企业官网建设流程全解析

文生视频这件事，我踩过的坑比大多数人刷过的短视频还多。最开始我以为提示词就是“一只猫在草地上跑”这种描述，结果生成出来的东西要么是猫变成了四不像，要么是草地像塑料布，要么干脆画面直接崩成抽象画。后来我才慢慢搞明白，文生视频的提示词和文生图的提示词完全是两码事——图片只需要管好一帧画面，视频要管的是连续几十帧甚至上百帧里，主体、动作、镜头、光影、风格全部保持一致。这个难度不是线性增长的，是指数级增长的。

这篇内容我想把我在MiniMax、可灵、ComfyUI、Runway这几个主流工具上反复折腾出来的提示词方法论完整梳理一遍。不管你是刚接触文生视频的新手，还是已经能生成一些片段但总觉得“差口气”的进阶用户，我都会从最底层的逻辑讲起，一直讲到可以直接复制使用的提示词模板和参数配置。核心关键词就几个：AI视频生成、提示词、文生视频、MiniMax、ComfyUI，围绕这些展开，把每个环节的“为什么”和“怎么做”都说透。

1. 先搞清楚文生视频提示词到底在控制什么

1.1 视频提示词和图片提示词的本质差异

很多人从文生图转过来做文生视频，第一反应就是把图片提示词直接搬过来用，然后发现效果完全不对。问题出在哪儿？图片提示词控制的是一个静态瞬间，你写“阳光透过树叶洒在女孩脸上”，模型只需要把这一帧画好就行。但视频提示词要控制的是一个时间序列，模型需要理解“阳光怎么变化”“树叶怎么动”“女孩的表情怎么过渡”。

我自己的经验是，视频提示词里至少有四个维度是图片提示词不需要特别考虑的：

• 时间维度：动作的起始、中间、结束状态分别是什么样
• 运动维度：主体怎么动、镜头怎么动、环境元素怎么动
• 一致性维度：主体的外观、服装、颜色在整个片段里不能变
• 节奏维度：动作是快是慢，镜头是平稳还是晃动

举个例子，你写“一个男人在走路”，图片模型可能给你一个站着的男人，但视频模型会尝试让他走起来。但如果你写“一个穿红色夹克的男人从画面左侧走向右侧，步伐平稳，镜头固定”，视频模型就能更准确地执行。差别就在于你有没有把时间维度和运动维度写清楚。

1.2 不同工具对提示词的“理解方式”差异

MiniMax、可灵、Runway、ComfyUI这几套东西，虽然都是文生视频，但它们对提示词的解析逻辑差别很大。我实测下来的感受是：

MiniMax对中文提示词的理解相当到位，尤其是场景描述和氛围营造类的词汇，它能把“黄昏时分，微风拂过麦田，远处有炊烟升起”这种偏文学化的描述转化成比较自然的画面。但它在精确控制运动轨迹方面偏弱，你写“镜头从左上角缓慢推进到右下角”，它不一定能完全按你说的来。

可灵在运动控制上比MiniMax强一些，尤其是镜头语言的理解，像“推拉摇移跟”这些术语它基本能识别。但它对复杂场景的细节还原有时候会打折扣，比如你写“桌子上有五个不同颜色的杯子”，它可能只给你三个。

Runway的优势在于风格化处理，如果你想要某种特定的视觉风格，比如“赛博朋克霓虹色调”或者“16mm胶片颗粒感”，它的表现很稳定。但它对中文提示词的支持不如前两者，建议用英文写。

ComfyUI则完全是另一套逻辑，它本身不是一个模型，而是一个工作流编排工具。你在ComfyUI里用的是什么模型，提示词的效果就取决于那个模型。ComfyUI的好处是你可以把提示词拆成多个节点分别控制，比如正面提示词、负面提示词、运动提示词分开写，精确度更高，但上手门槛也更高。

1.3 提示词的基本结构：从“一句话”到“五层框架”

