豆包制作视频提示词实战：从一句话到分镜脚本

豆包制作视频的能力被低估了，不是能力不够，是大多数人的提示词配不上它。”帮我生成一个美食视频”这种指令，得到的是素材网站的库存画面质感——正确、干净、毫无记忆点。

同一款工具，提示词写法的差距可以带来两三个档次的成品质量。这篇把豆包制作视频的提示词方法拆成四级，从一句话立意开始逐级展开，每一级都给出可复制的模板。学完你会有一套自己的写法，而不是一堆固定咒语。

先理解豆包在视频生产里的位置

豆包能做什么

豆包在视频链路里承担三类活：脚本与文案（它的中文理解和口语化转换能力是强项）、分镜与提示词转译（把你的人话翻译成生成工具听得懂的画面描述）、直接生成短视频（内置的视频生成功能，适合短平快的素材）。

想清楚分工：豆包是”大脑”，负责想清楚和说清楚；专门的生成工具是”手脚”，负责画出画面。把所有环节都指望豆包一条龙，你会发现它生成的画面比专业工具差一截；把所有环节都用专业工具，你会发现提示词写得干巴巴。最优解是让豆包做前半段（想清楚+写清楚），生成工具做后半段（画出来）。

四级提示词体系总览

级别	产出	使用场景
一级：立意指令	视频定位一句话	项目启动
二级：脚本指令	口播稿或台词稿	内容定稿
三级：分镜指令	逐镜头画面描述	生产准备
四级：生成指令	可直接用的生成提示词	喂给生成工具

四级是流水关系：上一级的输出是下一级的输入。跳级（比如从立意直接跳到生成指令）会丢失大量信息，成品质量断崖下降。

一级：立意指令——把”想做”变成”做什么”

模板与示例

【模板】”我要做一个【时长】的【平台】【类型】视频，主题是【主题】，目标观众是【人群画像】，希望他们看完【做什么】。请给出三个不同角度的立意，每个立意用一句可判断真假的话表述，并各配一个开头三秒的钩子设计。”

示例：”我要做一个45秒的抖音带货视频，主题是便携咖啡机，目标观众是25到35岁通勤白领，希望他们点击购物车。”

这一级的价值在”三个不同角度”：AI给的第一个立意通常是最平庸的，第二个开始分化，第三个常常有惊喜。选立意时不要怕推翻——立意阶段的十分钟抵得上生成阶段的一小时。

常见错误

把”目的”写成”让大家了解”。”了解”不是行为，无法设计。改成”让他们点购物车””让他们收藏””让他们评论自己的用法”，行动不同，脚本的结尾设计完全不同。

二级：脚本指令——口语化是核心

模板与关键约束

【模板】”基于立意【粘贴】写【时长】脚本。约束：1.口语化，像跟朋友聊天，给一个【你喜欢的口播风格】参考；2.单句不超过20字；3.开头三秒必须是钩子（痛点提问/反常识结论/视觉冲突三选一）；4.结尾是明确的行动指令；5.输出按段落分块，每块标注预计秒数。”

关键在第五条：让AI自己标秒数，它对”45秒大概多少字”有概念，会自动控制信息量。不标秒数的输出经常超载，你剪的时候才发现说了两分钟的内容。

让豆包发挥中文优势的两个技巧

给语气样本。贴一段你觉得”就是这个味儿”的口播文案，让它模仿。豆包的风格模拟能力强于凭空描述——”轻松幽默”四个字不如一段30字的样本。

用”改写”代替”重写”。稿子大体可以但味道不对时，说”保持结构和信息不变，把语气改得更松弛，删掉所有’首先其次最后'”，比让它重写省得多，改写模式下的风格控制精度也更高。

三级：分镜指令——从文案到画面

模板与验收标准

【模板】”把以下脚本切分成镜头：【粘贴脚本】。每个镜头输出四项：画面描述（具体到可直接作画）、景别（特写/近景/中景/远景）、时长、与画面的同步关系（哪句文案配哪个画面）。约束：相邻镜头景别必须变化；单镜头时长3到5秒；画面描述禁止出现抽象词（氛围、感觉、高级感），全部用具象名词和动作。”

