很多人第一次用 AI 生成视频都有过一样的经历输入一句话出来一段毫无灵魂的画面AI 捏出来的人举着产品对镜头笑光线平淡看完没有任何购买欲望。然后得出结论AI 做视频还不行。但同样的模型同样的产品换一条提示词出来的东西完全是两个级别。差别不在工具在思路。这篇文章要拆的就是这个思路——从叙事结构到镜头节奏从声画关系到参考文件的使用一步一步讲清楚一条真正能用的 AI 带货视频提示词是怎么写出来的。第一步先想清楚叙事结构再动手写提示词大多数人写提示词的方式是描述一个画面。比如一个女生在推荐面膜或者一个女生拿着产品对着镜头介绍。这种写法的问题不是文字太少而是根本没有叙事。带货视频本质上是一个说服过程。你需要在十几秒内让观众从没兴趣变成想买。这个转变不是靠堆砌产品卖点实现的而是靠一个有逻辑的叙事结构完成的。叙事结构决定了视频能不能卖货后面所有的镜头细节都是为叙事服务的。以面膜带货为例一个有效的叙事骨架是这样的效果展示 → 反差制造 → 效果验证 → 产品揭晓具体来说开场展示结果——水润的皮肤、素颜抗打的状态让观众先看到终点中间制造反差——工作忙、出差累、连轴转让观众产生疑问“这么忙这么累皮肤怎么还能这么好”再次验证效果——强化即使这么累皮肤依然细腻通透的印象最后揭晓产品——就是这个面膜答案自然出现这个结构有一个关键设计产品在最后才出场但观众在看到产品之前已经产生了购买动机。因为观众不是被你告知这个产品好而是自己推导出她皮肤这么好一定有秘密然后你正好给了答案。自己想明白的东西远比别人告诉你的更有说服力。这个叙事逻辑在心理学上有对应的机制——当人主动寻找答案时对答案的接受度会远高于被动接收信息。带货视频里的悬念后置本质上是在激活观众的主动思考。当然带货视频的叙事骨架不止这一种。常见的结构还有痛点前置型先展示问题皮肤暗沉、毛孔粗大再引出解决方案适合功效性产品。反差变装型前后对比使用产品前后的状态形成强烈视觉反差适合美妆、健身类产品。使用过程拆解型完整展示产品使用步骤适合操作有一定门槛的产品比如护肤仪器、厨房工具。成分党科普型先讲成分和原理建立专业信任感再推产品适合有一定护肤知识的目标人群。不同的品类和目标人群适合不同的叙事结构。写提示词之前先想清楚你要用哪种结构然后把这个结构翻译成镜头序列。第二步把叙事结构翻译成镜头序列叙事结构确定之后下一步是把它拆解成具体的镜头。这一步很多人会犯一个错误把所有镜头写成同一种格式比如全部都是中景女生对着镜头说话。这样的提示词生成出来的视频节奏是平的观众的注意力很容易在中途流失。镜头节奏的变化本身就是叙事。还是以面膜案例为例6 个镜头的节奏设计是这样的镜头 1 和 5特写节奏慢目的是让观众看清皮肤状态。特写强迫观众把注意力锁在脸上慢节奏给了足够的时间去验证皮肤到底好不好。这两个镜头承担的是效果展示和效果验证的叙事功能需要观众仔细看所以必须慢。镜头 2-4中景快切节奏极快三个不同场景一闪而过——客厅、餐馆、办公室。快切的节奏本身就在传递忙碌的感觉。你不需要用文字说她很忙镜头切换的速度已经替你说了。这是一个很重要的技巧用镜头节奏传递情绪而不是用文字描述情绪。镜头 6中景节奏稳正式口播推荐产品需要观众集中注意力听成分和卖点所以节奏必须稳。节奏一乱关键信息就传递不进去。整条视频的节奏曲线是慢 → 快 → 慢 → 稳。这种起伏让观众的注意力始终被牵着走不会在某个节点突然失去兴趣。在提示词里镜头节奏通过景别和速度副词来控制。常见的写法特写慢镜close-up shot, slow and deliberate movement中景快切medium shot, quick cuts between scenes稳定口播medium shot, static camera, steady and calm节奏的快慢不只是视觉感受它直接影响观众对内容的情绪反应。快切让人感到紧张和忙碌慢镜让人感到细腻和专注稳定镜头让人感到可信和从容。根据每个镜头的叙事功能选择对应的节奏。第三步运镜方式的选择与提示词写法景别和节奏之外运镜方式也是提示词里需要明确指定的内容。不同的运镜方式适合不同的产品类型和叙事场景。环绕镜头Orbit适合需要全方位展示立体结构的产品比如珠宝、手表、汽车、精致包装的护肤品。环绕镜头让产品从各个角度都被看见适合强调外观即卖点的品类。