AI 视频生成进阶：Prompt 之外的镜头语言、构图与运镜方法

2026 年 9 月 21 日

很多人做 AI 视频的习惯是：把提示词写长、把风格词堆满。"cinematic"、"epic"、"8K" 堆得越多，出来的东西越有"AI 味"——画面平、镜头呆、人物像 PPT 一样站着不动。

问题不在 Prompt 本身，而在于你只用自然语言描述场景，没有用镜头语言告诉 AI 怎么拍。

2026 年的主流观点已经很明确：要让 AI 视频摆脱"AI 味"，需要在提示词里注入镜头语言——景别、机位、运镜、焦距、光圈、景深、色调，这些曾经只有导演和摄影师关心的东西，现在成了 AI 视频创作者的核心工具箱。[citation:43.10][citation:43.13]

---

一、先理解一件事：AI 不是摄像机

AI 视频模型本质上不是摄影机。它不理解"推镜头"这个动作背后的物理逻辑。它理解的是一大堆视频训练样本中，某个视觉特征组合与某个文本描述之间的统计关联。[citation:43.11]

这就是为什么同一句 "camera push in"，在不同的 AI 工具里效果天差地别：

| 工具 | 对 "camera push in" 的理解 |

|:----:|--------------------------|

| Runway | 接近真实摄影机的平滑推进 |

| Pika | 对 "zoom in" 更敏感 |

| 可灵 | 对中文"镜头推进"响应好，英文术语识别不如预期 |

| Seedance | 支持专业的 cinematic camera movement 描述 |

所以不要死守一套词。写运镜提示词的本质是写一组近义词组合拳，把镜头运动方式、速度、幅度、目标对象都交代清楚。[citation:43.11]

---

二、景别：决定画面装下多少信息

景别是最基础的镜头语言——它决定了观众离主体有多远，也决定了画面传达的情绪。

| 景别 | 英文 | 作用 |

|:----:|:----:|------|

| 远景 | Extreme Wide Shot / Long Shot | 交代环境、方位，观众还在"这是哪"的阶段 |

| 全景 | Full Shot | 主体全身可见，动作+环境一起看 |

| 中景 | Medium Shot | 膝盖以上，对话场景最常用 |

| 近景 | Close-Up | 面部表情，情感浓度最高 |

| 特写 | Extreme Close-Up | 只拍局部（眼睛、手指），压迫感或细节强调 |

AI 视频的常见问题：默认输出中景、平视、居中构图，导致所有画面看起来都一样平。[citation:43.10] 解决方法是明确指定景别：

低效

一个女孩在雨中等车

高效

extreme wide shot, a girl waiting for a bus in the rain, tiny figure against the cityscape

更高效——用景别切换叙事

[镜头1] extreme wide shot: city skyline at dusk

[镜头2] medium shot: a girl checking her watch

[镜头3] close-up: raindrops sliding on the bus window

---

三、机位与角度：决定观众怎么"看"

| 角度 | 英文 | 情绪效果 |

|:----:|:----:|---------|

| 平视 | Eye Level | 中性、客观、纪录片感 |

| 仰拍 | Low Angle | 主体高大、压迫感或威严 |

| 俯拍 | High Angle | 主体弱小、脆弱或全景透视 |

| 倾斜 | Dutch Angle / Tilted | 不安、紧张、混乱 |

| 过肩 | Over-the-Shoulder | 对话场景，建立空间关系 |

| 主观 | POV (Point of View) | 代入角色视角 |

实战建议：AI 模型对角度描述的响应比"cinematic"更可控。[citation:43.6] 与其写 "make it look dramatic"，不如写 "low angle shot looking up at the protagonist"。

---

四、构图：决定观众的视线往哪走

在 AI 视频中，构图通过描述空间关系来实现：

rule of thirds composition, the subject on the left third, leading lines converging toward the center

常用的构图方法：

| 方法 | 描述方式 |

|:----:|---------|

| 三分法 | "rule of thirds, subject on the right third" |

| 引导线 | "leading lines toward the subject" |

| 框架构图 | "framed by a doorway / window / arch" |

| 对称 | "symmetrical composition" |

| 负空间 | "vast negative space above the subject" |

| 前景层次 | "foreground blur, middle ground subject, background city" |

关键点：AI 对空间位置描述的响应通常很好，因为这是可以直接从训练数据中学到的视觉特征。[citation:43.9]