我刚开始写提示词的时候就是一句话扔进去，效果全凭运气。后来我总结了一个五层框架，基本上能覆盖大多数场景：

这五层不是必须全部写满，但如果你发现生成效果不稳定，大概率是某一层缺失了。比如你只写了主体和动作，没写镜头，模型就可能随机给你一个视角，有时候是俯拍有时候是仰拍，出来的感觉完全不一样。

2. 主体与动作描述：让AI准确理解“谁在做什么”

2.1 主体描述的精确度阶梯

写主体描述的时候，精确度和自由度是一对矛盾。你写得太笼统，模型自由发挥的空间太大，结果不可控；你写得太细，又可能限制模型的发挥，出来的画面僵硬不自然。

我一般把主体描述分成三个精确度等级：

低精确度：“一个女人”——模型完全自由发挥，每次生成都不一样，适合探索阶段。

中精确度：“一个穿红色连衣裙的年轻女人”——有了服装和年龄的约束，一致性会好很多，适合大多数场景。

高精确度：“一个穿红色连衣裙的年轻女人，黑色长发披肩，戴着一顶草帽”——细节拉满，一致性最强，但需要模型有足够强的理解能力，否则可能出现元素冲突。

我的建议是：如果你要做系列视频，需要角色保持一致，那就用高精确度描述，并且每次生成都复制粘贴同一段主体描述。如果你只是做单条视频，中精确度就够了。

2.2 动作描述的时间切片法

动作描述是文生视频提示词里最容易翻车的部分。你写“一个女人在跳舞”，模型可能给你一个站着手舞足蹈的人，也可能给你一个完全静止的画面。问题在于“跳舞”这个词太宽泛了，模型不知道你要的是哪种舞、什么节奏、什么幅度。

我后来用了一个方法叫“时间切片法”，就是把一个动作拆成起始、过程、结束三个阶段来描述：

起始：女人双臂自然垂在身体两侧，面朝镜头 过程：她缓缓抬起双臂，身体开始左右摆动，裙摆随之飘动 结束：她完成一个旋转，双臂在头顶合拢，面带微笑

这样写出来的提示词，模型对动作的理解会准确很多。当然不是每次都要写这么细，但如果你发现动作总是不到位，试试把动作拆开写。

还有一个技巧是用“速度词”来控制节奏。比如“缓慢地”“迅速地”“轻柔地”“有力地”，这些词能显著影响生成视频的节奏感。我实测下来，“缓慢”和“轻柔”这两个词在MiniMax和可灵上效果最明显。

2.3 多主体场景的分离描述策略

当画面里有两个或更多主体时，提示词的写法需要调整。如果你写“一个男人和一个女人在跳舞”，模型可能会把两个人的特征混在一起，或者让他们的动作完全同步，看起来很假。

我的做法是用“分离描述+交互描述”的结构：

画面左侧是一个穿黑色西装的男人，画面右侧是一个穿红色长裙的女人。男人伸出右手，女人伸出左手，两人的手在画面中央相握。他们缓慢地旋转，男人引导方向，女人跟随。

这种写法的核心是把每个主体的外观和动作分开写，然后再写他们之间的交互。虽然提示词变长了，但生成结果的准确性会明显提升。

在ComfyUI里，你甚至可以用区域提示词节点来分别控制画面不同区域的内容，精确度更高。不过那是进阶玩法，新手先把基础提示词写好再说。

3. 镜头语言：视频提示词里最容易被忽略的胜负手

3.1 镜头运动的基本类型与提示词写法

镜头语言是区分“业余感”和“电影感”的关键。同样的主体和动作，加一个“镜头缓慢推进”和什么都不加，出来的效果完全是两个档次。

我整理了几种最常用的镜头运动类型和对应的提示词写法：

我自己的经验是，新手最容易犯的错误是“镜头运动太多”。一个五秒的视频里又推又摇又环绕，观众看着头晕。一般来说，一个片段里只用一种镜头运动就够了，最多加一个轻微的变化。

3.2 景别与构图的提示词控制

景别决定了观众看到的信息量。远景展示环境，中景展示动作，特写展示情绪。在提示词里明确景别，能大幅提升生成结果的可控性。

常用的景别提示词：

• 大远景：人物在画面中很小，主要展示环境
• 远景：人物全身可见，环境占主导
• 中景：人物腰部以上，动作清晰可见
• 近景：人物胸部以上，表情可见
• 特写：面部或某个细节占满画面