提示词写法smooth orbit camera circling the subject at eye level, 360-degree reveal推拉镜头Dolly In/Out推镜头适合聚焦材质细节、制造压迫感拉镜头适合揭示使用场景、交代环境。推镜头让观众感觉被带入拉镜头让观众看到更大的画面。提示词写法slow dolly-in from wide shot to medium close-up, revealing texture details横摇Pan适合多商品并排展示或者交代宏大的使用环境。比如展示一整套护肤品的产品线或者交代一个宽阔的使用场景。提示词写法slow pan right revealing the entire lineup, crisp product details手持Handheld适合 UGC 种草风格、开箱测评、户外实测、痛点场景。手持镜头带来的轻微抖动会让画面看起来更真实、更有临场感降低广告感提高真实用户分享的感觉。提示词写法handheld camera with subtle natural movement, personal documentary feel摇臂升降Crane适合房产全景、户外装备俯拍、产地溯源开场。升降镜头有一种揭幕的仪式感适合需要建立宏观视角的场景。提示词写法smooth crane shot rising upward, gradually revealing the full panorama跟拍Tracking适合模特走秀、汽车动态、运动鞋跑步测试。跟拍镜头让被摄对象始终在画面中心同时背景在流动传递动感和活力。提示词写法tracking shot moving alongside the subject, maintaining consistent distance选运镜方式的逻辑很简单这个镜头的叙事目的是什么就选能最好实现这个目的的运镜方式。不要为了看起来专业而堆砌复杂的运镜每一个运镜指令都应该有它的叙事理由。第四步声画关系的设计——画外音 vs 口播这是提示词里最容易被忽略的设计维度但它对视频的信息密度和说服力影响非常大。画外音Voiceover的特点是观众听到声音但看到的画面跟说话这个动作无关。好处是信息密度高。画面在展示皮肤状态或者忙碌的生活声音同时在传递关键信息。观众的眼睛和耳朵在同时接收不同维度的内容整条视频在十几秒内能塞进去的信息量远超纯口播。适合使用画外音的场景种草阶段、情绪渲染阶段、展示使用效果的阶段。这些阶段的核心目的是让观众感受到画面和声音可以各自传递不同的信息叠加在一起效果更强。口播Direct to Camera的特点是观众看到人对着镜头在说话像面对面交流。好处是信任感强。当你需要推产品、讲成分、给出购买建议的时候直接看着镜头说比画外音更有说服力因为观众感觉是你在跟我说而不是旁白在讲故事。适合使用口播的场景推品阶段、讲成分卖点阶段、给出行动指引的阶段。这些阶段需要观众集中注意力并且建立对说话者的信任口播比画外音更合适。一条完整的带货视频最优的声画设计往往是混合使用种草阶段用画外音信息密度优先推品阶段用口播信任感优先。在提示词里声画关系的写法画外音female voiceover narrating, camera focuses on [画面内容], not showing the speaker口播woman speaking directly to camera, eye contact with lens, natural and confident tone另外有一点值得注意如果你的视频需要同时控制画外音内容和口播内容要在提示词里明确区分哪些镜头用画外音、哪些镜头用口播并且分别写出对应的台词。不要把所有台词混在一起让模型自己判断那样声画匹配的准确率会大幅下降。第五步参考文件的使用——把关键变量钉死这是 AI 视频生成里一个非常实用但经常被低估的能力。当一条视频涉及多个镜头、多个场景、多套服装但要求始终是同一个人物的时候纯靠文字描述模型大概率会在某个镜头把人换了。这不是模型的 bug而是文字描述本身的局限——你用文字描述一个人模型每次生成都会有微小的偏差多个镜头叠加下来偏差就会累积成明显的人物不一致。参考文件的作用是把关键变量钉死用图像代替文字描述消除歧义。在实际操作中需要上传参考文件的情况主要有三类人物形象参考这是最重要的参考文件也叫人物身份锚点。