ykurilov/video-prompts

视频提示词

视频模型是导演，有自己的默认行为：提示词未提及的内容，模型会自行决定。提示词要指出重要内容，并关闭不需要的默认行为。此技能输出提示词文本和请求参数。实际的请求由生成服务所在的服务端处理。

步骤

1. 收集任务信息。 模型、其版本和服务。模式：从文本新建视频、图片动画、首帧和尾帧、参考帧、编辑、延长。输入文件：打开并查看每个文件，角色特征和参考帧的适用性从文件中获取，而不是靠猜测。逐字对话和屏幕文字。视频长度和画面格式。缺失信息从对话中推断；仅询问逐字对话和屏幕文本，以及缺少就无法确定模式或模型的信息。如果模型未指定，则根据“模型选择”部分选择并告知选择。
2. 完整阅读模型文件，直到提示词的第一行：Omni 1.2、Seedance 2.5 和 2.0、Kling 4.0 和 3.0、Veo 3.1。如果模型文件与以下通用规则冲突，以模型文件为准。
3. 按时间分解视频，参考“时间线”部分：每个事件、对话和镜头运动都有自己的时间段，这些时间段加起来构成视频的总长度。如果无法容纳或时间不足，请在提示词之前说明并提出方案。
4. 为文件分配角色，参考“参考文件”部分：每个文件都有一个角色和其边界，不能超过模型的任何限制。如果某个需求超出限制，请在提示词之前说明并提出最接近的可行方案。
5. 解决模型文件中的每个默认行为：是保留给模型处理，还是用提示词文本覆盖。
6. 编写提示词。
7. 执行“检查清单”：检查每个项目是否已执行或不适用于该提示词。
8. 提供三个部分：代码块中的提示词，准备发送；单独的请求参数列表，使用模型字段名称；以及在生成视频中需要用肉眼和耳朵检查的内容。对于英文提示词，添加一两句中文概述。如果任务因模型文件中的失败模式而受阻，在生成前说明。

时间线

顺序，而非秒表。 模型保持事件的顺序，但无法保证精确时间：两秒的间隔实际可能为 1.5 到 3 秒。时间标注设定节奏。只有模型文件保证秒级精度。必须与另一个事件同时发生的事件，应绑定到画面中的可见事件，而不是数字。精确的最终状态由准备好的最后一帧承载。

视频时间预算。 大约 5 秒用于一个完整的动作。大约 10 秒用于两到四个时间段。15 秒用于三到四个时间段。过满的视频会丢失事件，并被多余的剪辑切断。内容不足的视频会被填充以等待、重复和慢动作。如果内容不足以支持要求的长度，建议缩短视频，而不是拼凑事件。如果内容过多，建议延长视频或制作多个视频。

何时进行时间标注。 一个简单的动作不需要标注。当有多个事件且它们的顺序很重要时，需要进行标注。每种模型都有自己的标注语法，在模型文件中说明：时间码、镜头编号或单独字段。

如何进行时间标注。

• 在时间段之前，用一个总结性短语描述整个场景：否则时间段就没有依据。
• 时间段连续，以整秒为单位，无空隙，覆盖整个时长，并与时长字段一致。
• 每个时间段包含一个具有开始和结束的动作，而不是一连串微小的动作。
• 每个时间段内不超过一个镜头运动。镜头运动与角色的重大动作在同一时间段内会相互冲突：两者中只能有一个是主要的。
• 动作节奏通过计数和停顿来设定：步数，以及停顿位置。

结尾处容易出问题。 视频接近尾声时，模型往往会停止动作，丢失最后的镜头运动，或将场景恢复为初始状态。关键事件应在最后一秒之前结束，最后一个时间段只是一个简单的收尾。

对话的时间预算。 可靠值约为每秒两个英文单词；四个单词的对话可能会被截断。俄语单词较长，对此没有衡量标准：应留有裕量。对话开始前的动作时间应从对话时间中扣除。每个时间段一个对话和一个说话者。如果用户的对话无法放入一个时间段，则适用“逐字复述用户文本”规则。

剪辑总是预先确定。 每次提示词中都明确指出是连续单镜头还是包含剪辑。模型是否会根据时间段标注生成剪辑，在模型文件中说明。

参考文件

角色与边界。 上传文件本身并不赋予角色。每个文件在文本中都有一个明确的角色（文件上有什么以及从中提取什么）和一个边界（不要从中提取什么：背景、服装、灯光、镜头）。没有边界，文件中的所有内容都会被带入视频，通常包括背景。文件引用使用模型文件中的语法。整个提示词中，每个角色只使用一个标签，避免使用代词。

仅包含有作用的文件。 不要浪费限制：每个多余的文件都会模糊其他文件。没有角色的文件不包含在请求中。

不要复述首帧。 文本描述的是画面中没有的内容：运动、变化、镜头、声音。对于双帧，文本描述的是实际上能导向最后一帧的路径。

参考帧中的角色。 不要用文字复述面孔。简短重复两到三个容易验证且模型容易丢失的特征（服装颜色、徽标、手中的物品）。文字不要与图片冲突。关于是否要用文字描述外貌的问题，尚无测试定论；本规则是一种保守的折中方案。

