把一段脑子里的画面交给AI视频模型，最怕的不是模型能力不够，而是它根本不知道你想干什么。Sora这类文生视频模型对提示词的理解能力远超早期产品，但也正因如此，写得含糊的提示词会得到一个平庸的、什么都像又什么都不像的结果。想要生成有叙事感的长视频，提示词必须像一份导演分镜脚本一样精确。这篇文章会拆解长视频叙事提示词的完整构建方法，包括视觉层、镜头层、叙事层和音频层四个部分。
为什么长视频提示词需要分层结构
短视频提示词可以是一句话，比如“一只猫在雨中奔跑”，模型能自动补全其余细节。但当你要生成一段十几秒甚至更长的连续叙事视频时，一句话远远不够。模型需要知道场景的时间跨度、镜头如何切换、角色在不同时刻的动作变化，这些信息如果混杂在一句话里，模型很容易顾此失彼。
实践中效果最好的做法是把提示词拆成几个明确的功能区块，按固定顺序书写：先是全局风格定义，然后是主体描述，接着是分时间段的动作与镜头安排，最后是音频描述。这种结构类似电影剧本中的场景标题加动作描述，模型在训练时接触过大量带有类似结构的文本，因此对这种组织方式的解析效果明显更好。
一个常见的误区是把所有视觉细节堆在开头，动作描述放在最后。实测中，放在提示词中后段的时间轴描述往往权重更高，因为它决定了画面如何演变。合理的顺序是先定基调，再定画面，最后定节奏。
镜头语言：让AI听懂导演术语
Sora对专业摄影术语的理解相当到位，直接使用运镜词汇比用自然语言描述效果更稳定。常用的术语包括推镜头、拉镜头、摇镜头、跟拍、手持摄影、航拍、俯拍、特写、中景、远景、景深、变焦等。比如你想让镜头缓慢靠近主角面部，写“缓慢推镜头至面部特写”比写“镜头慢慢向人物脸上移动”更精确，且不容易出现画面突变。
下面是一条包含完整镜头设计的提示词示例：
风格：电影质感，35mm胶片色调，浅景深 镜头：开场使用高角度远景俯拍城市夜景，缓慢下降并推近至街道 level 主体：一位穿米色风衣的中年女性手持黑色雨伞，站在便利店门口 动作时间轴： 0-3秒：镜头从高处缓慢下摇，霓虹灯在积水中的倒影随镜头移动 3-6秒：切换至女性面部特写，她抬头看向天空，雨滴落在睫毛上 6-10秒：跟拍她走进便利店，手持摄影轻微晃动，暖色灯光从门内涌出 音频：雨声环境音，远处车流声，便利店自动门的提示音，低沉的钢琴配乐渐入
注意示例中的时间轴写法。用秒数分段是控制长视频节奏的关键手段，模型会按时间块分配画面内容。如果两段之间的动作跨度太大，可以在分段之间补充过渡描述，例如“镜头平滑横移过渡”，避免画面生硬跳切。
保持角色与场景一致性的技巧
长视频最大的挑战是一致性。角色在前三秒穿风衣，第六秒变成夹克，这类穿帮在早期模型中非常普遍。提高一致性的办法是在提示词中反复锚定关键特征，不要只在开头描述一次角色。上面的示例中，可以在每个时间段的描述里再次提及“米色风衣女性”，用重复强化特征权重。
场景一致性同理。灯光色温、天气状态、时间段这些环境要素，如果在后续时间轴中没有再次确认，模型可能自行漂移。建议为每个时间段补充一句环境状态，例如“夜雨持续，霓虹光色偏蓝紫”。虽然会多写不少字，但这些冗余正是长视频稳定输出的代价。
另一个技巧是限定风格锚点。在开头使用“35mm胶片色调”“韦斯安德森式对称构图”“纪录片手持风格”这类强风格标签，可以锁定整段视频的视觉基调，减少模型在不同时间段之间切换渲染风格的可能。风格标签越具体越好，泛泛的“高质量、超高清”几乎没有约束力。
音频轨描述的正确写法
Sora支持音视频联合生成，音频描述和视觉描述同等重要。音频部分建议放在提示词末尾，单独成段，按层级书写：先是环境音，然后是动作音效，最后是配乐。环境音设定空间感，动作音效对齐画面事件，配乐控制情绪走向。
描述配乐时要写明乐器、节奏和情绪，例如“低沉的大提琴独奏，节奏缓慢，带有忧伤情绪”比“背景音乐伤感”效果好得多。如果想做音频的动态变化，可以借用视觉时间轴的思路，写“钢琴声在第六秒渐入，雨声逐渐减弱”，模型能够理解这种跨模态的同步指令。
还有一点容易被忽略：如果某些声音你不希望出现，要明确排除。模型有时会自作主张添加旁白或突兀的音效，在音频段末尾加上“无人声，无对白”这类否定描述，能显著减少意外输出。
一套可直接套用的模板
把前面的方法整合起来，可以提炼出一个通用模板，适合大多数叙事场景：
风格定义：[视觉风格 + 画幅 + 色调 + 参考导演或电影] 场景设定：[地点 + 时间 + 天气 + 光线状态] 主体描述：[角色外貌特征 + 服装 + 关键道具，特征具体到颜色和材质] 镜头设计：[开场镜头类型 + 运镜方式 + 景别变化] 时间轴： 0-N秒：[环境状态] + [角色动作] + [镜头动作] N-M秒：[环境状态] + [角色动作或事件变化] + [镜头动作] 音频：[环境音列表] + [关键音效] + [配乐描述] + [否定项]
使用模板时不要机械填充，字段之间可以自然连接成句，也可以保留分条结构，两种写法在实测中都有效。关键是字段齐全且特征具体，颜色写具体色名而不是“鲜艳”，材质写“粗针织羊毛”而不是“厚重”。
最后提醒一点：提示词不是越长越好。超过模型舒适长度后，中段信息可能被稀释。对长视频来说，与其写一条三百字的超长提示词，不如把叙事拆成多段分别生成，每段控制在八十到一百二十字，再靠后期剪辑衔接。掌握分层结构与时间轴写法之后，你会发现自己对画面的控制力提升了一个量级。