构图方面，我常用的提示词包括“居中构图”“三分法构图”“对称构图”“前景遮挡”等。其中“前景遮挡”特别好用，比如“画面前景有模糊的花枝，主体在花枝后方”，能瞬间增加画面的层次感。

3.3 在ComfyUI里用节点精确控制镜头

ComfyUI的优势在于你可以把镜头控制拆成独立的节点。比如你可以用一个节点控制相机位置，另一个节点控制相机运动轨迹，还有一个节点控制焦距变化。这种精细度是网页端工具做不到的。

我常用的一个ComfyUI工作流是这样的：先加载一个文生视频模型（比如MiniMax H3的量化版），然后在正面提示词节点里写主体和动作描述，在运动控制节点里单独写镜头运动，最后通过采样器节点把两者合并。这样即使镜头描述和主体描述有冲突，你也可以单独调整其中一个，不用重写整个提示词。

不过ComfyUI的坑也不少。比如MiniMax H3的量化版在加载CLIP的时候，5120和4096的维度不匹配问题，我折腾了大半天才搞定。解决办法是确认你下载的CLIP模型版本和主模型版本是对应的，如果不确定，就去模型发布页看说明，通常会标注配套的CLIP版本。

4. 光影与风格：决定视频“质感”的隐藏参数

4.1 光影描述的实用词汇库

光影是很多人写提示词时完全忽略的部分，但它对画面质感的影响极大。同样的场景，加一句“黄昏暖光”和加一句“正午硬光”，出来的感觉天差地别。

我整理了一套常用的光影描述词汇，按场景分类：

自然光：晨光、黄昏暖光、正午硬光、阴天柔光、月光、逆光、侧光、顶光

人造光：霓虹灯、烛光、暖色台灯、冷色荧光灯、聚光灯、轮廓光

光影效果：丁达尔效应、体积光、光斑、阴影、反射、折射

我个人的偏好是用“黄昏暖光+逆光”这个组合，几乎适用于所有需要“电影感”的场景。逆光能勾勒出主体的轮廓，暖光能让画面显得温暖柔和，两者叠加效果很稳。

4.2 风格锚定：让视频保持统一的视觉调性

如果你要做一系列视频，风格一致性比单条视频的质量更重要。风格锚定的方法是在每条提示词里都包含相同的风格描述词。

我常用的风格描述词包括：

• 电影感：电影感、浅景深、35mm胶片、宽银幕
• 动漫感：日式动画风格、赛璐璐上色、新海诚风格
• 写实感：超写实、照片级、8K细节
• 复古感：16mm胶片颗粒、VHS质感、老电影色调

需要注意的是，不同工具对风格词的理解不一样。Runway对“电影感”的理解偏向好莱坞大片，MiniMax对“电影感”的理解偏向文艺片。你需要根据工具的特点微调风格词。

4.3 负面提示词：告诉AI“不要什么”同样重要

负面提示词在文生视频里的作用经常被低估。很多人只写正面提示词，结果生成出来的视频总是有一些莫名其妙的瑕疵，比如多出来的手指、扭曲的脸、闪烁的画面。

我常用的负面提示词模板：

模糊、变形、扭曲、多余肢体、画面闪烁、色彩过饱和、噪点、水印、文字、低分辨率

在ComfyUI里，负面提示词是单独一个节点，你可以写得很详细。在MiniMax和可灵里，负面提示词的支持程度不一样，有些版本可能没有单独的负面提示词输入框，这时候你可以把“不要”的内容用自然语言写在正面提示词里，比如“画面清晰稳定，无变形”。

5. 不同工具的提示词适配策略

5.1 MiniMax：中文提示词的优势与边界

MiniMax是我用得最多的工具之一，主要原因是它对中文提示词的理解确实好。你写“一个穿汉服的女子在竹林里抚琴，阳光透过竹叶洒在她身上”，它能生成出相当有韵味的画面。

