企业官网建设流程全解析

Picsart 视频产品负责人最近分享的一组 Wan3.0 提示词技巧，核心观点不是“怎么把画面写得漂亮”，而是“怎么让模型像摄影师一样听懂拍摄指令”。这个判断我很认同。Wan3.0 是通义万相系列视频生成模型的新版本，很多人已经跑过文生视频、图生视频，但大部分生成结果不理想，问题往往不在模型能力，而在提示词写法。这篇文章就把这套思路拆开，给出一套可以直接实操的 Wan3.0 提示词框架，覆盖人物写实、产品展示、空镜氛围、风格化场景，以及从单条测试到批量任务的完整流程。适合两类人看：一类是刚接触 Wan3.0、被画面稳定性劝退的新手；另一类是想把视频生成接入内容生产流程、需要稳定输出质量的从业者。

先说一个容易误解的地方。视频提示词和对话提示词不一样。对话模型会理解你的意图，即使表述模糊也能猜。视频生成模型不会“猜”，它更像一个执行拍摄指令的团队：你写“一个女孩在森林里跑”，它可以生成，但场面调度、镜头运动、光线氛围、主体动作细节全部要模型自己脑补。脑补的结果就是不可控。所以真正值得花时间的，不是堆砌形容词，而是把提示词从“描写画面”改成“指导拍摄”。下面按实际落地顺序拆一遍。

1. Wan3.0 提示词厉害在哪儿：从“描写画面”到“指导拍摄”

1.1 这次分享里最值得学的一条

Picsart 视频产品负责人的分享，反复围绕一个点：把提示词当导演指令来写。视频产品团队每天都在跟生成结果打交道，他们最难接受的不是生成质量差，而是不可控。模型能不能把“主体是谁、在做什么、镜头怎么动、环境什么样”一次说清楚，直接决定一条视频能不能用。

为什么这个视角重要？因为 Wan3.0 本质上不是绘画工具，而是拍视频的工具。绘画提示词只需要描述静态画面，视频提示词要额外承担时间维度的信息：动作怎么发展、镜头怎么运动、情绪怎么变化。同一个画面，静止展示和缓慢推进，观众感受完全不同。模型需要从文本里读取这些差异。

1.2 提示词质量的分水岭：信息结构

我见过不少提示词写得非常饱满，形容词三十个，结果生成出来主体穿帮、镜头乱晃、背景闪烁。原因很简单：模型不知道哪些词是重点。提示词越长，重点越容易丢失。真正高质量的视频提示词，信息结构通常是清晰的，主体在开头，动作紧随其后，镜头语言单独交代，环境光线放中间，最后用约束条件收尾。

这里有个判断标准：把提示词读一遍，如果你能在脑子里直接想象出一个具体的分镜脚本，这条提示词大概率有效。如果读完还不知道主体是谁、镜头是固定还是运动、光线是暖是冷，模型更不知道。字数多不等于信息量大，一条好的提示词应该像一份简短的拍摄需求单，每个字段都有明确功能。

1.3 新手最常见的三类错误

第一类是写小说。把人物的心理活动、背景故事、隐喻全写进去。视频模型不理解“她看起来心事重重”，它理解的是“她皱眉、低头、沉默、缓慢转身”。视觉化的动词才有意义。

第二类是只说内容不说镜头。写了“一只猫在窗台上睡觉”，没有写镜头固定还是缓慢推近。模型自己选运镜方式，结果就是每次生成都不一样，风格不稳定。

第三类是只写正面描述，不写负面约束。视频生成里，手部变形、多手指、画面闪烁、文字水印都是高发问题。如果提示词里不写“不要出现手指变形、不要出现文字”，模型默认情况下不会自动避开。后面会专门讲负面提示词怎么用。

2. 写提示词之前，先理解 Wan3.0 怎么读文本

2.1 模型读的是“指令”，不是“文章”

Wan3.0 作为文生视频模型，输入是一段文本，输出是一段视频。它内部会把文本拆解成语义元素，再在视频生成过程中把这些元素组合起来。问题在于，自然语言天生有歧义。你写“一个男人走进房间，然后坐下”，模型要自己决定怎么走、怎么坐、镜头拍哪个角度。