“禁止抽象词”这条最容易被忽略也最重要。”高级感的餐桌”是无效描述——高级感怎么画？改成”深色胡桃木餐桌，亚麻桌布，一束侧逆光，桌面有水珠反光”。具象名词和动作才是AI能执行的指令。

抽象词翻译对照表

抽象描述	具象改写
高级感	深色木质+哑光金属+单一光源
温馨的氛围	暖黄台灯+毛毯+窗上有雨痕
快节奏剪辑	每镜头1.5秒+手持晃动
科技感	冷白光+黑色玻璃面+蓝色指示灯
治愈系	逆光+浅景深+缓慢动作+自然声

把这张表存下来，检查分镜输出时逐条扫——分镜里的抽象词就是未来生成失败的坑。

四级：生成指令——豆包直出与转译给专业工具

路线A：豆包直出短视频

适合口播素材、简单产品展示、背景素材。指令结构：”生成一段【时长】【画幅】的视频：主体【描述】+环境【描述】+运动【镜头和主体的运动】+风格【关键词】。禁止出现【文字/复杂手部动作/多人同框】。”

豆包直出的优势是中文指令理解好、对话式调整方便（”把背景换成夜晚””主体小一点”）；短板是运动复杂度低、时长有限。把它当”素材生产线”用，别当”电影厂”。

路线B：转译给专业生成工具

豆包写的分镜描述是”人话”，专业工具需要”工具话”。转译指令：”把以下画面描述改写成【工具名】的生成提示词：【粘贴】。要求：保留全部视觉信息；按【主体/环境/光线/镜头/风格】的顺序组织；总长控制在60字内；翻译成英文（如果工具是英文提示词友好型）。”

这一步的价值是”信息保真转译”。人直接写生成提示词时容易丢信息（漏了光线方向、忘了景深），豆包做转译时会逐项对照分镜表，遗漏率低得多。

两条路线的选择标准

判断维度	选豆包直出	选专业工具
画面复杂度	简单主体+单一运动	构图讲究+多元素
一致性要求	镜头间独立	跨镜头同一主角
修改频率	需要反复对话调整	参数化精确控制
预算	低	中高

豆包制作视频十个高频场景的提示词句式

产品展示：“【产品名】置于【材质】台面，【光线方向】光，镜头从【角度】缓慢推近至【景别】，背景【虚化/纯色】，风格【商业摄影/生活感】。”

人物出镜（画外音模式）：“【人物描述】坐在【环境】，【动作】，镜头【运动】，人物视线看向【方向】，面部表情【具体表情】。全程口型变化最小化。”

美食特写：“【食物】特写，热气【上升/缓缓】，筷子【动作】，油光【反光状态】，浅景深，背景【环境虚化描述】。”

城市空镜：“【城市名】【时段】街景，镜头【运动】，人流车流【密度与速度】，天气【状态】，色调【冷暖】。”

转场素材：“镜头快速【运动方向】掠过【遮挡物】，画面从【场景A】过渡到【场景B】，运动模糊自然。”

情绪反应：“面部特写，【情绪】的表情变化（从【状态A】到【状态B】），眼神看向【方向】，环境光【描述】。幅度克制。”

对比呈现：“画面左右分割：左侧【A描述】，右侧【B描述】，两侧光线【统一/对比】，镜头固定。”

文字卡背景：“纯色/渐变背景，中央留白区域占画面60%，【装饰元素】在边缘缓慢移动，无文字（文字后期加）。”

开场钩子：“第一帧即【冲突画面】，镜头【快速推近/晃动】，时长2秒内完成视觉冲击。”

结尾定格：“【主体】逐渐静止，镜头缓慢拉远至【景别】，画面渐暗至【程度】。”

