最近AI视频圈子里最热闹的事,绕不开阿里的 Wan 3.0(通义万相)。好几个公开的视频生成评测榜单,它都冲进了第一梯队,甚至直接登顶。我身边原本只用国外模型的朋友,这阵子都在反复测它,测来测去最后都落到同一个问题上:你那个提示词是从哪儿抄的?
这问题我太熟了。AI视频这个东西,模型能力只是地基,提示词才是决定你拿到"60分的稳定片"还是"85分的惊喜片"的关键。文生图时代你写"一只猫在窗台上",让AI自由发挥还有可能出好片;但视频不一样,视频描述的是几秒里连续发生的事,运动、镜头、物理合理性全都要靠文字去约束。这也是为什么"鹈鹕骑自行车"这种测试提示词会火——它看起来只是一句话,其实里面藏着主体、动作、姿态、场景、光线、镜头、画质七八层信息。
这篇文章不聊榜单参数,不聊模型原理,就聊一件最实际的事:Wan 3.0 出来后,怎么找到可抄、能抄、抄完不翻车的提示词。我会把我常用的4个提示词网站、一段从"抄作业"到"改作业"的完整实操,还有踩过的坑全部摆出来。新手可以直接照做,老手也能从里面捡几招改词的思路。
1. 先弄懂Wan 3.0的强项,才知道提示词该往哪使劲
1.1 榜一不是白拿的:Wan 3.0强在运动和物理
先说说为什么Wan 3.0能登顶。抛开各家榜单的具体评分标准不谈,创作者圈子里反馈最集中的就三点:运动一致性更好、物理规律更合理、中文理解明显强于绝大多数国外模型。
运动一致性是什么意思?很多早期视频生成模型,镜头一拉,人物就开始掉帧、肢体开始融化;人物转身之后,脸、衣服、周围环境前后对不上。Wan 3.0在这方面的翻车率明显低一些。物理规律更合理则是说,物体被风吹动、水花飞溅、动物蹬自行车这类"需要符合常识"的画面,它理解得更接近现实。中文理解强,这个对国内创作者太重要了——你可以直接用中文写提示词,不需要先在脑子里把场景翻译成英文再转回来,少一层信息损耗,输出自然更贴近原意。
那这跟提示词有什么关系?关系太大了。模型能力越强,越不会"无视"你的文字,这时候提示词里那些模糊、矛盾、空泛的地方就会被原样放大。过去模型弱,你写啥它都只能勉强画个大概;现在模型强了,你写的每一个词都会变成画面里的元素。所以同一个Wan 3.0,有人拿它出电影级片段,有人拿它出灾难事故现场,差距基本就落在提示词上。
1.2 视频提示词和图片提示词,根本是两个物种
很多人觉得,我会写文生图提示词,写视频提示词还不是小菜一碟?我一开始也是这么想的,后来发现完全不是一回事。
写图片提示词,你是在描述一个瞬间。主体站哪、什么光线、什么构图,作文题而已。但视频提示词描述的是"一段时间里连续发生的事"。你得交代清楚谁在动、往哪个方向动、动作快慢、镜头怎么动、前后画面有没有承接。这些信息在图片提示词里可以完全不说,视频里缺一样,AI就给你自由发挥,发挥得好是惊喜,发挥不好就是灾难。
我举个例子。图片提示词写"一只鹈鹕站在路边",生成出来大概率没问题。视频提示词如果只写"一只鹈鹕骑着自行车",模型也许能出个鹈鹕和单车,但鹈鹕怎么骑、单车怎么动、画面里的风往哪边吹,全靠运气。所谓"鹈鹕测试提示词",本质上就是一群人把这件事玩成了一场物理考试:不仅要画出鹈鹕骑车,还要骑车动作合理、羽毛随风飘、自行车链条转动符合常识。写这种提示词,等于在跟模型做需求评审会,你得把需求文档写得够细,开发才不给你返工。
1.3 提示词工程不是玄学:是"约束条件"的设计
说到提示词工程,很多人觉得是玄学,其实它更像是在给生成过程加约束。模型从随机噪声开始一步步预测画面,如果没有约束,它就会往最平均的方向跑。提示词的作用,就是把这个"最平均"硬掰到你想要的方向。
每一句描述都是在缩小可能性空间。你写"金黄色夕阳",模型就倾向落日色温;你写"低角度仰拍",模型就调整镜头位置感;你写"画面平稳、运动自然",模型在生成运动路径时就偏向平滑轨迹。多一个约束,结果就少一分随机。这就是为什么同一个模型、同一个种子,稍微改几个词,出片效果会天差地别。
当然,约束也不是越多越好。写太满,模型反而无所适从,最后把每个元素都"敷衍"一遍。提示词工程真正值钱的地方,在于知道该约束什么、不该约束什么。后面的实操部分,我会专门讲这个平衡。 <
473



被折叠的 条评论
为什么被折叠?