但MiniMax也有边界。我实测下来，它在以下场景表现一般：

• 快速运动场景：比如跑步、打斗，容易出现画面撕裂
• 多主体交互：两个人以上的复杂交互容易出错
• 精确镜头控制：你写“镜头从左上角推进到右下角”，它可能只给你一个推进

针对这些边界，我的策略是：用MiniMax做氛围感强的慢节奏视频，快节奏和复杂交互的场景换其他工具。

另外关于MiniMax H3的显存问题，如果你在本地跑量化版，8G显存基本是底线。我试过在8G显存上跑，生成5秒的视频大概需要3-4分钟，速度可以接受，但如果你同时开了其他占显存的程序，就容易爆内存。建议跑之前把浏览器多余标签页关掉，能省不少显存。

5.2 可灵：运动控制的强项与提示词技巧

可灵在运动控制方面确实比MiniMax强，尤其是镜头运动。你写“镜头跟随人物从画面左侧移动到右侧”，它基本能准确执行。

用可灵的时候，我建议把镜头描述放在提示词的前面，因为它在解析的时候似乎对前面的内容权重更高。比如：

镜头缓慢推进，一个穿黑色风衣的男人站在雨中，雨水顺着他的脸颊滑落，霓虹灯在背景中闪烁。

这种结构比把镜头描述放在最后效果更好。

可灵的另一个特点是它对“动作幅度”比较敏感。你写“轻微地转头”和“猛地转头”，出来的效果差异很明显。所以如果你想要细腻的动作，一定要用“轻微”“缓缓”“慢慢”这类词。

5.3 Runway：英文提示词与风格化处理

Runway对英文提示词的支持明显好于中文，所以如果你用Runway，建议直接用英文写提示词。它的风格化处理能力很强，尤其是“电影感”和“艺术感”类的风格。

我常用的Runway提示词结构：

[Shot type] + [Subject] + [Action] + [Camera movement] + [Lighting] + [Style]

比如：

Medium shot of a woman in a red dress walking through a neon-lit street, camera slowly tracking from left to right, cinematic lighting with warm tones, film grain, 35mm.

Runway的另一个优势是它的“运动笔刷”功能，你可以直接在画面上涂抹区域来指定运动方向。这个功能配合提示词使用，精确度会高很多。

5.4 ComfyUI：工作流搭建与提示词节点化

ComfyUI的提示词逻辑和其他工具完全不同。在ComfyUI里，提示词不是一个文本框，而是分散在多个节点里。你可以把正面提示词、负面提示词、运动提示词分别写在不同的节点里，然后通过连线组合。

我常用的ComfyUI文生视频工作流包含以下节点：

1. 模型加载节点：加载MiniMax H3或其他视频生成模型
2. CLIP文本编码节点：分别编码正面和负面提示词
3. 运动控制节点：单独控制镜头运动
4. 采样器节点：合并所有条件进行采样
5. 视频解码节点：把潜空间数据解码成视频帧

这种节点化的好处是你可以单独调整每个部分。比如你觉得镜头运动太剧烈，只需要改运动控制节点的参数，不用动提示词。缺点是搭建工作流的学习曲线比较陡，新手可能需要花几个小时才能跑通第一个工作流。

关于ComfyUI的安装，秋叶整合包是目前最省心的方案。它把Python环境、依赖库、常用插件都打包好了，下载解压就能用。但要注意的是，整合包里的模型需要单独下载，而且不同版本的整合包对模型的兼容性不一样。我建议下载整合包之后先看一遍说明文档，确认支持的模型版本再下载模型。

6. 提示词调试的实战方法论

6.1 变量控制法：一次只改一个参数

很多人调试提示词的时候喜欢一次改好几个地方，结果生成效果变好了也不知道是哪个改动起了作用，变差了也不知道是哪个改动导致的。

我的做法是“变量控制法”：每次只改一个参数，其他保持不变。比如你觉得画面太暗，那就只改光影描述，从“黄昏暖光”改成“正午强光”，其他都不动。生成之后对比效果，如果变好了就保留，如果变差了就换一个光影词再试。