参考视频。 说明从中提取什么（运动、镜头、节奏）和不提取什么（外观、服装、地点）。视频中的外观可能会不经意间渗入，应列入“检查”列表。

参考帧的适用性。 在提示词之前查看文件。适用条件：高分辨率、均匀光照、可见面孔、干净的中性背景、画面中只有一个角色、没有多余文字。多个不同角度的单独文件比单个图片更能保持角色的稳定性。角色表使用单个图片是备用方案，除非模型文件另有说明。如果参考帧较弱，需在生成前告知用户。

计数和精确位置——用图片。 超过三个相同的物品、画面上的精确布局、图表数据，文字无法可靠承载。这些应由准备好的帧来呈现。

视频间的一致性。 保持相同的文件集，对角色进行逐字相同的描述，相同的灯光和色调。下一个视频应从上个视频的最后一帧开始。

其他文本规则

参数不在文本中。 时长、画面格式、分辨率和是否包含音频通过请求字段设置：在提示词文本中指定这些会导致它们被忽略或与字段冲突。

音频始终确定。 每个提示词都必须说明三件事：对话、音乐、音效——哪些有声音，哪些没有。

逐字复述用户文本。 用户提供的对话、屏幕文本和画外音必须逐字包含在提示词中。不要自行简化、缩短、拆分或分配给其他声音。如果文本长度或复杂度超出模型可靠处理的范围，应在提示词之前说明，提出建议，并在获得用户同意后才能进行修改。只有在用户未提供文本，你需要自行创作时，才拥有措辞自由。

对话。 说话者应根据可见特征命名，对话应紧邻说话者。对话记录格式以及模型如何处理俄语对话，在模型文件中说明。如果没有对话，则直接说明。

屏幕文本。 每个文本都必须逐字包含，并说明其位置、字体类型、出现方式以及在屏幕上的停留时间。应说明画面中没有其他文本。

准确定位禁止项。 首先描述所需状态，然后简短说明禁止的具体多余内容。禁止项并非总能得到遵守：禁止的内容应列入“检查”列表。

编辑与延长。 编辑应是一条关于单一变更的简短指令，加上一条保持其他内容不变的语句；不要复述场景。延长应仅描述新的部分，不要复述已拍摄的内容，否则模型会重复已经完成的操作。已离开画面的角色或物品需重新引入。

语言。 除非模型文件另有说明，场景描述使用英文。对话和屏幕文本保留其原有语言。如果用户要求提示词使用俄语，则用俄语编写。

模型选择

仅列出经研究确认的差异：

需求	适用模型
单次请求生成超过 15 秒的视频	Seedance 2.5、Kling 4.0（最长 30 秒）
最长 8 秒的短视频	任意模型；Veo 3.1 仅支持此长度
俄语对话	Omni 1.2、Veo 3.1；不适用 Kling 3.0
画面内的俄语屏幕文本	Omni 1.2
在指定秒数进行剪辑	Kling 4.0
大量参考帧或音频作为参考	Seedance 2.5；对于声音，还包括 Kling 4.0
从参考视频中提取运动	Seedance、Kling 4.0、Omni 1.2；不适用 Veo
中间关键帧	Kling 4.0、Seedance 2.5
通过文本编辑成品视频	Omni 1.2、Seedance 2.5、Kling；不适用 Veo
延长视频	Omni 1.2、Seedance 2.5
精确的机械运动和硬剪辑	Seedance 2.0

视频不听话

1. 用一句话指出问题，并找到提示词中对此负责的短语。如果没有找到对应短语，则为默认行为所致：覆盖它。
2. 如果每次问题都出现在不同的地方，则使用相同的提示词重新生成。如果是同一个问题反复出现，则仅修改负责的短语。
3. 如果某个指令被忽略，首先移除其周围次要的指令，而不是通过加重语气来强化它。将移除的用户提示词内容逐一告知用户。
4. 如果事件丢失或视频静止不动，按照“时间线”部分重新计算时间预算。如果问题来自某个文件，则缩小其角色并明确边界。
5. 如果视频大部分正确，通过一条简短的编辑指令进行修改。如果缺陷是基础性的（如物体消失、面部变形），则重新生成：编辑会继承这些缺陷。
6. 对照模型文件中的失败模式进行检查：部分问题无法通过文本修复，应直接说明，而不是循环重写提示词。

检查清单

• 模型文件中的每个默认行为都已用提示词覆盖，或有意保留给模型处理。
• 提示词文本中不包含时长、画面格式和分辨率；这些已设置在参数中。
• 时间标注使用模型的语法编写，覆盖整个时长且无空隙，并与时长字段一致。
• 每个时间段包含一个动作且不超过一个镜头运动；关键事件不在最后一秒。
• 每个对话都能放入其所属的时间段。
• 已说明是单镜头还是包含剪辑。
• 每个文件都有角色和边界，引用使用模型语法；没有无角色的文件。
• 首帧和角色面孔未被复述。
• 已说明对话、音乐和音效的相关情况。
• 用户的对话、屏幕文本和画外音已逐字放入；任何与用户原文的差异都已征得用户同意。
• 编辑：一次变更，未复述场景，包含保持其他内容不变的语句。延长：仅描述了新部分。
• 未超出模型和服务的任何限制；未使用该版本模型不具备的任何功能。
• 已说明在成品视频中需要检查的内容：每个关键事件、每个禁止项、屏幕文本的拼写、音频与动作的同步性、角色特征。