所以好的做法是主动消歧：动作写具体，镜头写清楚，空间关系写明确。比如“一个穿黑色外套的男人从画面右侧缓步走进房间，镜头跟随他的背影，他在窗边的椅子上坐下，手指轻轻敲桌面”，模型需要脑补的部分就少很多。

2.2 它关注的信息层级

我通常把 Wan3.0 会读取的信息分成六个层级：

• 主体：谁出现在画面里，长什么样，穿什么。
• 动作：主体在做什么，动作幅度大还是小，有没有连续运动。
• 镜头：镜头固定、推近、拉远、环绕、跟随、俯拍还是仰拍。
• 环境：场景在哪里，背景是什么，空间关系如何。
• 光线和氛围：自然光、暖黄灯、冷蓝、傍晚、清晨、雾天、霓虹。
• 风格与约束：电影感、纪录片、动漫、写实、低多边形，以及不能出现的东西。

层级顺序很重要。主体和动作是第一优先级，如果这两项写得不清楚，后面的光线和风格再漂亮也没用。我见过很多人把光线写在最前面，主体反而一笔带过，生成结果往往是背景很有氛围，人物动作一塌糊涂。

2.3 中文提示词还是英文提示词

Wan 系列对中文提示词的支持一直做得比较友好。我的实测感受是，用中文写主体、动作、环境这些语义明确的内容，效果不比英文差，反而是中文表达“光线的暖冷”“风的大小”“动作的迟疑”这类细腻语义时更准确。选择原则就一条：用你自己表达最准确的语言，不要为了追求英文而生硬翻译。

如果要用英文，建议把关键名词和动作拆成短语，不要写成一整段复杂从句。比如“woman, 30 years old, gray coat, standing on rooftop, wind blowing hair, slow push-in”就比一整段嵌套从句更容易被模型解析。中文同理，短句、逗号分隔、信息块清晰，比长句更稳定。

2.4 别用写小说的方式写视频提示词

视频提示词里，最不值得写的是心理描写、抽象比喻、情绪形容词。比如“她心中充满孤独”，模型不知道孤独长什么样。改成“她站在空荡房间的窗前，双手垂在身侧，望着窗外暗淡的街道，镜头缓缓拉远”，孤独感反而表达出来了。

核心原则：所有情绪都要转化成可见的动作、表情、光线和环境。这也是 Picsart 视频产品负责人那套分享里反复强调的方向——用镜头语言替代文字描写，让模型通过画面元素来传达情绪。写提示词时多问自己：这句话能不能被摄像机拍到？拍不到就不要写。

3. 一套可复用的 Wan3.0 提示词框架

3.1 六要素结构

把提示词拆成六个模块，每一模块负责一件事。这个结构不是凭空发明的，而是从视频制作流程里反推出来的：任何一条可执行视频，都需要回答“拍谁、他在干什么、镜头怎么动、在哪儿、什么光、什么风格”。

• 主体：一个不会产生歧义的对象描述。
• 动作与情绪：具体的动作链条，按时间顺序排列。
• 镜头语言：运镜方式、景别、视点。
• 环境与空间：场景、背景、主体与背景的关系。
• 光线与氛围：光线来源、色温、天气、时间段。
• 负面约束：禁止出现的元素。

3.2 一个完整模板

下面这个模板可以作为起点，实际使用的时候替换掉方括号里的内容：

[主体描述]，[服饰/外观细节]，站在/坐在/穿行于[环境描述]。 动作：先[动作1]，然后[动作2]，表情[表情描述]。 镜头：[镜头运动方式]，从[位置]开始，画面[景别]，浅景深/深景深。 环境：背景是[背景描述]，主体在[空间位置]，画面角落有[辅助元素]。 光线：[光线来源]光，[冷/暖]色调，[时间段/天气]氛围。 风格：[电影感/纪录片/动漫/写实/低多边形]，画面干净。 负面：不要出现[手指变形/多手多脚/文字/水印/闪烁/面部扭曲]。

注意，这不是一个固定格式，而是一个信息清单。模型不会因为你写了“负面”两个字就自动理解，真正起作用的是后面的具体内容。

3.3 模板拆解：每段在控制什么

主体描述放在开头，作用是锁定视频的主角。这一步写得不清楚，后续所有描述都容易跑偏。如果生成人物，最好写明性别、年龄段、服装、发型；如果是物品，写明材质、颜色、形态。不要只写“一个人”。

