Stable DiffusionAI视频提示词总是看完还是不会写怎么办

写好Stable Diffusion的视频提示词，跟写静态图的提示词，完全是两码事。很多人折腾半天出不了片，根本原因不是参数没调对，而是没搞明白一个关键逻辑：视频提示词，必须同时在时间、运动、帧一致性三个维度上把话说清楚。缺一个，模型就容易“跑偏”——不是画面崩，就是动作跳，要么就是人物莫名其妙消失。

说白了，静态图提示词只管“某一帧长什么样”，而视频提示词要指挥的是“从第1帧到第32帧，画面应该怎么连贯地变”。举个例子，如果你只写“a girl walking”，图片模型还能猜个大概姿态，但视频模型很可能把它当成一个静态描述来处理——结果就是生成一个僵立不动的少女，配上模糊的残影。所以，你必须把起始动作、运动路径、节奏变化、终止状态，全写明白。

不少人在WebUI里用AnimateDiff或者SVD跑视频，发现人物原地抖动、背景撕裂、肢体乱接，以为是参数问题。其实，深层原因是在扩散采样的时间轴上，模型缺乏有效的“锚点”。每一帧都在重新采样，没有连贯记忆，画面自然就乱了。不加运动限定词的提示词，出现这类问题的概率，可以说超过90%。

先搞清楚视频提示词和图片提示词的根本区别

理解了上面那个逻辑，接下来就好办了。写视频提示词，核心就三步。

别用简单的“girl runs”，换成“girl running forward smoothly, arms swinging naturally”这种形式。这里每个词都有用：“running”是动作主干，“forward”定义了位移方向，“smoothly”在控制加速度曲线，“arms swinging naturally”则是为肢体运动提供了参照系。这四个要素加在一起，才算给模型吃了一颗定心丸。

这是很多人都忽略的关键。在动词前后加上类似[0:0.3]、[0.5:0.8]这样的区间标记，等于明确告诉模型：“这个动作在前30%的帧里完成”“那个细节在中段帧需要强化”。举个例子，“(girl running forward smoothly:1.3)[0:0.4], (arms swinging naturally:1.1)[0.2:0.7]”。注意，区间标记必须用英文半角方括号，数字用小数点，冒号前后不留空格。

在正向提示词的末尾，固定加上“consistent motion, temporal coherence, no flickering, stable pose throughout”这组词。它不参与画面构图，但会改写采样器的时间注意力权重，有效压制帧与帧之间的突变。实测经验表明，去掉这句话后，同样的提示词，有超过六成的概率会在第12帧出现手突然变大、第23帧背景偏移等问题。

抄提示词总失败？试试这个反向拆解法

很多人喜欢直接抄别人的提示词，但往往失败，因为总是会漏掉一些关键的“动态衰减词”。这里提供几个实用的反向拆解方法。

找一段别人跑成功的视频，用FFmpeg工具把它的第1帧和第16帧分别抽出来，再丢进SD做图生图。对比两张图的提示词差异，你往往会发现，原作者在第16帧的提示词里，悄悄地加了类似“(motion blur on legs:1.25)”和“(background slightly blurred:1.1)”这样的描述。而你抄的那个“全集”里，恰恰漏掉了这两处。

打开WebUI的Prompt Matrix功能，把同一个动词拆成三种不同的强度来做测试。比如，将“walking”分别写成“walking”、“walking briskly”、“walking with hea vy steps”，然后生成一个九宫格视频。观察哪一格的动作最自然。你会发现，“briskly”对应的是步幅加大和重心前倾，“hea vy steps”则会触发地面震动波纹——这些隐含的物理逻辑，光靠语法书是总结不出来的，必须通过实测去暴露。

在反向提示词里，不要只写一句笼统的“bad anatomy”，要写具体的视频崩坏模式。比如“frozen pose, static limbs, teleportation, sudden jump, limb duplication, frame skipping”。这些否定词直接封禁了视频特有的崩坏模式，效果立竿见影。

立刻能用的视频提示词模板

掌握了方法，工具也得顺手。这里提供一个可以直接套用的通用结构：

“(主体+姿态+服装)[0:0.2], (核心动作+方向+节奏)[0.1:0.9], (环境响应+运动痕迹)[0.3:0.8], consistent motion, temporal coherence, no flickering, stable pose throughout”

拿生成一个3秒的走路视频来举例，完整的正向提示词可以这样写：

“(young woman in red coat standing still)[0:0.2], (walking forward steadily with slight arm swing)[0.1:0.9], (snowflakes drifting downward slowly, coat hem fluttering gently)[0.3:0.8], consistent motion, temporal coherence, no flickering, stable pose throughout”

写完这些，直接点击生成，一个可播放的MP4文件就输出了。问题往往不在于工具不行，而在于我们有没有把这几句关键的“指令”说清楚。