帮助文档 / 视频
提示词写法(精简版)
请写原创或风格化的角色,或经有据可查的同意后使用你本人的形象。请遵守可接受使用政策。
把整页内容复制到你自己的助手里(ChatGPT、Claude、Codex),让它帮你写节拍。分镜规划器本身已经遵循这些规则;这一页是给你手写时用的。
一镜到底(比一遍渲染更长的片段)
- 一镜到底有自己的标签页,就在视频旁边:镜头、首帧、谁出镜、时长和画质,然后是带时间栏的节拍、一行运镜,以及连续性开关。脚本可以把同样的文档发到
POST /oneshot(docs/API.md)。 - 你不必写节拍。留空的话,提示词会承载整个镜头,每五秒都延续下去。当你希望镜头走向某处时,再写节拍:每一行指导它自己的五秒,空行则保持之前的状态。
- 一个节拍 = 五秒 = 一件发生的事。以运动开头:主体做什么,镜头做什么,什么进入画面。
- 场景切换要有自己的节拍。穿过一扇门、进入一个房间、走上一座桥:给它单独的五秒,并把接近的过程放在它前面的那个节拍里。藏在一个繁忙节拍末尾的场景切换,正是模型会跳过的那种。
- 揭示要有自己的节拍。“镜头绕到他的脸上”,当它是整个节拍时才有效,而不是一个同时还要写桌子、妻子和帽子的节拍的尾巴。
- 转折前先放缓。场景切换或揭示前面的那个节拍应该慢下来;模型需要一点时间落稳,才能转向。
- 每个节拍都重复不变项。主体的样子、镜头位置、色调、声音。引擎只记得最后一帧;其余的靠文字来传递。Phosphene 会自动把你的风格块加到每个节拍前面。
- 每一秒都有新东西。一次险些发生的意外、一个进入画面的物体、一次光线变化。只写情绪而没有事件的节拍,读起来就像一张静帧。
- 每个节拍一句短台词,并把静默写出来。说话速度约每秒 2.5 个词,所以 5 秒的节拍最多容纳一句七个词的台词,前面有一次呼吸,后面写明静默(“然后他沉默了,嘴巴合上,只听得见风声”)。一句 12 个词的台词会溢出节拍和段落边界,变成闭着嘴的画外音(2026-09-07 实测)。在第一句台词之前,用一个无声的凝视作为开场,第一帧就有一句台词,对口型就没有可以锁定的东西。
- 锁定光线。在第一个节拍里把一天中的时间和天气只说一次,之后不要暗示另一个钟点(“霓虹灯亮了”、“天亮了”)。Phosphene 会给每个节拍附加一句连续性说明,并测量每一段;光线跑偏的一段会自动重拍一次。
- 整个镜头只有一个运镜,写在“运镜”这一行里,只写一次。包括方向和速度:“一个缓慢、稳定的顺时针弧线,在视线高度绕着桌子,由远景到近景”。引擎会在段落衔接处延续画面,但不会延续运动:从静止开始的一段会自己选一种运动,接缝处就会表现为镜头改变方向,或者停下再重新开始。Phosphene 会把你的运镜行放在每一段的最前面(“镜头已经在运动 … 并以同样的方向、同样稳定的速度继续”)。节拍里自己的镜头用语要和它保持一致:不要写“镜头静下来”、“镜头甩过来”或“镜头拉远”,除非那就是整个镜头的运动。一个缓慢、恒定的运动读起来像一个镜头;三个运动读起来像三个镜头。
- 声音是镜头的一部分。写出我们听到的:脚步声、门口传来的乐队、雨打在遮阳篷上。没有声音提示,音频几乎只是静静的环境声。
从一张静帧开始
- 先把第一帧设计成一张图(Phosphene 会为你做一张,或者带上你自己的)。构图、色调和角色,要在几秒钟就能做好的图上决定,而不是在要花一个小时的片段上。
- 让静帧的宽高比与镜头画布一致;面板会选最接近的。
不要写的内容
- 一镜到底里不要写“快进”、“延时摄影”或“蒙太奇”:模型会切镜。
- 不要同时出现两个主体,除非其中一个正是这个节拍的重点。
- 两个角色对话:先读
docs/LTX_DIALOGUE.md。模型自己的答案是多镜头生成(在同一个提示词里做正反打,每个镜头只有一张说话的脸,写明切镜,说明声音,用同样的词重新指认角色),而不是把各段拼起来的一镜到底。 - 有效的双人调度(2026-09-07 渲染):一张长桌,每端坐一个说话者,加上沿着桌子的一个缓慢横移。说话者 A 说台词时独自在画面里(只写 A 的节拍),接着是一个只有空桌子的静默节拍,A 滑出画面(谁都不写),然后说话者 B 独自从远端进入,回答它的台词(第一个写到 B 的节拍)。任何一方说话时,都不要让两人同时在画面里。侧面双人镜头、环绕镜头,或者“越过 B 的肩膀”,都会让两张嘴同时出现在画面里,或者多出一个身体。
- 一个节拍只写应该出现在画面里的人。节拍文字里写到谁,谁就会被构图进这个节拍的画面里:“画面里只有 A”并不能去掉同一段文字描述的 B,而“越过 B 的肩膀,B 背对镜头”会多出第三个身体,而不是让 B 转过身(两者都在 2026-09-07 实测过)。要让画面里只有一张脸,就写一个只提到一个角色、完全不提另一个的节拍;第二个角色,在它进场的那个节拍里再介绍。
- 两个说话者必须不可能被混淆,而且每个节拍只有一个人说话。两个外形相似的原创角色(第一次晚餐镜头里的那两个外星人)会台词互换、自问自答,或者同声说出一句台词,画面里没有任何东西告诉引擎,一句台词属于哪张嘴。在第一个节拍里,给每个说话者不同的身形、不同的穿着颜色和一个声音特点(“高个子,低沉缓慢”;“矮个子,细而快”),在每个节拍重复这一对,每个节拍只写一句台词,并写明另一个人闭着嘴在听。
- 每个镜头只用一个原创角色。画面里有多个角色时,启用的角色 LoRA 可能让它们长得相似。请把不同的角色安排在不同的镜头里,避免这个局限。
- 画面上不要出现文字;招牌上也不要有字,除非你接受它们是编造出来的词。
时间和画质
- 在 M4 Max 64 GB 上,H3 原生(1344×768)加 Turbo v4:每 5 秒约 31 分钟。一分钟就是一个晚上。
- 5 秒的高画质(1024×576)测试要花 14 分钟。先测试第一个节拍,再决定要不要搭上整个晚上。
来源:docs/PROMPTING.md,位于公开仓库。发布前已针对本网站审阅。译自英文原文。建议修改。