动作部分要按时间顺序写。视频是连续的，动作之间的先后关系必须明确。写“先推门，然后停顿，再走进室内”，比写“她推门走进室内”更容易生成连贯动作。动作幅度也要写：微微转身还是迅速回头，大步走还是缓步走，模型需要知道节奏。

镜头语言单独一段，不跟主体混在一起。我见过很多提示词把“镜头慢慢推进”写在句子里被模型忽略，原因就是它被其他长句淹没。把运镜方式单独列出，模型更可能响应。固定镜头就写“镜头固定”，运动镜头就写“缓慢推近”“跟随主体横移”“从俯拍缓慢下摇”。越具体越容易控制。

环境、光线、风格同样各有分工。环境解决“在哪”，光线解决“整体感受”，风格解决“渲染倾向”。三个模块最好都写，只写环境不写光线，画面容易平淡；只写风格不写环境，背景容易乱。

3.4 参数补充：时长、分辨率、运动幅度

提示词之外，Wan3.0 的参数也会影响结果。常见需要关注的有生成时长、分辨率和运动幅度。这些参数在不同产品界面里的叫法略有差异，但思路一致：视频越短，越容易控制；分辨率越高，对显存要求越高；运动幅度越大，越容易出现形变和闪烁。

我的建议是，第一次测试不要追求高分辨率，先用中低分辨率跑通提示词结构，确认主体、动作、镜头都符合预期，再拉高分辨率和时长。否则一条长视频跑到一半才发现主体穿帮，浪费的时间和资源都更多。如果界面里有“运动幅度”或“画面动态”类似选项，先从中等强度开始。运动太强，画面容易乱；运动太弱，视频又像静态图。

4. 分场景实测：人物、产品、空镜、动漫

4.1 人物写实场景

人物类视频是最常见的需求，也是提示词最难写的一类。难在三点：面部一致性、手部稳定性、动作连贯性。

一个实测下来比较稳定的人物提示词示例：

一个三十岁左右的女性，穿深灰色风衣，中长发，站在城市天台上。 动作：她站在栏杆边，双手扶着栏杆，风吹起头发，她微微侧头看向远方，然后缓缓转头看向镜头，眼神平静。 镜头：镜头固定在正前方，缓慢推近，从中景推近到近景，浅景深，背景略微虚化。 环境：背景是傍晚的城市街区，远处有暖色灯光逐渐亮起，天边是暗蓝色，画面左下角有轻微的车灯拖影。 光线：傍晚自然光，整体偏冷蓝色，面部有柔和补光，氛围安静克制。 风格：电影写实风，画面干净细腻。 负面：不要出现手指变形、多余肢体、面部扭曲、画面闪烁、任何文字或水印。

这条提示词的关键在于动作链条是连续的：扶栏杆、风吹头发、转头、看镜头，每一步都有明确顺序。镜头固定推近，让模型不必同时处理运镜和动作两件事。实测时如果脸部不稳定，优先缩短镜头推进距离，固定机位比复杂运镜更容易保住人脸一致性。

4.2 产品展示场景

产品展示视频讲究的是转台节奏、材质质感和环境反光。提示词要重点描写产品形态、表面材质、旋转方式和背景环境。

一个透明玻璃瓶装的无标签护肤品，瓶内是浅金色液体，瓶身有细微的水珠，放在浅灰色大理石台面上。 动作：瓶子缓慢旋转，顺时针转动约九十度，台面上出现轻微的光影移动。 镜头：镜头固定，从产品斜上方四十五度拍摄，缓慢推近，浅景深。 环境：背景是米白色墙面，台面边缘有柔和阴影，右侧放着一片绿色植物叶子，轻微入镜。 光线：柔和的棚拍灯光，偏暖白，产品表面有明显高光，玻璃材质通透。 风格：商业产品摄影风格，画面干净，质感细腻。 负面：不要出现手指、人物倒影、瓶身文字、水印、反光闪烁。

产品视频最容易出的问题就是瓶身文字和品牌标识乱生成。如果做不到精确文字，直接写“无标签”“瓶身没有任何文字”，比让模型自由发挥要稳得多。另外，旋转角度不要写太大，九十度以内的缓慢旋转比完整一圈更容易保持形态一致。