---

五、运镜：决定镜头怎么动

这是 AI 视频与静态图像最根本的区别——镜头运动直接决定了视频的节奏和情绪。

5.1 八种基础运镜

| 运镜 | 英文 | 效果 |

|:----:|:----:|------|

| 推 | Push In / Dolly In | 从远到近，注意力聚焦，情绪逐渐紧张 |

| 拉 | Pull Out / Dolly Out | 从近到远，信息量变大，情绪释放或孤独感 |

| 摇 | Pan Left/Right | 水平旋转，展示环境或追踪移动物体 |

| 俯仰 | Tilt Up/Down | 垂直扫描，揭示全貌或强调高度 |

| 横移 | Truck Left/Right / Tracking | 与主体平行移动，跟随感 |

| 升降 | Boom Up/Down / Crane | 垂直升降，改变视角高度 |

| 跟拍 | Follow / Tracking Shot | 镜头跟随主体运动，代入感最强 |

| 环绕 | Orbit / Arc / 360° | 绕主体旋转，展示全局或强调位置 |

5.2 进阶运镜

稳定器平推（最具电影感）

"dolly shot, smooth push in, camera gliding forward"

手持抖动（纪实/紧张感）

"handheld camera, slight bump, documentary style"

无人机航拍（俯瞰）

"drone shot, descending, aerial view"

滑动变焦（眩晕效果）

"dolly zoom, subject stays same size while background distorts"

长镜头（一镜到底）

"one continuous take, Steadicam, following the character through the room"

5.3 运动参数控制

更高阶的写法是同时控制运动的方向、速度和幅度：

slow camera pan right, gradual reveal of the landscape

fast whip pan to the next subject

subtle handheld, barely perceptible micro-movements

---

六、焦距与景深

这是最容易被忽略但效果最显著的参数。[citation:43.9]

| 焦距 | 效果 | 描述 |

|:----:|------|------|

| 广角（16-24mm） | 透视夸张，空间感强 | "wide angle lens, 16mm" |

| 标准（35-50mm） | 接近人眼视角，自然 | "50mm lens, natural perspective" |

| 长焦（85-135mm） | 压缩空间，浅景深 | "85mm portrait lens, shallow depth of field" |

| 超长焦（200mm+） | 极强的空间压缩 | "telephoto lens 200mm, compressed background" |

光圈控制：

浅景深（背景虚化，主体突出）— 最常用

"shallow depth of field, f/1.8, background bokeh"

全景深（前后都清晰）

"deep focus, everything sharp from foreground to background"

---

七、完整 Prompt 结构

综合以上所有元素，一个专业的 AI 视频 prompt 结构应该包含：

[景别] + [机位角度] + [构图] + [运镜] + [焦距/光圈] + [空间关系] + [主体] + [场景] + [光影] + [风格]

示例：

Medium shot, low angle, rule of thirds composition on the right,

dolly in slow, 85mm lens at f/1.8, shallow depth of field,

a samurai standing in a bamboo forest,

golden hour sunlight piercing through the leaves,

cinematic color grading, film grain texture

对比纯文字描述——同一个场景，不加镜头语言：

A samurai in a bamboo forest

两者的视觉差距，就是"随手拍"和"电影感"之间的距离。[citation:43.13]

---

八、分镜头脚本化——AI 视频的关键跃迁

单镜头的镜头语言写好了，下一步是分镜头脚本化——用连续的镜头语言串起一段完整的叙事。[citation:43.1][citation:43.4]

[Scene 1]

Extreme wide shot, drone descending, desert landscape at sunrise, warm golden light.

Duration: 3s. Transition: fade in.

[Scene 2]

Medium shot tracking left, a lone figure walking, 85mm, dust particles in the air.

Duration: 4s. Transition: match cut on movement.

[Scene 3]

Close-up push in on the character's eyes, reflection of the sun, shallow depth of field.

Duration: 3s. Transition: hard cut.

这种结构化的分镜写法，在 2026 年的主流 AI 视频工具（Seedance、可灵、Runway、Vidu、即梦）中都有不同程度的支持。[citation:43.3][citation:43.4][citation:43.8]

---

九、不同工具的适配策略

同一个运镜词在不同工具中的表现不同，2026 年的最佳实践是：[citation:43.11]

| 工具 | 运镜描述方式 | 最敏感的术语 |

|:----:|------------|:----------:|

| Runway Gen-3 | 英文精确术语 | "dolly in/out"、"tracking"、"pan" |

| Pika | 英文为主 | "zoom in"、"camera orbit" |

| 可灵 AI | 中文描述效果更好 | "镜头推进"、"环绕拍摄" |

| Seedance 2.5 | 专业电影术语 | 支持完整的 cinematic language 体系 |

| 即梦 | 中英文混合 | "推镜头 慢速"、"低角度仰拍" |

| Vidu | 英文术语 | 对景别+运镜的复合描述响应好 |

实测提示：不要怕中英文混写。写运镜提示词，本质上是在写一组近义词组合拳，把镜头运动方式、速度、幅度、目标全部交代清楚，比死守单一语言更有效。[citation:43.11]

---

十、一句话总结

AI 视频的质感差距，不在 Prompt 的长度，而在 Prompt 里有没有镜头语言。 景别决定观众看到多少，机位决定观众从哪个角度看，运镜决定观众的视线怎么动，焦距和光圈决定画面的呼吸感。学会把这些写进提示词，AI 生成的就不再是"会动的图"，而是一段真正的影像。