这个方法虽然慢，但能帮你建立起对每个提示词效果的准确认知。试过几十次之后，你就能凭直觉知道该加什么词、该删什么词。

6.2 提示词权重调整：让AI知道什么最重要

大多数工具都支持提示词权重调整，语法通常是(关键词:权重值)，权重值一般在0.5到1.5之间。权重越高，模型对这个词的关注度越高。

我常用的权重调整场景：

• 主体不够突出：给主体描述加权重，比如(穿红色连衣裙的女人:1.3)
• 风格不够明显：给风格词加权重，比如(电影感:1.4)
• 某个元素总是出现：给负面提示词加权重，比如(模糊:1.5)

但权重不是越高越好。我试过把主体权重加到1.8，结果画面里全是那个主体，背景完全消失了。一般来说，权重在1.2到1.4之间比较安全。

6.3 从失败案例中反推提示词问题

生成效果不好的时候，不要急着删掉重写，先分析一下问题出在哪儿。我总结了几种常见的失败模式和对应的修复策略：

这个表格是我踩了无数坑之后总结出来的，基本上覆盖了80%的常见问题。你可以把它当作一个排查清单，生成效果不好的时候逐条对照。

7. 进阶技巧：从“能用”到“好用”的关键跨越

7.1 分镜提示词：让多个片段保持连贯

如果你要做一条超过10秒的视频，通常需要分成多个片段生成，然后再拼接。这时候分镜提示词就很重要了。

分镜提示词的核心是“一致性锚点”：每个片段的提示词里都包含相同的主体描述、风格描述和光影描述，只改变动作和镜头。比如：

片段1：中景，穿红色连衣裙的女人站在花田中，黄昏暖光，电影感，她缓缓抬起右手。 片段2：近景，穿红色连衣裙的女人，黄昏暖光，电影感，她的右手轻轻触碰花瓣。 片段3：特写，穿红色连衣裙的女人面部，黄昏暖光，电影感，她闭上眼睛微笑。

这样生成出来的三个片段，主体、风格、光影都是一致的，拼接起来会很自然。

7.2 运动强度与帧率的匹配关系

运动强度和帧率的关系是一个容易被忽略的技术细节。如果你生成的视频帧率是24fps，但运动强度设置得很高，画面就会显得跳跃不连贯。反过来，如果帧率是60fps，运动强度太低，画面又会显得拖沓。

我的经验值是：

• 24fps：适合慢节奏、文艺感强的视频，运动强度设为低或中
• 30fps：适合大多数场景，运动强度设为中
• 60fps：适合快速运动场景，运动强度设为高

在ComfyUI里，帧率和运动强度都是可以单独设置的参数。在MiniMax和可灵里，帧率通常是固定的，你只能通过提示词里的速度词来间接控制运动强度。

7.3 提示词模板化：建立自己的可复用库

当你调试出几组效果稳定的提示词之后，建议把它们模板化，建立自己的提示词库。我的提示词库按场景分类，每个模板包含主体描述、动作描述、镜头描述、光影描述、风格描述五个部分，用的时候只需要替换主体和动作就行。

比如我的“人物特写”模板：

[主体描述]，[动作描述]，近景特写，镜头缓慢推进，柔和的侧光，浅景深，电影感，35mm胶片。

用的时候把[主体描述]和[动作描述]替换成具体内容就行。这样能大幅提升效率，而且能保证风格一致性。

8. 常见问题与排查思路

8.1 生成视频时爆内存怎么办

爆内存是ComfyUI用户最常见的问题之一。我遇到过的原因主要有三个：

原因一：模型太大。如果你用的是完整版模型而不是量化版，显存占用会高很多。解决办法是换用量化版，比如MiniMax H3的NVFP4量化版，显存占用能降低40%左右。