4.3 空镜氛围场景

空镜没有主体人物，难度在于氛围统一。这类提示词不需要复杂动作，重点写环境、光线和镜头运动。

一片雨后的森林，薄雾弥漫在树木之间，阳光从左上方的树叶缝隙中穿过，形成几道细长的光束。 动作：雾气缓慢飘动，树叶轻微摇晃，光束里的微尘浮动，没有人物。 镜头：镜头固定，缓慢向右平移，画面从树冠逐渐下摇到地面潮湿的落叶层，整体节奏很慢。 环境：森林地面被雨水打湿，落叶泛着湿润的深褐色，远处树木轮廓朦胧。 光线：清晨自然光，偏冷色调，带一点淡青色，氛围安静通透。 风格：自然纪录片的质感，画面干净，没有明显颗粒感。 负面：不要出现人物、动物、文字、水印、画面闪烁、过度饱和。

空镜类提示词，我最注意的是“动作”要写环境本身的动态，而不是主体动作。薄雾飘动、树叶摇晃、光束变化，这些细微运动会让画面活起来。如果你忘写环境运动，模型有概率生成一段近乎静止的视频，观感会像一张会呼吸的照片，而不是视频。

4.4 动漫和风格化场景

风格化视频的提示词，核心是明确“渲染风格”。动漫、水彩、赛博朋克、低多边形，不同风格对模型的影响非常大。同时要留意风格描述不要太杂，不要同时写“赛博朋克、宫崎骏风、厚涂油画风”，模型很难同时满足多个互相冲突的风格。

一个穿红色斗篷的少女，站在巨大的城市巨像脚下，巨像是古铜色机械结构，表面有发光纹理。 动作：少女仰头望向巨像，斗篷被风吹起，她向前走几步，镜头跟随她移动。 镜头：从低角度仰拍开始，缓慢上摇，然后切到侧面跟拍，镜头流畅连贯。 环境：城市巨像覆盖整片天空，脚下是布满青苔的石板路，周围有细小飞行物散发微弱的蓝色光点。 光线：黄昏暖光，巨像发光纹理呈蓝紫色，整体色彩对比强烈。 风格：赛博朋克动漫风，高细节，画面干净。 负面：不要出现真人脸、文字、水印、画面模糊、巨像结构扭曲。

这类风格的提示词，最容易失败的是“风格叠加过多”。我的经验是：风格词控制在两个以内，并且要兼容。赛博朋克和动漫可以兼容，水彩和写实就冲突。遇到生成结果风格跑偏，先检查风格词是不是太多。

4.5 每个场景的验证标准

跑完一次生成，不要只看“像不像”，要看四个标准：

• 主体一致：人物身份、服装、发色是否从头到尾保持稳定。
• 动作连贯：动作之间是否自然过渡，有没有跳变、瞬移、手部扭曲。
• 镜头准确：运镜方式是否符合提示词，有没有莫名的镜头抖动。
• 画面稳定：背景有没有闪烁，光线有没有跳变，有没有文字或水印。

只要某一个标准不达标，就算单帧截图再漂亮，也不能作为成片使用。这也是 Picsart 视频产品负责人那类分享里最常提到的判断维度：视频生成不是看单帧，而是看连续片段的稳定性。

5. 提示词写完之后，怎么判断效果对不对

5.1 先跑单条，不要直接批量

很多人拿到一套模板，马上把十个场景塞进去批量生成，结果问题一大片，还不知道哪条提示词出了问题。正确的顺序是先跑一条。

单条测试时，用中低分辨率、短时长，把提示词里所有要素过一遍。生成后逐帧检查，重点看第几秒开始出现崩坏。如果前两秒就崩，问题大概率在动作链条或主体描述；如果最后几秒才崩，可能是长视频累积误差，可以适当缩短生成时长。

这条单条测试的提示词，建议手动写，不要直接用模板自动替换。手动写能让你意识到哪些信息没写清楚，这一步的思考过程远比批量跑十条有价值。

5.2 效果不符合预期时，定位是哪一段的问题

提示词生成失败时，不要整条删掉重来。我一般用固定变量法：一次只改一个模块，其他模块不动，对比两次生成的差异。

比如主体描述没问题，但镜头很乱，那就只改镜头语言，把“镜头缓慢推近”改成“镜头固定”，其他词一个字都不动。如果画面稳定了，说明问题出在镜头描述。如果还是乱，那可能是环境描述太丰富导致模型注意力分散，把环境简化，保留光线即可。

