置对齐信息，而不是把“动作”误当成“环境”。
如果项目有API工作流或需要更严格的参数控制，还可以把分镜信息改写成JSON结构：
{
"shots": [
{
"id": "01",
"shot_type": "medium",
"camera": "tracking",
"environment": "rainy street",
"lighting": "cool overcast",
"action": "running"
},
{
"id": "02",
"shot_type": "close_up",
"camera": "static",
"environment": "street",
"lighting": "soft top light",
"action": "looking up"
}
]
}
无论使用纯文本还是JSON，分镜编号都是后续转场和时间线标注的基础。编号一旦错乱，后续所有“01到02”的指向都会失去意义，因此这一层必须最先固定。
三、转场描述规范：把“下一秒”改成可执行指令
“下一秒”“随后”“接着”这类词在自然语言里能表达顺序，但在生成式视频提示词中几乎不具备约束力。它们无法告诉模型应该使用硬切、叠化还是淡入，也无法指定转场时长。常见后果是模型自行想象过渡方式，或者把转场过程当成画面内容来生成，造成镜头抖动和逻辑断裂。
转场描述应独立成块，放在两个镜头编号之间。格式可以写作[TRANSITION 01->02]，并明确类型、时长和转场动机：
[TRANSITION 01->02] 类型：硬切 时长：0s 动机：动作连续性，从奔跑接到停步 [TRANSITION 02->03] 类型：叠化 时长：0.8s 动机：从外部街道进入室内，表示时间与空间轻微跳跃
硬切适合动作连续或同一空间内的快速切换，叠化适合轻微的时间跳跃或情绪过渡，淡入淡出则适合场景收束。时长要具体到秒或帧，避免“很快过渡”“自然过渡”这样的模糊说法。转场动机写清楚，也能帮助模型理解为什么在这个位置切换，而不是机械地执行一段效果。
需要注意，转场块不能混入镜头内部。如果在[SHOT 01]里写“慢慢叠化到下一个镜头”，模型可能把叠化当作画面内部的特效，而不是剪辑指令。正确做法是让转场独立占一块，并准确标注起点和终点镜头编号。
四、时间线标注规范：用时间戳控制节奏而不是只写顺序
只有镜头顺序还不够，时间线标注决定了每个镜头持续多长、转场消耗多少时间。推荐使用统一的时分秒毫秒格式，如00:00.000。时间戳可以让模型理解镜头节奏：短镜头连续出现通常代表紧张或快节奏，长镜头则更适合抒情和情绪沉淀。
下面是一个将分镜编号、转场描述与时间线结合起来的示例：
[SHOT 01] 00:00.000 - 00:02.500 中景 跟拍 雨天街道 冷调 [TRANSITION 01->02] 00:02.500 - 00:02.520 硬切 [SHOT 02] 00:02.520 - 00:04.000 特写 固定 抬头 弱顶光 [TRANSITION 02->03] 00:04.000 - 00:04.800 叠化 [SHOT 03] 00:04.800 - 00:07.500 中近景 摇移 咖啡馆窗边 暖调
这样的写法让每个镜头和转场都有明确的时间范围，模型不会把所有镜头拍成平均长度。时间线还能与音乐卡点或旁白文案对应，提升成片的节奏感。如果生成工具不支持帧级控制，时间精度保持在0.1秒级别即可，不必强行写到毫秒。
时间线标注还要保证连续性：前一个块结束时间必须等于下一个块开始时间，不能出现重叠或空白。可以用一个简单的检查方式：从左到右读一遍，所有时间数字是否连续递增。
五、落地检查清单：提交提示词前过一遍
写完整段多镜头提示词后，建议按下面几个问题快速检查：
- 每个镜头是否都使用了固定编号，如
[SHOT 01]？ - 每个镜头是否独立写清景别、运镜、环境、光线、动作？
- 转场是否独立成块，并标注类型、时长和动机？
- 是否避免了“随后”“下一秒”“接着”这类模糊顺序词？
- 时间线是否从00:00.000开始连续递增，没有重叠或空白？
如果上述问题都能通过，再检查字段顺序是否统一、编号是否从01开始。下面是一个可以直接套用的完整模板：
[SHOT 01] 00:00.000 - 00:02.500 景别：中景 运镜：跟拍 环境：雨天街道，地面反光 光线：阴天散射光，冷色调 动作：女孩快速奔跑 [TRANSITION 01->02] 00:02.500 - 00:02.520 类型：硬切 动机：动作连续性 [SHOT 02] 00:02.520 - 00:04.000 景别：特写 运镜：固定 环境：街道 光线：微弱顶光 动作：女孩停下抬头 [TRANSITION 02->03] 00:04.000 - 00:04.800 类型：叠化 时长：0.8s 动机：空间从室外转向室内 [SHOT 03] 00:04.800 - 00:07.500 景别：中近景 运镜：缓慢摇移 环境：咖啡馆窗边 光线：暖色侧光 动作：女孩坐下，看向窗外
这个模板没有使用任何模糊过渡词，镜头边界、转场位置和时间范围都清晰可见。实际项目中可以根据需求增减字段，例如加入镜头角度、焦距、角色服装等，但分镜编号、转场描述和时间线标注这三条底线不要舍弃。
结构化提示词并不是要限制创意，而是把创意拆成模型能够稳定执行的单元。一旦建立起这套规范，修改单个镜头只需要替换对应编号下的内容，不会牵动其他镜头。多镜头提示词的混乱问题，也会从源头得到控制。