原因二：分辨率太高。生成1080p视频比720p视频的显存占用高出一倍多。如果你的显存不够，先把分辨率降到720p甚至480p，跑通之后再尝试提高。

原因三：同时加载了多个模型。ComfyUI的工作流里如果同时加载了多个大模型，显存会不够用。解决办法是在工作流里设置模型卸载节点，用完一个模型就卸载，释放显存。

8.2 提示词明明写得很清楚，生成结果却完全不相关

这种情况通常是因为提示词里存在“冲突描述”。比如你写“一个穿红色衣服的女人，穿着蓝色裙子”，模型就不知道该听哪个。或者你写“白天，夜晚的场景”，模型也会困惑。

解决办法是检查提示词里有没有互相矛盾的词，有的话删掉一个。另外，提示词太长也可能导致模型“注意力分散”，建议控制在100-150个词以内。

8.3 如何提高MiniMax H3的显存占用率

这个问题听起来有点反直觉——为什么要提高显存占用率？因为显存占用率太低说明模型没有充分利用硬件资源，生成速度会变慢。

提高显存占用率的方法：

• 增大batch size：一次生成多个视频片段
• 提高分辨率：从720p提到1080p
• 增加视频长度：从5秒提到10秒
• 使用更复杂的模型：从量化版换成完整版

当然，前提是你的显存够用。如果显存不够还强行提高占用率，就会爆内存。

8.4 ComfyUI工作流分享与复用

ComfyUI的工作流可以导出成JSON文件，分享给别人或者在其他机器上导入。我建议你调试出一个稳定的工作流之后，立刻导出备份。因为ComfyUI的插件更新有时候会导致旧工作流失效，没有备份的话就得重新搭建。

导入工作流的时候要注意插件依赖。如果别人的工作流里用了你没有的插件，导入后会报错。解决办法是看报错信息里缺哪个插件，去ComfyUI Manager里搜索安装。

9. 我个人的一些实操体会

说了这么多方法论，最后分享几个我在实际操作中总结出来的零碎经验，不一定系统，但都是真金白银试出来的。

第一个体会是：提示词的长度和效果不是正相关的。我刚开始写提示词的时候总觉得写得越多越好，后来发现超过一定长度之后，模型反而会“抓不住重点”。现在我一般控制在80-120个词，把最核心的信息写清楚就行。

第二个体会是：不同工具之间的提示词不要直接复制粘贴。MiniMax上效果很好的提示词，放到Runway上可能完全不行。因为每个工具的模型架构和训练数据都不一样，对提示词的理解方式也不同。换工具的时候，提示词需要重新适配。

第三个体会是：生成视频的“废片率”远高于生成图片。我生成图片的时候，大概三四张里能挑出一张能用的。但生成视频，有时候十条里才能挑出一条满意的。所以做视频的时候要有耐心，多生成几条，不要指望一次成功。

第四个体会是：保存每次生成的提示词和参数。我现在的习惯是每次生成之后，把提示词、参数设置、生成结果都记录在一个表格里。这样当你调出一个好效果的时候，可以回溯是哪些改动起了作用。而且当你需要生成类似风格的视频时，可以直接复用之前的配置。

第五个体会是关于ComfyUI的：不要一上来就搭复杂工作流。我刚开始用ComfyUI的时候，看到别人的工作流有几十个节点，觉得越复杂越厉害。结果自己搭了一个，各种报错，折腾了一整天都没跑通。后来我从最简单的“加载模型-编码提示词-采样-解码”四节点工作流开始，跑通之后再逐步加节点，反而学得更快。

第六个体会是关于提示词里的“鹈鹕测试”的：网上流传的那个“鹈鹕骑自行车”的提示词，其实是一个很好的测试工具。因为它包含了主体（鹈鹕）、动作（骑自行车）、场景（通常是在路上）三个核心要素，而且鹈鹕这个主体对模型来说比较陌生，能很好地测试模型的泛化能力。你可以用这个提示词来快速判断一个工具的基础能力，如果连鹈鹕骑车都生成不好，那复杂场景就更不用指望了。

最后说一个关于提示词工程的整体看法。文生视频的提示词工程还在快速演进中，今天好用的技巧明天可能就过时了。但底层逻辑是不变的：你写的每一个词，都是在给模型“下指令”。指令越清晰、越具体、越一致，模型就越可能给你想要的结果。所以与其追求“万能提示词模板”，不如培养自己“把想法翻译成模型能理解的语言”的能力。这个能力一旦建立起来，不管工具怎么变，你都能快速适应。