拆完《万物生》的创作画布，我总结了几个作者的创作理念

最近在玩AI视频，但是又没有什么思路。于是我就找了一个国内很火的老师的画布去研究研究。

差不多大概花了一整天的时间，我翻阅了万物生的作者公开的整个创作画布

一开始我以为，最值得研究的会是作者写的那些复杂的镜头词、摄影风格和英文术语。

但把不同的图片和视频提示词放在一起看以后，我发现反复出现的，是一套很稳定的创作顺序。

我们刚开始写视频提示词，习惯先写人物和剧情：谁出现、做了什么、场面多震撼，然后在后面补上电影感、大片感、史诗运镜。

《万物生》的写法经常是反过来的。

它先规定这部片应该怎样被拍出来（风格 + 摄影镜头调度），再规定人物、场景和道具必须长什么样，最后才写这一镜具体发生什么。

我把它压缩成了这样一条顺序：

风格锁
→ 镜头总控
→ 素材分工
→ 音轨规则
→ 镜头事件
→ 结尾状态与限制

这个顺序让我重新理解了视频提示词创作的一种思路。

视频提示词不是一段画面描述，它更像是一份拍摄方案。

先给整部片立规矩，再处理某一个镜头

《万物生》的很多视频提示词，开头都会先出现一个叫 STYLE LOCK 的部分。

直译过来就是“风格锁”。

但是它锁定的并不是“高级”“震撼”“电影感”这种很宽泛的形容词，而是一组全片都要共同遵守的视觉规则（圣经）。

比如这段视频是真人实拍感，还是 CG；是宽银幕电影，还是竖屏手机记录；色彩偏暖还是偏冷；光线从哪里来；空气里有没有尘雾；画面应该有胶片颗粒，还是数码压缩……

它甚至会把不允许出现的东西一起写清楚。

比如，不要变成动画，不要出现塑料 CG 质感，不要做成游戏过场。

我觉得这里很值得学。

我们平时写提示词只会写“电影感”，其实这只是说了一个结果，却没有说这个结果由什么组成。

而风格锁是在把结果拆开。

同样是拍一段片场花絮，普通的提示词可能只会写：

一个工作人员用手机拍摄片场花絮。

但《万物生》的写法会继续往下拆：

竖屏手机随手拍，保留走路颠簸、握持晃动、自动曝光变化、短暂失焦、滚动快门、广角边缘变形和现场混杂声音。

这时候，“手机感”就不再是一个抽象风格，而是一组能在画面里看到的特征。

这种叫风格特征化

如果拍的是电影，它会建立电影的拍摄制度；如果拍的是幕后花絮，它就会建立手机记录的拍摄制度。

所以，写视频提示词之前，先想一想：

这段视频到底想要拍摄的风格是什么样的？

人物还没开始动，摄影机的路线已经定好了

风格确定以后，《万物生》的提示词通常不会马上进入人物动作。

它会先把摄影机放好。

摄影机从哪里开始，以什么方向移动，运动速度是快还是慢，要不要保持手持晃动，主体在画面中处于什么位置，最后又会停在什么构图上……

这些内容经常比人物动作更早出现。

比如一个英雄式的人物登场镜头，它不是简单地写“女主角霸气出场”。

它会先让摄影机看到一个没有人物的环境。

人物从画面下方进入，重型武器带动身体起身。摄影机保持低机位，沿着人物转身的相反方向环绕，依次露出她的脸、肩线和武器轮廓。