豆包制作视频的提示词调试方法论

一次只改一个变量

生成结果不满意时，新手常把提示词整个重写。正确做法是诊断哪个元素错了，只改那一个：光线错了改光线段，构图错了改景别段。一次全改，你永远不知道哪个改动起效，经验无法积累。

建立”失败样本库”

每次生成失败，把”提示词+失败表现”记下来。二十条之后你会发现自己特有的失败模式——比如你总忘记写光线方向，比如你爱用AI听不懂的比喻。失败样本库是个人化的，别人的抄不来，但收益也完全归你。

失败表现	大概率原因	修正方向
画面平淡无重点	主体占比不明确	加”主体占画面X%””位于画面中央/三分位”
运动幅度过猛	运动词太强烈	换成”缓缓/轻微/小幅”
风格漂移	没写风格后缀	固定30字风格段每次附带
出现乱码文字	提示词含文字元素	删掉文字要求，后期贴字
人物崩坏	动作幅度大或多人	拆镜头、减动作、单人化

从提示词到个人工作流

用豆包做视频满十次之后，建议做一次流程固化：把你验证过的四级指令存成模板文档，标注每级的”必填项”和”我的偏好”。之后每次生产就是填空题，生产时间能压缩四成。

再进一步的标志是：你开始能预判某条提示词的生成结果——不用真的生成，看提示词就知道哪里会出问题。这个能力只能从”一次一个变量的调试”里长出来，没有捷径。

最后提醒一件事：豆包的模型在持续更新，每隔一两个月，把你模板库里最常用的三条拿出来重新测一遍。模型升级后，原先某些”必须写的约束”可能不再需要（比如抗乱码能力增强后，文字画面的限制放宽了）。模板要跟着模型演进，否则你在为旧版本的局限付时间成本。

豆包特色功能的实战用法

对话式迭代：被低估的能力

豆包最大的差异化优势不是单次生成质量，而是对话式调整。专业生成工具改一次参数要重新组织提示词，豆包里你只需要说人话：”背景太亮了，调暗一点””人物往左边挪””这个动作再慢一些”。

把对话式迭代用到极致的做法：第一轮接受”七十分”的生成结果，然后连续三轮对话微调，每轮只改一个地方。三轮下来通常能到九十分，全程比重新写提示词重生成快一倍。这不是技巧，是用法上的思路转变——接受”迭代优于一步到位”。

多模态输入：图生视频的喂法

豆包支持图片输入生成视频。喂图时注意三点：

图的质量决定视频上限。模糊的图不会变得更清晰，构图歪的图不会变正。生成视频前先把图处理到位（裁切、调亮、放大）。

运动提示词与图内容互补。图里已有的信息不用重复描述，只写”让什么动起来”。图是静态人物半身像，提示词写”人物缓缓抬头，头发被微风轻拂，背景虚化的树叶摇动”即可。

一张图多次生成。同一张图配不同运动提示词，得到的是同一个场景的不同镜头——这是低成本建立场景一致性的技巧。

长脚本的处理：分段不截断

超长脚本让豆包做分镜时，不要一次全贴。分段贴入，每段开头带一句上下文：”这是45秒视频脚本的第2部分（共3部分），前两部分已完成10个镜头，最后一个是【简述】。请继续切分本段。”这样镜头编号连续、风格连贯，不会出现前后分镜”人格分裂”。

功能	最佳用途	注意
对话式迭代	单镜头微调	每轮只改一个变量
图生视频	场景一致性镜头	先处理图再喂
长文分镜	口播长视频	分段贴入带上下文
文案改写	风格调整	保持结构只改语气

不同内容类型的完整提示词示例

知识科普类（40秒）

一级：”我要做一个40秒的抖音科普视频，主题是为什么飞机窗户是圆的，目标观众是对科学好奇的年轻人，希望他们看完收藏。”

二级脚本约束追加：”前3秒用反常识结论钩子：’飞机窗户的圆角，是用血的教训换来的。’中段讲两个原因（应力集中、疲劳寿命），每个原因配一个生活化类比。”

