让人物“走到桌边，拿起杯子，转身看向窗外”，听起来只有三个动作，AI视频却可能生成一个人站在原地转头，杯子自己移动，甚至直接跳到最后的姿势。遇到这种情况，很多人会把提示词写得越来越长，但问题未必出在字数少，而在于动作关系没有交代清楚。

模型能识别动作，不代表能按顺序完成动作

视频生成模型通常会综合文字、参考画面和时间信息预测连续画面。它可以生成“拿杯子”的视觉效果，但对复杂动作的先后、物体接触和动作结果，并不总能稳定执行。

尤其是一个短镜头里塞入多个动作时，模型可能优先表现最显眼的画面，例如“人物看向窗外”，却跳过“走到桌边”和“握住杯子”的过程。这不是简单的中文或英文表达问题，而是生成过程对时间顺序、动作衔接和物理关系的控制能力有限。

因此，动作描述最好让模型明确知道：人物一开始在哪儿，先做什么，做完以后处于什么状态。

写动作提示词，先把主动作放在前面

同样是人物拿杯子，比较下面两种描述：

容易出问题的描述 更清楚的描述
温暖的咖啡馆里，一个优雅的年轻人，电影质感，慢镜头，人物拿起咖啡杯 人物右手伸向桌上的咖啡杯，握住杯柄后缓慢抬起；镜头固定，背景是咖啡馆
人物走路、转身、微笑，镜头环绕，光线漂亮 人物向前走两步后停下，再转头看向镜头并微笑；镜头保持稳定

第二种并不能保证一定成功，但至少明确了动作顺序，也减少了风格词对动作信息的挤占。

描述顺序有帮助，不意味着所有模型都会严格按照提示词从左到右执行。不同产品对文本的理解、提示词长度和动作控制能力差异很大。与其相信某套万能公式，不如把动作写清楚后用实际结果验证。

一条短视频不要承担太多动作

假设需要生成六秒的角色镜头：人物从椅子上站起、走向门口、回头说话、推门离开。对真人演员来说并不难，但对生成模型而言，它涉及起身、行走、转头、口型、手部接触、门的运动以及人物离开画面等多个连续变化。

只要其中一个环节失败，整条素材就可能需要重做。更可靠的做法是把它拆成两到三个镜头：

  1. 近景：人物从椅子上站起，目光看向门口。
  2. 中景：人物走到门边，停下并回头。
  3. 特写或侧面镜头：手握住门把手，推门离开。

拆镜头不只是为了降低模型难度，也让剪辑有调整空间。第一条生成成功、第三条失败时，只需重做第三条，不必推翻整段剧情。

当然，如果画面要突出一气呵成的长镜头，就不能简单依靠剪辑掩盖问题。这时应减少人物和道具数量，控制动作幅度，并选择支持关键帧、首尾帧或动作参考的工具进行测试。

动作为什么经常在接触物体时出错

人物走路、点头与拿起杯子，难度并不一样。拿杯子要求手和杯柄在接触前后保持正确位置，杯子还必须随手移动；放下杯子时，杯子又要稳定留在桌面。模型如果没有保持这些关系，就会出现穿模、手指错位、物体突然消失等问题。

遇到接触动作，可以优先做几项调整：

动作的完成标准也要提前定好。如果广告镜头必须展示商品标签，杯子拿起来却遮住标签，即使人物动作流畅，素材仍然不能交付。

参考图不是越漂亮越好

图生视频常用一张首帧图片启动生成。如果首帧里人物的手已经贴在杯子上，却又要求“手从远处伸过来”，模型就会收到相互矛盾的信息。它可能直接让杯子抬起，省略伸手过程。

要表现伸手，首帧最好让手与杯子有清楚的距离；要表现转身，人物的身体方向和可转动空间应当合理。首帧实际上决定了动作从哪里开始，不能只按静态海报的标准挑选。

若工具支持首尾帧，可以尝试用开始和结束姿态约束结果，但中间动作仍可能出现不自然的过渡。首尾帧是辅助，不是完整的动作编排。

如何判断该改提示词，还是该换制作方法

先用固定机位、单人物、单动作做一个短测试。如果人物连“抬手”都不稳定，继续添加光影、景别和情绪描述通常没有帮助；应检查参考图、动作难度以及模型能力。

如果简单动作能够完成，多个动作组合后却失败，就优先拆分时间顺序。若失败集中在手与物体接触、人物互相拥抱等场景，说明问题更接近物理关系控制，需要减少遮挡、换角度，或者采用其他制作方式。

还有一个常见误区：把“先”“然后”“最后”写进提示词，就以为模型必然逐项执行。文字能表达时间逻辑，但视频模型不一定有严格的动作调度机制。它更擅长生成看起来像某个动作的连续画面，而不总能完成精确的动作任务。

制作时可以建立简单的检查标准：动作有没有发生、顺序是否正确、人物和道具是否稳定、镜头是否方便剪辑。四项里只要有一项是硬性要求，就要围绕它设计镜头。

所以，提示词的改进方向不是越写越长，而是把一个镜头真正要完成的事情讲清楚。一个动作做稳，再安排下一个动作，比把整段剧情塞进六秒视频更可靠。