深度！超详细文本提示词技巧，Gen-3发布保姆级教程

7月9日，著名生成式AI平台Runway在官网公布了，最新发布的文生视频模型Gen-3 Alpha的文本提示教程。

在你使用Gen-3、可灵、luma等产品生成视频时，经常会发现生成的结果好像和预期差的有点远。通常情况下，如果不是模型的训练数据没有覆盖到，那便是提示词不够详细、精准。

例如，你直接输入文本提示“一个海边日落的场景”。这样的提示词视频模型无法理解你的准确意图、场景环境、视觉描述等，生成的视频会非常宽泛视觉效果会很差。

正确的提示词应该是，“夕阳下的海滩，金色的阳光洒在波光粼粼的海面上，海鸥在天空中自由飞翔，远处有几艘正在航行的渔船，高清、写实风格、慢动作镜头。”如果是自带音频的视频模型，还要加上鸟叫、汽笛声、风吹等音乐关键词，让其与视频画面更好地融合在一起。

就算你无法使用Gen-3也没关系，这些文本提示技巧、镜头、运动效果基本上是相通的，适用于那些免费产品。

从技术层面来说，你输入的文本提示会被转换成“向量”，这些向量包含了描述的场景、人物、动作等关键信息，在模型整个生成过程中起着持续引导的作用。模型会不断地参考这个语义向量,确保生成的视频内容与文本描述保持一致。

例如，输入的文本提示是“一只猫在雪地里玩耍”，模型会将文本中的猫、雪地和玩耍关键词转化为向量，再由神经网络根据这些向量生成最终的场景。在生成过程中，文本提示就像是给模型指明方向的路标，按照正确的路径、目标生成视频。

此外, 文生视频模型还需要考虑时间序列和连贯性，以确保生成的视频不仅在视觉上与描述相符，在动作逻辑上也是一致的。

这就需要模型不仅理解每个单独视频帧的含义，还要能预测和生成后续帧的内容，以形成连贯的故事线或动态画面。所以，相比文本、图片，视频模型在开发和算力消耗方面也就更难。

简单来说，文本提示词相当于大模型的“指导员”，引导大模型创造与描述相匹配的内容。无论是视频、音频、文本还是图片，它们的提示技巧在原理上基本是相同的，也就是说你掌握了一种在学习其他的会很快上手。

为大家简单介绍完文本提示的原理之后，下面就说一下Gen-3公布的官方提示词教程，以及分享一下「AIGC开放社区」在使用提示词的一些心得。

Gen-3提示结构

Runway表示，将场景、主题和镜头运动的细节分成不同的模块，这样的提示结构清晰，效果最佳。

Gen-3的标准提示结构——镜头移动：建立场景（文本提示）+额外细节。

近景特写镜头：一个高清的指头上，站着一只可爱的迷你小狗，很好奇地看着镜头。

上面只是Gen-3的标准提示结构，如果你对镜头场景要求不高不加也没问题。例如，飞越一座爱尔兰的城堡，并发现了一座摩天大楼的未来赛博朋克城市。

在这个案例中，你没有指出明确的镜头，但它还是自动添加了场景切换镜头

彩色织物和服装旋风般的超现实拼贴画，在半空中飘扬和旋转。场景动感时尚，纺织图案充满活力。运动感和风格创造了视觉上引人注目的复杂场景。背景漆黑一片。

相比结构，精准的效果、细节提示词在模型生成的过程中起到的作用更大。Gen-3的模型中主要由相机风格、灯光效果、移动效果、运动类型、风格与审美以及文本样式6大类组成。

提示，在移动效果中有很多快速镜头Gif，可能会造成眩晕观看时要注意。

相机风格-提示词

下面这些提示词展示，可以在文本生成的过程中直接使用，帮助你精准掌控视频呈现的镜头风格。

方法就是——相机风格关键词+文本提示词+额外细节。例如，低角度，一个正在行走在街道上的泥土人，周围是朦胧的街道。

低角度

高角度

高架

第一视角

手持

广角

特写

微距离

越肩效果

现实记录

灯光效果-提示词

漫射照明

轮廓

镜头光晕

侧光式

背光

凝胶灯光

移动效果-提示词

动态运动

慢动作

超高速

时光倒流

运动类型-提示词

生长

出现

爆炸

起伏

扭曲

变换

粉碎

 

涡流

展开

风格与审美-提示词

电影效果

彩虹色

故障效果

家庭录像 VHS

文本样式-提示词

Bold

涂鸦

Neon

校队

刺绣

精准文本提示词方法分享

「AIGC开放社区」使用过很多文生视频、音频、文本以及图片的产品，所以也有一些心得，借着这个机会就和大家分享一下。

技术层面开头已经简单介绍过了，这里就主要说一下，从你下笔的那一刻开始应该如何构建完成、精准的“文本提示体系”。

1）明确目标，你需要明确想要生成什么样的视频、图片或音频，包括主题、风格、情感基调等。例如，你想要制作一个关于环保的公益广告，风格是启发性和教育性。所以，输入的提示词最好都涉及到这方面。

2）具体化描述，在我们确定目标后就要尽可能具体地描述你想生成场景。例如，我们想生成一张图片，不要只说一个华丽的葡萄酒杯。

可以具体化成“这是一幅令人惊叹，充满想象力的3D插画。画中的酒杯装满了浓郁的红酒。酒杯中的葡萄酒呈现出山峦起伏、葡萄园以及葡萄、苹果和草莓果园的景色。葡萄酒仿佛从杯中流出，将自然与液体完美地融合在一起。画面整体氛围宁静，光线柔和，葡萄酒与周围景观相得益彰。”

3）多使用视觉元素，包括颜色、光线、天气等。例如，一个心形挂锁和一把钥匙。

可以添加不同元素来丰富它“这是一个浪漫迷人的3D花园场景，其中有一把精致的蓝色暗色挂锁，挂锁上装饰着发着微光的的藤蔓和花朵。发光的挂锁周围环绕着俏皮的蝴蝶，为整个氛围增添了神奇的绚丽色彩。

挂锁旁边是一把雕刻精美的金钥匙，上面有复杂的心形图案。4K、3D效果、插画、时尚。”

4），注重动作和动态效果，动态的描述可以让生成的产品更具活力和想象力。在描述的过程中可以适当地加入一些动态效果，例如，一个小女孩在花园里追逐蝴蝶，蝴蝶在花丛间飞舞，阳光透过树林普照在他们身上。

如果你是生成视频的话，可以用时间或者天气的方式来添加动态，例如，随着时间的推移，天空从蔚蓝逐渐变为橙色，最后染上紫色的晚霞。

5）多重角度和视角，在生成的过程中可以使用不同的视角来丰富作品的多元化，这类技巧在视频领域应用较多。例如，从鸟瞰视角展示城市全景，随后切换到地面视角，观看行人的活动。

可以使用一些近景、远景、聚焦、穿越等特殊镜头，这一点Gen-3的官方教程也说了。

6）反复生成，你经常会看到很多文本、图片、视频的产品一次性会生成2个以上内容，这是因为目前人类还无法精准控制神经网络生成的内容。

即便你使用了最精准的提示词，它随机生成的概率还是非常的大，这主要是因为架构和训练数据等原因。所以，你在生成的过程中可以反复多次尝试，直到达到自己的目标即可。