如何为 AI 梗视频写提示词

提示词不是许愿，而是一张镜头清单

很多人会输入“做一条好笑的狗视频”，然后觉得结果很普通。模型并没有忽略你，它只是严格照做了这句唯一的指令。给 AI 梗视频写提示词，更有效的做法是把它当成一张很短的镜头清单：画面里是谁、他做了什么、摄影机放在哪里、场景是什么、最后一个画面停在哪里。

RemakeMeme.video 通过 kie.ai 调用 Standard Seedance 2.0，输出 720p 的 4 秒、8 秒或 12 秒片段。你可以从模板开始，也可以自己写提示词，还可以上传 1 到 2 张照片。成片是无声 MP4、没有水印，音效和音乐由你在 TikTok、Reels 或 Shorts 里添加。提示词越具体，模型需要临场发挥的地方就越少，这就是全部诀窍。第一次走完整流程，可以先看如何重做一条梗视频。

一条能用的提示词，包含五个部分

1. 主体

写清楚画面里是谁或什么，并且带上会改变观感的细节：成年人的年龄段、衣着、发型，宠物的品种和毛色，以及他或它正在互动的物体。如果你上传了照片，就按照片里看到的样子再描述一遍，相当于给模型第二个锚点。“一个三十多岁、短黑发、穿灰色连帽衫的男人”比“一个男的”更能让画面稳定下来。

2. 动作

一个节拍只写一个清楚的动作。所谓节拍，就是观众能跟上的一次变化：盯着看、转头、后退、愣住、从地上滑过去。四秒里塞三个动作，模型只会把它们揉成一团。用最朴素的动词，并写清楚“什么发生了变化”，例如“先笑起来，听到开门声后僵住”。

3. 镜头

镜头语言是最容易失控的部分，但你不需要电影学院的词汇。选四种基本机位之一就够了：

• 固定镜头：摄影机不动，最适合反应类格式。
• 缓慢推近：摄影机靠近，适合“意识到什么”或抖包袱。
• 缓慢拉远：摄影机后退，适合揭示第二个人或一片狼藉。
• 手持跟拍：摄影机跟着主体走，适合舞蹈或走路格式。

再补一句景别：特写、中景还是全身。“固定中景，与桌面同高”就已经足够。

4. 场景

场景负责给模型提供光线、背景和道具的上下文。只写一个地点、一个时间段：“夜里的小厨房，头顶一盏暖光”或“纯灰色摄影棚背景”。堆满物件的场景会得到堆满物件的画面，观众也更难找到笑点。

5. 结尾

结尾是大多数提示词会漏掉、却最决定成片是否“完整”的部分。直接写出最后一个画面：“最后停在猫从纸箱里探出头，看着镜头”，或者“两个人保持迈步到一半的姿势，互相盯着对方”。不写结尾，模型容易越走越散，或者莫名其妙地循环；写了结尾，片段才有地方落脚。

弱提示词与强提示词

先看一条弱的：

做一条猫看到什么东西被吓到的搞笑视频。

再看一条强的：

夜里，一只橘猫坐在厨房台面上。它凑近台面上的一根黄瓜，闻了闻，然后向后跳起，落进一个纸箱里。固定中景，与台面同高，头顶暖光，厨房背景干净。最后停在橘猫从纸箱里探出头、看着镜头。竖屏，4 秒。

第二段并不是为了长而长。它写的每一句，都是在回答模型本来只能靠猜的问题。主体具体，动作有触发点和反应，机位固定，场景简单，结尾是一个看得见的画面。

一次只改一个变量

成片不对时，人的第一反应是把整段提示词重写。先别。五个部分里只改一个，其余原样保留，再渲染一次。如果你同时改了场景、动作和结尾，你既不知道是哪一处修好了片子，也不知道是哪一处把它弄坏了。

一个实用的循环：

1. 先用 4 秒版本试主体和动作。4 秒消耗 10 credits，是验证想法最便宜的方式。
2. 先关掉声音看一遍，再只看结尾看一遍。
3. 找出最弱的一处：脸、动作、机位、背景，还是最后一个画面。
4. 只改那一处。把上一版提示词记在备忘录里，方便对照。
5. 4 秒版本成立后，如果笑点确实需要空间，再升到 8 秒或 12 秒。

