调色是电影视觉语言中最容易被感知却最难被描述的环节。AI图像生成工具虽然能理解“电影感”这类宽泛词汇，但如果只停留在cinematic这种笼统的表达上，生成结果往往不稳定，时好时坏。真正稳定的做法是建立一套结构化的色彩描述体系：把画面拆解为整体色调、高光区域、阴影区域、中间调，再加上具体的光比与饱和度控制，逐项写进提示词。这套方法在Midjourney、Stable Diffusion乃至Flux等主流模型上都通用，区别只在于权重语法和关键词的组织方式。
一、经典电影调色风格关键词库：先认识主流色彩体系
电影工业发展百年，沉淀出了一批辨识度极高的调色范式。把这些范式翻译成英文关键词写进提示词，是获得稳定电影感的第一步。下面这些是经过大量实测验证的高频有效词。
第一组是青橙调色（Teal and Orange）。这是好莱坞商业片最主流的色彩方案，原理是让皮肤呈现暖橙色，背景和阴影偏青蓝色，利用互补色拉开主体与环境的层次。提示词可以直接写teal and orange color grading，或者拆开描述：orange skin tones, teal shadows and background。配合complementary color scheme效果会更明确。
第二组是复古胶片调色。不同胶片型号的色偏各不相同，柯达的Kodak Vision3偏暖、富士的Eterna偏青绿低饱和。关键词包括shot on Kodak film, faded film look, muted colors, film grain等。如果追求特定年代感，可以加上1970s film stock或retro VHS aesthetic这类时间锚点词。
第三组是黑白高对比风格。黑白并非简单去掉颜色，而是控制灰阶分布。有效关键词有high contrast black and white, deep blacks, silver halide photography, film noir lighting。硬光配合黑白调色能产生强烈的戏剧张力，特别适合人像特写。
第四组是冷暖混合与霓虹风格。赛博朋克题材常用neon color palette, magenta and cyan lighting, moody atmosphere；而北欧文艺片那种冷淡气质则用desaturated cool tones, overcast lighting, pale muted palette更贴切。选择哪一组关键词，取决于你想要的叙事情绪，而不是简单地堆砌华丽的词。
二、色彩分层的进阶描述法：像调色师一样拆解画面
只写整体色调，AI的发挥空间仍然很大。进阶做法是模仿专业调色软件（如DaVinci Resolve）中的Lift、Gamma、Gain三区控制思路，把画面拆成阴影、中间调、高光三层，分别描述色彩倾向。这种分层描述能显著提升生成结果与预期的吻合度。
具体拆法参考下面的对照关系：
- 阴影层（Lift）：对应关键词cool shadows, lifted blacks, crushed blacks, blue-tinted shadows。Lifted blacks指阴影微微提亮不压死，是胶片感的标志；crushed blacks则是阴影死黑，常见于悬疑片。
- 中间调（Gamma）：控制画面主体观感，关键词如natural midtones, warm midtones, slightly desaturated skin。
- 高光层（Gain）：关键词如blown-out highlights, soft golden highlights, halation effect。Halation指高光边缘的红色晕染，是胶片物理特性，加上这个词能立刻提升质感。
以一个人像场景为例，普通写法是a woman in a cafe, cinematic，结果随机性大。分层写法则是这样的结构：
a close-up portrait of a woman in a dim cafe, teal and orange color grading, warm golden highlights on her face from the window light, deep blue shadows in the background, slightly desaturated midtones, soft halation, shot on 85mm lens, shallow depth of field, film grain
这段提示词里，第二行定义整体调色，第三行指定高光，第四行指定阴影，第五行控制中间调和质感细节。每一层都有明确指令，模型的输出自然稳定得多。实测中这种写法比起只写cinematic color，出图可用率能提升一个量级。
除了三层拆分，还可以叠加饱和度与对比度的量化描述。与其写moodily colored这种模糊词，不如写low saturation, high contrast或vibrant saturated colors, soft contrast。数字描述在部分模型上也有效，比如color palette limited to 3 colors能强制画面色彩收敛，形成统一的视觉风格。
三、不同模型的适配技巧与负面提示词配置
同一套调色关键词，在不同模型上的响应方式有差异，需要针对性调整。
Midjourney对自然语言理解强，调色词可以直接嵌在句子中，配合--stylize参数控制风格化强度。调色关键词在stylize值较高时会被放大，建议先用默认值测试，再逐步调高。同时Midjourney对--ar画幅比例敏感，2.39:1的宽画幅本身就会强化电影感，可以配合--ar 21:9使用。
Stable Diffusion则依赖权重语法来强调调色词，例如给关键词加括号提升权重：
(teal and orange color grading:1.3), (blue-tinted shadows:1.2), soft warm highlights, film grain, cinematic lighting Negative prompt: oversaturated, neon colors, washed out colors, flat lighting, low contrast, hdr, blurry
权重值一般控制在1.1到1.4之间，超过1.5容易出现色彩溢出等伪影。负面积提示词同样关键，把oversaturated、washed out、flat lighting这些反面特征明确排除，等于给调色效果上了保险。如果你的底层模型是写实系（如RealVisXL），这套配置基本开箱即用；如果是二次元模型，调色词的响应会偏弱，需要提高权重并降低CFG以外的干扰项。
另外提醒一个常见误区：调色词和光线词是两回事，但它们会互相影响。比如写了golden hour lighting又写cool shadows，多数模型能协调这种冷暖对比，这正是青橙调色的经典光源条件；但如果你同时写overcast diffuse lighting和high contrast，模型就会收到矛盾指令，输出往往折中变得平淡。写提示词时要先确定光比基调，再叠加色彩描述，逻辑顺序不能乱。
最后是验收环节。生成的图片如果调色不满意，不必推翻重来，可以在后处理阶段用传统工具补救：先让AI生成构图和光影正确的底图，导出后在Lightroom或DaVinci里做二次分级。AI负责结构与光线，人工负责精修色彩，这种混合流程目前仍是产出高质量电影感画面的最稳路线。建议把自己常用的调色组合整理成模板库，按情绪分类归档，需要时直接调用，效率比每次现场拼词高得多。