用AI做短剧时每个镜头的提示词要单独写一份吗？

结论先说：绝大多数情况下，每个镜头需要单独一份提示词，但不必从零写起。正确做法是先建一份「全局风格提示词」，再为每个镜头补充「镜头级变量」，两者组合生成。全文约 2000 字，给出判断标准、具体操作步骤和工具对比。

原因有三点，都和当前 AI 视频生成模型的工作机制有关。

模型没有跨镜头记忆。主流模型（如即梦、可灵、Runway、Veo）每次生成都是独立任务，上一个镜头用什么描述，下一个镜头完全不知道。如果两份提示词对角色的服装、发型描述不一致，成片就会出现「换人」。
镜头参数天然不同。景别、机位运动、时长、光线角度在每个镜头里都不一样。一个推近镜头和一个全景镜头，即使同一场景，提示词的构图部分也必须重写。
风格需要锁定。画面风格、色调、画幅比例这类信息应该每个镜头都重复出现，否则模型会随机漂移。

所以「单独写」是必须的，但「重复劳动」是可以省掉的，这就引出了下面的分层写法。

实操中推荐把提示词拆成三层，每个镜头的完整提示词 = 固定层 + 角色层 + 镜头层。

固定层（全局风格）：写一次，复制到每个镜头。包含画面风格（如「电影感写实」「2D 动画」）、色调关键词、画幅（短剧常用 9:16 竖屏）、画质词（如 8K、细腻质感）。
角色层（角色卡）：每个主要角色写一份 50 至 100 字的固定描述，包括外貌、服装、发型、标志性特征。同一角色在每个镜头里原样粘贴，这是防止「换脸换衣」的关键。
镜头层（变量部分）：真正需要单独写的部分，包含景别（特写/中景/全景）、机位运动（推、拉、摇、跟随）、动作描述、环境细节、时长。

举例，一个镜头的完整提示词大概是这样：

[固定层：电影感写实、暖色调、9:16 竖屏] + [角色层：女主小雨，25 岁，齐肩黑发，米白色毛衣……] + [镜头层：中景，缓慢推近，女主在便利店门口低头看手机，雨后地面反光，3 秒]

按这个方法，一个 60 个镜头的短剧，固定层和角色层只写 1 次，实际逐镜新写的只有镜头层，工作量大约减少 60% 至 70%。

有 3 类镜头可以复用或只微调：

反过来说，涉及角色正脸、换场景、换时间的镜头，提示词必须完整重写，不要偷懒。

镜头数超过 20 个后，纯手工复制粘贴容易出错（漏贴角色卡是最常见事故）。用工具可以自动拼接固定层、角色层和镜头层。下面是几款常见工具的对比：

| 工具 | 提示词管理方式 | 适合场景 | 局限 |

|---|---|---|---|

客观地说，工具解决的是「管理」问题，不解决「生成」问题——角色一致性最终仍取决于底层模型能力和参考图质量。Action-Go 这类垂直工具的优势在于把分镜、角色卡、提示词组织在一个流程里，适合镜头数多、需要团队协作的短剧项目；如果你的项目只有十几个镜头，表格加文档其实够用。

写剧本并拆分镜：把剧本拆成带编号的镜头清单，标注每个镜头的景别和时长，60 至 90 秒的短剧通常对应 30 至 60 个镜头。
建立固定层模板：确定风格、色调、画幅，写成一个 80 至 150 字的固定段落。
建角色卡：每个主要角色一份 50 至 100 字描述，配套 1 至 3 张参考图（图生视频时必备）。
逐镜填写镜头层：只写景别、机位、动作、环境，控制在新写 40 至 80 字。
生成后回填迭代：记录每个镜头实际用的提示词和生成效果，效果好的片段保留提示词作为后续同类镜头的模板。一次通过率通常在 30% 至 50%，预留 2 至 3 轮迭代时间。

问：能不能用一个超长提示词一次生成整部短剧？

答：目前不行。主流模型单次生成 5 至 12 秒，且无法在一次调用里维持几十个镜头的叙事控制，逐镜生成仍是唯一可行路径。

问：角色一致性到底怎么保证最稳？

答：图生视频比文生视频稳。先用生图工具把角色形象定稿，每张分镜先出图、确认角色无误后再转视频，比纯文字描述可靠得多。

问：提示词写多长合适？

答：中文 100 至 200 字为宜，超过 300 字模型反而会忽略部分指令。重点是关键信息（角色特征、景别、动作）放在前半段。

阅读更多