这个方法的本质是给模型的注意力做减法。每次改一个变量，你能清楚知道哪个词真正生效。不要同时改三个模块，否则出了问题你根本不知道是谁的锅。

5.3 常见问题排查表

下面是我自己常用的排查顺序，从出现频率高到低排列：

排查时记住一个原则：先看输入，再看参数，最后才怀疑模型。大部分问题不是模型不行，而是提示词里某个模块没有尽到职责。

5.4 负面提示词的使用边界

负面提示词是很多人容易走极端的地方。有人写二十个负面词，结果画面被限制得毫无生气；有人完全不写，结果手指和文字乱飞。

我的建议是负面词控制在五到八个，只约束最影响使用的元素。常见的优先约束：手指变形、多余肢体、面部扭曲、文字水印、画面闪烁、风格混杂。少写“不要模糊”这类抽象负面词，因为“模糊”本身可能是某种风格的一部分。负面提示词应该写具体的、可识别的问题，而不是你的审美偏好。

6. 从单条到批量：提示词模板库和版本管理

6.1 为什么要建模板库

当你跑通了五到十条满意的提示词，一定要把它们存下来，而不是放在生成记录里等它过期。视频生成提示词调优的成本不低，每一条有效提示词都是积累。

我一般用表格维护提示词库，字段包括：场景类型、提示词原文、负面词、生成长度、分辨率、运动强度、验证结果、适合用途。这样下次要做类似项目，直接查库复用，而不是从头开始写。

模板库的核心价值是积累“已验证的稳定组合”。模型更新后，旧模板可能失效，但保留原始记录能帮你快速对比哪些部分发生了变化。

6.2 变量化提示词

模板库里的提示词最好做成变量式，而不是一整段复制。比如主体描述做成{subject}，环境做成{environment}，光线做成{lighting}，其他结构保持不变。

一个{年龄性别描述}的人，穿{服装}，在{环境}中{动作}。 镜头：{运镜方式}，{景别}。 光线：{光线描述}，{色调}。 风格：{风格描述}。 负面：{负面词列表}

这样做的好处是，批量生成时只需要替换变量值。比如同一套产品展示模板，把“玻璃瓶”换成“陶瓷杯”，把“大理石台面”换成“木质桌面”，一分钟能产出多条有差异但结构稳定的提示词。

6.3 输出命名和日志

批量生成时，输出文件命名一定要带变量信息。我建议格式是“场景类型_主体_环境_日期_序号”。这样跑完几十条，你扫一眼文件名就知道是哪组参数。不要用生成时间戳做文件名，不然排查时根本不知道哪条对应哪个提示词。

日志也很重要。每跑一组批量任务，把提示词版本、参数设置、输出文件列表、成功失败状态记下来。这一步看起来很麻烦，但等你要调整提示词时，日志能帮你快速定位“之前那次好的版本用的是哪个模板”。

6.4 批量任务的失败重试和一致性

批量生成视频和批量生成图片不一样，单条视频生成耗时明显更长，失败成本更高。启动批量任务之前，先确认三件事：单条成功率是否够高、输出目录是否有足够空间、失败后会不会自动跳过并记录日志。

如果批量任务里某条失败，不要简单重试一次就完。先把失败那条的提示词单独跑一遍，确认是提示词问题、参数问题还是临时资源问题。如果单条能跑通，再回到批量队列里重试。批量任务里连续失败超过三条，建议先停掉整个队列，排查原因后再继续。盲目重试只会浪费时间和算力。

最后说一点经验。Picsart 视频产品负责人那类分享，真正有价值的不是某条具体的万能提示词，而是一套稳定的工作方法：把提示词当成拍摄指令、用结构化模块控制生成、单条验证后再批量生产。Wan3.0 的能力边界也在不断变化，你手里的模板库和日志记录，才是应对变化最可靠的东西。按照上面的框架跑三到五条，你会明显感觉到提示词从“撞运气”变成了“可控制”的技术活。