上传一张清晰的人物正脸图模型会基于这张图生成一个数字身份证贯穿所有镜头。不管这个人在视频里换了多少套衣服、出现在多少个不同场景五官、骨骼、体态都会保持一致。在提示词里引用方式图片2人物形象参考所有镜头的人物均以此图为准服装/造型参考当某个镜头需要特定的服装或造型而这个服装很难用文字准确描述的时候上传服装参考图。比如一件有特定印花的连衣裙或者一套有品牌 logo 的运动装用文字描述很难精确上传图片直接锁定。在提示词里引用方式镜头6女生穿着图片1这套衣服产品参考当视频里需要出现具体的产品上传产品图。这样模型生成的产品外观会跟真实产品一致而不是生成一个看起来像面膜但包装完全不同的东西。在提示词里引用方式手持图片4面膜产品图参考文件的核心逻辑是文字描述用来传递意图图片参考用来锁定细节。两者配合使用才能在多镜头、多场景的复杂视频里保持一致性。第六步完整提示词的结构框架把前面五个维度整合起来一条完整的多镜头带货视频提示词应该包含以下几个部分全局设定视频风格、平台调性、基础规则比如无字幕、无背景音乐、无特效音。这些是贯穿整条视频的基础设定放在最开头。人物设定指定人物参考文件说明声音特征。这是整条视频的人物锚点。逐镜描述按照镜头序号依次描述每个镜头的景别、场景、人物动作、情绪状态、运镜方式以及对应的台词区分画外音还是口播。细节锁定在需要精确控制的地方引用参考文件比如服装、产品、特定场景道具。一个基本的结构模板[全局设定] 短视频平台[品类]带货风格的多镜头视频整条视频无字幕、无背景音乐、无特效音。 [人物设定] 出镜人人物参考图声音[特征描述]。 [镜头1] 景别[场景描述][人物动作][情绪状态][运镜方式]。 [画外音/口播][台词内容] [镜头2] ... [镜头N] 景别[场景描述]人物穿着服装参考图手持产品参考图[动作]。 口播[产品推荐台词]这个框架不是固定的根据具体需求可以调整。但核心逻辑不变全局设定在前人物锚点在前逐镜描述清晰关键细节用参考文件锁定。第七步从碰运气到可规划的工业化产出理解了上面这些方法之后还有一个更重要的视角转变当 AI 视频的可用率超过某个临界点整个内容生产方式就会发生质变。之前用 AI 做视频本质是抽卡——生成十条能挑一两条勉强能用就算运气好。这种情况下你没办法做计划没办法做 A/B 测试没办法快速迭代只能生成完了再看命。当可用率稳定在 90% 以上生产方式就变了。你可以按计划排素材矩阵提前规划一周需要多少条素材每条素材对应哪个卖点、哪个人群、哪种叙事结构然后按计划生成按计划投放。做 A/B 测试同一个产品用两种不同的叙事结构各生成一批素材投放后看数据用数据反推哪种结构对这个品类更有效。这在之前几乎不可能做到因为你连稳定生成都做不到谈不上系统测试。快速迭代某条素材跑出来数据不好分析是叙事结构的问题、镜头节奏的问题还是台词的问题针对性修改提示词重新生成快速验证。整个迭代周期可以压缩到以天为单位。这种生产方式的转变对电商团队的协作方式有直接影响。编导懂脚本懂运镜运营懂卖点懂竞品投手懂素材懂 ROI——这些角色各自擅长的事情AI 都能在某种程度上参与执行。但怎么把 AI 嵌进每个环节、串起来形成一个高效的生产流程是每个电商团队都需要自己摸索的课题。有一点是确定的AI 在这个流程里不是替代某个角色而是把每个角色的产出效率放大。懂内容策划的人用 AI 之后产出能力会被成倍放大不懂内容策划的人用 AI 之后依然只能生成没有说服力的画面。总结提示词能力的本质是内容策划能力把这篇文章的核心逻辑梳理一遍写 AI 带货视频提示词需要依次解决五个问题叙事结构这条视频要用什么逻辑说服观众效果前置痛点前置反差对比先想清楚结构再动手写提示词。镜头序列把叙事结构拆解成具体的镜头每个镜头承担什么叙事功能决定了它的景别和节奏。运镜方式根据每个镜头的叙事目的选择对应的运镜方式用英文提示词精确指定。声画关系种草阶段用画外音信息密度优先推品阶段用口播信任感优先在提示词里明确区分。参考文件人物形象、服装造型、产品外观用图片参考锁定关键变量消除文字描述的歧义。这五个维度每一个都不是AI 技术问题而是内容策划问题。AI 只是把你的策划能力翻译成视频的工具。策划能力强AI 是放大器策划能力弱AI 只是一个更快的随机生成器。这就是为什么同样的模型同样的产品有人出来的是AI 捏出来的女性举着面膜笑有人出来的是一条有叙事、有节奏、有说服力的带货视频。工具是一样的思路不一样。