这也是了解模型能力边界的过程。有些提示词失败，是因为想法本身不成立；有些失败，是因为模型没法在某个景别里完成某个动作。一次只改一个变量，你才能分清是哪一种。

写两个人的画面

双人格式是最常见的难点，因为模型要同时保持两张脸、两个身体和一组互动。几个习惯会有帮助：

• 用角色和位置称呼，不要用“他/她”来回指代。 “左边穿蓝衬衫的人”和“右边穿黄色外套的人”，比一连串代词清楚得多。
• 写清每个人在画面里的位置。 左、右、前景、背景、坐着、站着。
• 每个人只给一个动作。 一个人反应，另一个人完成台词或手势。不要给两个人都安排三个动作。
• 用一句话写互动。 “他们互相看了一眼，然后一起转向镜头”就够了。
• 每个人上传一张清晰照片。 正面、光线均匀、脸至少占画面三分之一，成功率最高。舞蹈格式用全身或膝盖以上的照片；反应格式用头肩照即可。

如果两个人长得像，再补一个区分细节：眼镜、帽子、不同的发长、不同的衣服颜色。模型需要一个能把他们分开的线索。

画面里不要出现文字和商标

图像和视频模型画脸和动作，远比写字可靠。招牌、带标语的 T 恤、手机屏幕、店面和产品标签，经常变成一堆融化的字母。哪怕其余部分都不错，这种画面也会显得像渲染事故。

写提示词时就断掉这个念头：“纯色墙面”“没有印刷的纸箱”“纯色上衣”“画面中不要出现文字或商标”。如果笑点确实需要一句字幕或一块牌子，渲染完成后再用剪辑软件加上。不要指望模型在招牌上拼出一整句话，你只会花掉 credits 换回一帧乱码。

真实品牌商标也是同理。背景里的商标既分散注意力，也可能带来权利问题，让画面保持通用最稳妥。

时长与画幅

工作室提供 4 秒、8 秒和 12 秒三种时长。按时长里的节拍数来选，而不是按你买得起的最长档来选。

| 时长 | Credits | 适合 | | ----- | ------- | ------------------------------ | | 4 秒 | 10 | 一个反应、一个包袱、一个循环 | | 8 秒 | 20 | 铺垫加回收，或一次短的双人交流 | | 12 秒 | 30 | 两个人、换场景，或更长的铺垫 |

12 秒不一定更好。如果想法只有一个节拍，4 秒版本往往更利落，因为没有冷场。credits 只在渲染成功时扣除，渲染失败会自动退回，所以用短片试想法很划算。完整的价格与 credits 说明在价格页。

画幅由发布渠道决定。竖屏适合 TikTok、Reels 和 Shorts；横屏适合横向播放器和网页嵌入。渲染前先想好片子要发在哪里，因为竖屏构图裁成横屏后不一定成立。如果你打算一稿多用，把关键动作放在画面中央附近。

从模板提示词改起

模板本质上就是写好的镜头清单，已经规定了照片数量、动作、机位和它对应的画幅。即使你想做一条很个人化的片子，模板也是个不错的起点。

打开模板库，选一个最接近的格式，把它的提示词当成清单来读。然后只改一行。机位和结尾先保留。模板写的是“固定中景”，你想换成推近，就只改这一句；你想换主体，就只改主体描述，动作别动。结构本身在发挥作用，你只是把自己的细节换进去。

这通常比面对空白输入框快，也更不容易忽略照片要求。一个只需要一张头肩照的模板，不会因为你上传了两个人的全身照就突然成立。如果确实需要完全不同的设置，再从头写自定义提示词。

渲染前的八项检查

• 画面里是谁，能用一句话说清吗？
• 唯一的动作是什么，它由什么触发？
• 摄影机在哪里，移动吗？
• 场景在哪，白天还是夜里？
• 最后一个画面长什么样？
• 画面里有没有模型可能写坏的文字或商标？
• 时长和节拍数量匹配吗？
• 画幅和发布平台匹配吗？

如果这八个问题你能一口气答完，提示词就可以用了。答不上来的部分，模型会替你回答，而且通常会选一个比你想象中更平庸的答案。

常见问题

提示词越长，视频就越好吗？

不一定。长提示词有用的前提是每一句都在补充具体信息；如果只是重复同一个意思，或者给出互相矛盾的指令，反而会拖累成片。五个清楚的部分，胜过二十个形容词。

一条提示词里可以用两张照片吗？

可以，最多上传两张。给每个人安排清楚的角色、位置和动作，并且每人用一张清晰照片。两个人同框的单张照片也可以，只要两张脸都清楚、光线均匀。

为什么模型忽略了我提示词的一部分？

常见原因是时长里塞了太多动作，或者某个细节太模糊，模型只好按默认值处理。减少节拍数量，把动作写成看得见的身体变化，并且一次只测试一处改动。如果渲染直接失败，credits 会自动退回。