三级分镜要点：原因讲解段用”动画示意+实拍素材”交替，示意画面提示词里写”简洁扁平插画风格”，实拍段写”真实纪录片质感”——两种风格交替本身就是节奏。

带货种草类（45秒）

一级：”45秒抖音带货，便携咖啡机，通勤白领，点击购物车。”

二级脚本约束追加：”痛点场景开头：’早八人在地铁上捧着灌满美式的保温杯’；三个证据：容量数据、单杯成本对比、上周出差实拍；结尾行动指令加紧迫感但不虚假（’今天下单明天就能用上’）。”

四级生成重点：产品镜头全部用”产品静置+环境动”模式（蒸汽动、光变动、人物虚化走过），产品本身不动。产品变形是带货视频的硬伤，静置是最稳的方案。

情绪短片类（60秒）

一级：”60秒视频号情绪短片，主题是下班路上的十分钟自我修复，目标观众是都市加班青年，希望他们转发。”

二级脚本约束追加：”全程无台词，只有环境音和一句结尾字幕文案；情绪结构：疲惫（低）→察觉美好（微升）→释然（高）。”

三级分镜要点：无台词视频的镜头要”可读”——每个画面的情绪必须一望便知。反应镜头占五成以上，特写（手、脚、眼神）占三成，全景只做开场和结尾。

剧情段子类（50秒）

一级：”50秒剧情短剧，办公室反套路题材：领导画饼，员工理性回应。目标观众是职场人，希望他们@同事。”

二级脚本约束追加：”对白极简，每句不超过12字，共不超过6句；冲突在最后15秒反转；结尾留悬念。”

四级生成重点：对白镜头全部用反应脸+画外音；办公场景一次性出齐所有角度的环境图（这个场景就固定了），人物镜头全部垫同一套环境图。

提示词的”信息密度”原则

为什么短提示词经常不如长提示词，又经常超过长提示词

提示词的信息密度比长度重要。80字里有20字是有效视觉信息（主体、光线、运动），密度25%，这是合格线。很多人写150字，有效信息只有30字，密度20%，反而不如80字版。

提升密度的方法：删掉所有”形容词叠加”（”非常美丽的绝美景色”）、删掉情感修饰（”令人惊叹的震撼画面”）、每个词都必须对应一个可渲染的视觉属性。判断标准：提示词里的每个词，问自己”AI能用它画什么”，答不上来的词就是废话。

权重表达：把最重要的信息放两头

生成模型对提示词各位置的注意力不均匀：开头和结尾的词权重最高，中间容易被稀释。所以组织提示词时：最重要的视觉元素放开头（主体），次重要的放结尾（风格），过程性信息放中间（运动、环境）。

对比：”一个可爱的橘猫在阳光洒满的木地板上打盹，窗边，午后，温暖治愈系风格”和”温暖治愈系风格，一个可爱的橘猫在阳光洒满的木地板上打盹，窗边，午后”——后者把风格前置，主体权重被稀释，生成结果风格更强但主体更弱。两个都对，取决于你要什么。

团队协作中的提示词规范

多人用豆包生产视频的团队，提示词规范比工具选择重要。三份文档建立规范：

命名规范：生成结果的文件名统一为”项目_场景_镜号_版本”，检索成本决定复用率。乱命名的素材库三个月后等于没有。

模板规范：团队共享四级模板，个人只能加”风格后缀”，不能改结构。结构统一后，任何人接手任何项目都能看懂前人的提示词。

复盘规范：每周一次，每人分享一条本周最成功的提示词和一条最失败的。失败案例的价值更高——它能防止别人掉进同一个坑。

文档	内容	更新频率
模板库	四级指令模板+示例	月
风格后缀库	各项目的风格锚	按项目
失败案例集	提示词+失败原因	周

进阶调试：从”能用”到”精确控制”

