最近接了个做短视频的客户，她做美妆穿搭类账号，手里积累了很多高质量的人像图片素材，想用即梦这类图生视频工具让图片里的人动起来，增加内容形式。
但她自己随便写几句话生成出来的视频，要么人物只是轻微抖动根本看不出在动，要么动作僵硬失真像鬼片，完全达不到她想要的那种自然流畅的效果。
她试过让图片里的人物点头，结果生成的视频里人只是脖子微微动了一下，幅度小到几乎看不见，这种视频发出去根本没人愿意看。
我仔细看了她之前用的提示词和生成效果，发现问题集中在两个层面。
第一是动作描述不够精准。她写的提示词只有简单的“点头、说话”，这种笼统的描述词，工具根本无法理解你要的动作幅度和细节。点头是轻微点还是大幅度点？说话是嘴唇微动还是要配合表情？这些具体参数不明确，生成出来的视频自然达不到预期。
第二是缺少画质和运动控制的关键词。她完全没提4k、高保真、流畅这些画质相关的词，也没有强调动作的连贯性和自然度，工具在生成时就会按默认参数处理，出来的视频质感差、动作生硬，完全不像真人在动。
针对她的需求，我在提示词里做了针对性设计，核心是把每个动作拆解到极致具体，并且前置声明画质要求。
画质层面，开头直接用Photorealistic和high fidelity这两个词锁定照片级真实感和高保真度，结尾加上4k和fluid motion，确保生成的视频既清晰又流畅。这四个词是图生视频提示词的基础框架，缺一不可。
表情控制层面，我加了alert and awake expression和blinking naturally这两组描述。alert是让人物保持警觉清醒的状态，避免生成出来的视频里人物眼神呆滞无神，awake强化这个清醒感。blinking naturally是自然眨眼，这个细节特别关键，真人视频里眨眼是必须有的微表情，没有眨眼的视频一眼就能看出是假的。
动作拆解层面，我把她要的点头动作做了极致细化。不是简单说点头，而是写performs a deep，exaggerated nod，用deep和exaggerated两个词强调幅度要大要夸张。然后继续拆解具体动作：lowering the head significantly so the chin moves down towards the chest，明确要求头大幅度低下，下巴要向胸口移动，括号里再加large vertical amplitude强调垂直幅度巨大。接着是then lifts head back up，抬头动作也要完整。
紧接着设计了第二个动作shakes head side-to-side，左右摇头，这个动作和点头形成对比，让视频动作更丰富不单调。
第三个动作是opens mouth and moves lips naturally as if speaking casually，张嘴并自然移动嘴唇，仿佛在随意交谈。这里用了as if speaking casually，给工具一个具体的场景参照，生成出来的嘴唇动作就会更自然，而不是机械地一张一合。
整个提示词的逻辑是：先锁定画质→控制表情和眨眼→拆解三组连贯动作(深度点头→左右摇头→自然说话)→再次强调画质和流畅度。每个动作都有具体的幅度描述和动作细节，工具在生成时有明确的执行指令，出来的效果自然就可控了。
用这套提示词生成的视频，客户反馈动作幅度和自然度都达到了她的预期。人物点头时下巴真的会大幅度向下移动，能明显看出点头的动作，不再是之前那种脖子微微动一下的敷衍效果。摇头和说话的动作也很流畅，整个视频看起来就像真人在镜头前做这些动作，没有明显的生成痕迹。
她特别提到，生成出来的视频基本不需要后期调整，直接就能用在短视频里做开头或转场，大大提高了内容生产效率。之前她要么找真人重新拍素材，要么只能用静态图片加字幕，现在有了这套提示词，手里积累的大量图片素材都能盘活，内容形式一下子丰富了很多。
如果你也想让图片中的人物动起来，却总是卡在动作幅度太小、画面不够流畅、生成效果不自然这些问题上，不妨重新审视你的提示词底层逻辑。画质要前置声明，动作要拆解到具体参数，每个细节都要给工具明确的执行指令，这些设计决定了生成视频的质量天花板。
热门跟贴