让 DeepSeek / 千问当你的提示词助手：一句话扩写成视频和音乐提示词

为什么要找个“助手”

视频模型想要的提示词，通常要同时写清主体、动作、场景、光线、镜头运动、风格；音乐模型想要的是曲风、情绪、乐器、速度、人声和段落结构。一句“想要一个下雨天的治愈短片”离这些差得很远。

大模型恰好擅长把模糊的想法展开成结构化的描述。DeepSeek、千问、豆包、Kimi 都可以做这件事，关键在于给它一个好的“岗位说明”。

第一步：给助手写一份岗位说明

把下面这段作为对话开头（或者在支持“自定义指令 / 智能体”的平台里保存成固定设定）：

你是 AI 视频提示词助手。我会给你一句创意，请按以下规则输出：
1. 先用一句话复述你理解的画面，等我确认后再继续；
2. 每个镜头输出一段中文提示词，顺序固定为：
   主体（外貌、服装）→ 动作（姿态、速度、方向）→ 场景 → 光线 → 镜头运动（只用一种）→ 风格
3. 只写画面里看得见、听得见的东西，不写“很美”“震撼”这类抽象评价；
4. 每段不超过 80 字；
5. 不要编造平台参数（时长、分辨率、种子值），这些由我在平台里设置。

第 1 条很重要：先确认理解，再展开，可以避免助手一路“自由发挥”下去。

第二步：用“角色卡”锁住一致性

多镜头短片最怕同一个人每个镜头长得不一样。让助手先产出一张角色卡，之后每个镜头都原样复用卡里的描述：

请先为主角生成一张角色卡，包含：年龄段、发型发色、脸部特征、服装（上衣/下装/鞋）、
一个标志性道具。之后每个镜头描述主体时，必须逐字使用角色卡里的文字，不要改写。

“逐字使用”是这一步的关键。大模型习惯换个说法，而视频模型对措辞很敏感，“米色风衣”换成“浅棕色外套”就可能变成另一件衣服。

配合参考图（定妆照）使用效果更好，详见《先图后视频：用国产图像模型做好首帧和分镜》。

第三步：让它“看图写运动”

如果你已经做好了首帧，可以把图片发给支持图像理解的大模型（如千问、豆包），让它只写运动：

这是一个视频镜头的首帧。请不要重复描述画面里已有的内容，
只写接下来 5 秒内发生的运动：人物动作、环境变化（风、光、水、烟）、镜头运动。
给我 3 个不同强度的版本：轻微、适中、明显。

图生视频时，提示词重复描述画面反而会干扰模型；只写运动，是即梦、可灵等平台官方指南里反复强调的做法。

第四步：一次要多个版本

生成视频要花积分，与其反复修改一条提示词，不如让助手一次给出多个方向，挑一个最可能成功的去试：

同一个镜头，请给出 3 个版本：
A. 保守版：动作简单、镜头固定，成功率优先
B. 平衡版：一个主要动作 + 缓慢运镜
C. 大胆版：更强的动态和更有冲击力的运镜

一般先跑 A 版确认画面没问题，再尝试 B、C。

音乐提示词也一样

音乐助手的岗位说明可以这样写：

你是 AI 音乐提示词助手。根据我的描述，输出两部分：
1. 风格描述（一行，逗号分隔）：曲风、情绪、速度（如“中速”或具体 BPM）、主要乐器、人声类型
2. 歌词：使用 [Intro] [Verse] [Pre-Chorus] [Chorus] [Bridge] [Outro] 结构标签，
   主歌每段 4 行，副歌 4 行且第一句要好记，每行不超过 12 个字
如果我说“纯音乐”，只输出第 1 部分。

输入“给深夜便利店短片写一首温暖的主题曲”，就能拿到可以直接粘贴进海绵音乐、Mureka 等平台的风格描述和带结构标签的歌词。结构标签的细节见《AI 写歌：结构标签与风格描述》。

DeepSeek 还是千问？

两者都能胜任，按需求选择即可：

更详细的对比见《DeepSeek 与千问：创作者该怎么选》。

常见的坑

• 越写越长：助手很容易把提示词写成小作文。设定字数上限，并要求“删掉形容词后再检查一遍”；
• 一镜多动作：一个镜头里塞进“转身、奔跑、跳跃、回头”，模型很难全做对。要求“每个镜头只有一个主要动作”；
• 编造功能：助手可能写出平台并不支持的参数或语法。平台功能以官方文档为准；
• 版权与肖像：不要让助手在提示词里写真实明星的名字、知名角色或受版权保护的歌曲名，生成和发布都可能出问题。

一句话总结

人负责创意和取舍，大模型负责展开和格式，视频 / 音乐模型负责执行。把岗位说明、角色卡和多版本这三个习惯固定下来，提示词的质量会稳定很多。

参考来源

• Seedance 2.0 提示词指南（火山方舟）
• Kling AI 运动提示词指南（官方博客）
• 《人工智能生成合成内容标识办法》（国家网信办）

AI 生成内容信息整理截至 2026-10-31。本文由 AI 辅助生成，内容依据公开资料整理，仅供学习交流；平台功能与价格变化较快，请以官方最新信息为准。