镜头运动的精确表达

运动描述的精度决定画面的”导演感”。基础词汇（推、拉、摇、移）人人会写，进阶在于速度和幅度的限定。对比两组提示词：

“镜头推向产品”——生成结果从缓慢移动到猛冲都有可能。
“镜头以极慢速度匀速推向产品，全程无变速”——运动被锁定在窄区间。

常用限定词组合：速度（极慢/缓慢/匀速/急速）、幅度（轻微/小幅/大幅）、节奏（匀速/先慢后快）。三个维度自由组合，运动控制精度提升明显。

光线的四要素写法

光线是画面的灵魂，也是新手提示词里最常见的缺失项。完整的光线描述包含四要素：

要素	可选项	示例
方向	顺光/侧光/逆光/顶光/底光	左侧45度侧逆光
质地	硬光/柔光/漫射	柔光
色温	暖黄/自然白/冷蓝	暖黄
强度对比	高对比/低对比/均匀	主体亮背景暗，高对比

不用每次四项全写，但至少写方向和色温。这两项决定画面的基本情绪：侧逆光+暖黄是温馨，顶光+冷蓝是压抑。情绪视频的提示词里，光线就是情绪代码。

负面清单的维护

每个内容类型有自己的”高频崩坏点”，为每个类型维护一张负面清单：

美食类：禁多重手部动作、禁液体泼溅特写（必崩）、禁文字餐牌入画。

人物类：禁多人同框对话、禁转圈动作、禁说笑大幅度表情。

产品类：禁产品旋转超过180度、禁液体倒进产品（变形）、禁Logo特写（文字乱码）。

这些清单来自你自己的失败记录，比任何通用教程都精准。负面清单写在提示词末尾的”禁止”段里，每条不超过十个字。

一个完整的实战案例拆解

任务：45秒通勤咖啡机带货视频

一级输出：立意选定为”早八人的咖啡自由，一天成本不到三块”，钩子设计为场景冲突（地铁上捧着杯子的狼狈）。

二级输出（脚本节选）：“每天早上，你都要在楼下排十分钟队买咖啡（3秒）。一个月下来，九百块（4秒）。这台机器，一次投入，每杯成本不到三块（6秒）。……今天下单，明天早八就能用上（4秒）。”

三级输出（镜头节选）：镜1：地铁人群手持咖啡杯的拥挤中景，4秒；镜2：手机计算器界面特写，打字输入”30×30″，3秒；镜3：咖啡机置于办公桌，蒸汽缓缓上升，5秒……共11个镜头。

四级输出（镜3的生成指令）：“白色便携咖啡机置于深色木桌，右侧散落咖啡豆，左侧窗户晨光逆光射入，镜头缓慢右移，蒸汽从杯口缓缓上升，商业摄影风格，浅景深。”

生成与调试实录：第一次生成蒸汽过猛像着火——修改”蒸汽极缓上升，稀薄”；第二次构图偏左——加”主体居中偏右”；第三次合格收货。三次生成，四次对话微调，单镜头用时六分钟。

这个案例想说明的是：四级流程走下来，每一级都在为下一级省时间。脚本写清楚，分镜就不用猜；分镜写具体，生成提示词就是抄写；生成只调一个小变量，三次就中。反之跳过任何一级，后面的每一级都在还债。

案例复盘：哪些环节的时间花得值

环节	耗时	价值判断
立意与脚本	35分钟	高——决定了整条片的钩子结构
分镜切分	15分钟	高——生成零返工的基础
生成与调试	70分钟（11镜头）	中——机器时间为主
配音剪辑	50分钟	高——完播率的直接来源

常见问题的快速诊断表

现象	根因在哪个级别	解法
视频内容平庸没记忆点	一级立意	重选立意，选第三个角度
口播听着像念稿	二级脚本	贴语气样本改写
画面和文案对不上	三级分镜	重做同步关系标注
单镜头质量差	四级生成	变量隔离逐项调试
镜头之间风格乱	四级风格后缀	统一风格段每次附带
整体节奏拖	二级+剪辑	脚本标秒数重核