等人物抬头时，逆光短暂照亮面部，完成身份确认。随后摄影机继续后撤，把远处的巨型生物一起放进画面。

这个镜头值得学的地方，不在“低机位”“环绕”“长焦”这些专业词，而在于摄影机的运动一直在承担信息。

它先隐藏人物，再确认人物，最后揭示威胁。

又比如一个群体生物出现的镜头。

它不会一开始就把所有东西摆在大全景里，而是先让摄影机贴近地面，只看到空旷的沙地和几乎没有变化的地平线。

远处慢慢出现模糊轮廓，数量越来越多。等观众已经意识到有什么东西正在逼近时，画面才切到高空，完整展示群体规模。

摄影机不只负责移动，也在控制观众什么时候知道答案。

把这类写法压缩一下，其实就是四个问题：

摄影机从哪里开始？
它沿什么方向移动？
它和主体保持什么关系？
最后停在什么构图上？

我们经常把运镜当成写完动作以后再加上去的装饰。

就像我们只会写：环绕运镜，手持运镜……

但在这张画布里，摄影机和人物是在同一个时间过程里互相配合的。

人物为什么在这一刻转身，摄影机为什么在这一刻后撤，背景中的威胁为什么在这一刻出现，它们不是三件分开的事。

它们共同组成了这个镜头。

参考图不是越多越好，而是要给它们分工

我在这张画布里看到的另一个明显习惯，是它会主动规定每张参考图的职责。

人物图负责身份和服装。

武器图负责外形、材质和比例。

环境图负责空间和氛围。

色卡只负责整段画面的颜色关系。

声音参考只负责某个角色的音色。

如果还有一张姿势图，它会特别说明：这张图只控制姿势和构图，不改变人物的面部、发型和服装。

也就是说，它不只写“这张图负责什么”，还会写“这张图不能控制什么”。

这其实是在给参考素材划分权限。

我们平时做多参考，很容易把人物图、场景图、动作图、色卡和道具图一起扔进去，然后期待模型自己理解每张图应该负责哪一部分。

在同一项生成任务里，这些参考素材会同时参与控制画面。

姿势图里的人物可能顺便影响角色长相，角色图里的站姿也可能压过文字要求，环境图的色彩又可能改变人物服装。

所以参考图并不是越多越稳定。

如果没有分工，它们也可能互相争夺控制权。

《万物生》的做法可以直接迁移到我们自己的提示词里：

参考图 1 控制人物身份与服装；
参考图 2 控制武器外形与材质；
参考图 3 只控制姿势和构图，
不改变人物身份、服装和场景。

这段话不一定能保证模型完全照做，但它至少让创作者自己先想清楚：哪些东西必须保持一致，哪些东西可以变化。

不要只写“激烈打斗”，要把动作写成因果

很多动作提示词最大的问题，是只写了自己希望看见的感觉。

激烈打斗、力量感、强烈碰撞、流畅动作、震撼特效。

这些词没有错（喜欢随机性的抽卡可以这样试试），但它们都没有回答动作具体是怎样发生的。

《万物生》在写动作时，会把抽象的打击感拆成能直接看到的变化。

比如一把重剑撞上对手的弯刀。

它会继续写清楚：重剑从什么方向运动，接触点在哪里，弯刀怎样因为受力产生弯曲，对手的上身怎样被带向后方，双脚又怎样在沙地上滑动。（这种的描述我觉得他们应该还用AI辅助来写的，而不是自己的凭空想的）

一个动作就这样变成了一条完整的因果链：

谁先发力
→ 武器沿什么方向运动
→ 在哪里发生接触
→ 对方身体怎样反应
→ 脚下怎样位移
→ 摄影机和环境怎样跟着变化

机械变形也是一样。

它不会只写“小型生物变成一把巨剑”。

而是先让物体进入画面，再让符箓成为触发点，然后写甲壳分离、机械结构展开、部件滑动并锁定，最后才完整展示武器形态。

每一次变化都从上一个状态继续发生。

这个地方对 AI 视频很重要。

因为视频不是两张静态图之间的瞬间替换。

观众真正相信一个动作，靠的是前因和后果能够接上：力量从哪里来，经过了什么，最后造成什么结果。

声音不是画面做完以后再贴上去的包装

这张画布还有一个让我印象很深的地方，就是声音经常会被单独拿出来写。

它会先规定整段视频有没有背景音乐，环境里持续存在什么声音，人物是否说话，动作发生时要出现什么同步音效。

然后再把局部声音写回对应动作旁边。

比如机械变形，不是统一补一句“配合金属音效”。

物体被抛出去时有抛掷声，能量启动时有蓄能声，部件展开时有金属翻折和齿轮咬合，结构伸缩时有液压声，最后完成形态时再出现锁定声。

声音和动作是一一对应的。

手机花絮又是另一套声音制度。

它不需要干净的电影对白，而是会保留风噪、工作人员交谈、器材碰撞、远处招呼声，以及手机收音产生的压缩和轻微失真。

这些声音不只是增加真实感。

金属声可以告诉观众一个物体有多重，远处的喊声可以建立空间，脚步和碎石声可以交代人物离镜头有多近，持续的低频轰鸣可以让一个还没完全进入画面的巨物先获得存在感。

所以声音本身也在叙事。

它应该在设计镜头时一起被写进去，而不是等画面做完以后，再补一句“增加震撼音效”。

每一镜都要知道自己最后停在哪里

我们写提示词时，经常很重视动作怎样开始，却很少认真写它怎样结束。

人物冲出去以后停在哪里？

摄影机最后看到什么？

武器在动作完成以后是什么状态？

画面是已经完全静止，还是仍然保留向下一镜延续的运动压力？等等

《万物生》的提示词会把这些结尾状态写得很清楚。

有的镜头要求摄影机抵达尾帧构图以后仍然保持运动，不要提前站定。有的镜头会再次强调人物身份、服装和武器比例不能改变。有的镜头则会明确禁止字幕、水印、界面和无关文字出现。

这些内容看起来像是在重复前面的规则，但它们承担的是另一件事。

它们在提醒模型：到了镜头后半段，哪些东西最不能丢。

结尾状态还会直接影响剪辑。

如果上一镜的人物向画面右侧跑出，下一镜却突然从完全相反的方向继续，观众就会失去空间感。如果一件武器在上一镜还握在人物右手，下一镜突然改变位置，连续性也会断掉。

所以“动作完成”不是一个真正的结尾。

一个可以使用的镜头结尾，应该是可见、可读，而且能继续接下去的状态。

提示词的长度，取决于还有多少信息没有被表达

读这张画布时，还有一个很容易被忽略的差别。

有些提示词非常长，有些却短得出乎意料。

角色设定图的提示词通常会写得很细，因为它承担的是建立标准：人物身份、身体比例、发型、服装层级、材料反光、武器尺度，以及后续不能改变的特征，都要在这一张图里说清楚。

单镜头视频要重点处理摄影机与人物的连续关系。

多镜头段落则要说明每一镜分别承担什么信息，状态怎样一步步变化，切镜时又通过动作、视线或声音完成接力。

但如果已经提供了一份完整故事板，文字提示词反而可以很短。

因为镜头顺序、构图和主要动作已经由故事板承担了，文字只需要补充输出媒介、人物身份、武器来源，以及故事板没有表达清楚的运动和声音。

所以，长提示词本身不是目标。

真正重要的是判断：

现在还缺什么信息？这部分信息最适合交给文字、参考图、故事板，还是声音素材？

已经由图片说明清楚的内容，不需要再用一大段文字重复。已经由故事板安排好的镜头，也不用再从头描述一次。

把所有信息都塞进提示词，并不一定更专业。

知道哪些该写，哪些不用写，才是更重要的控制能力。

我最后把它整理成了六个问题

如果你也在写 AI 视频提示词，不需要先记住所有英文运镜词。

可以先用下面六个问题，检查自己的提示词：

风格：
这段视频属于什么媒介、画幅、色彩和拍摄质感？

镜头：
摄影机从哪里开始，怎样移动，最后到哪里？

素材：
每张参考图分别控制什么，又不能控制什么？

声音：
持续存在什么声音，动作发生时出现什么声音？

事件：
开始是什么状态，什么触发了动作，产生了什么反应？

结尾：
人物、摄影机和环境最终停在什么状态，下一镜怎样接？

还有一个更简单的阅读方法。

当你看到一条很长的视频提示词时，可以先把里面所有剧情和人物动作暂时遮住，只看风格、镜头、素材和声音。

如果这时候，你仍然能说清楚它要拍成什么质感、摄影机怎样运动、每张参考图负责什么、声音怎样组织，那么你已经抓到了这条提示词真正的拍摄骨架。

最后再把人物和事件放回去，看故事是怎样被装进这套拍摄系统里的。

我从《万物生》的创作画布里学到的，并不是怎样把一条提示词写得更长。

而是在动笔之前，先把风格、镜头、素材、声音和事件之间的关系想清楚。

这次整理主要研究的是它怎样组织提示词，不是在为了证明其中每一个专业词都有效，也不代表这套结构可以不加修改地套到所有模型上。

真正用到自己的创作里，还是要根据模型、参考素材和实际生成结果继续删改。

但有一个思路，我觉得是可以值得我们借鉴的：

不要只告诉模型你想看到什么，还要先告诉它，这一段应该怎样被拍出来。

——

我是南鸢，主要做 AI 生图控制、Skill 和本地工作流。

日常会分享真实测试过的方法和工具。

如果想要进群一起交流的，欢迎加入，方式在主页置顶（备注来意）