案例拆解:航拍跑酷提示词(Hailuo 2.3)

一句话:一条不到 50 词的纯文生视频提示词,如何撑起 10 秒高速航拍跑酷;适合想用极短篇幅换取强动态镜头、又不想堆砌形容词的人读。

字段表

prompt_en

原文转载(署名 + 原链齐全,见字段表):

From a soaring aerial, the rider rockets across a collapsing skyline, rooftops narrowing into jagged ledges. Camera hovers tight above as he angles through curved glass and steel, void yawning between buildings. Each rooftop leap sparks drama, until he threads impossibly across the final span, city blurring below.

prompt_zh

本库自译,属变体,未经生成测试,标未验证:

高空航拍视角切入,骑手贴着一片正在坍塌的天际线疾冲而过,屋顶逐渐收窄成参差的窄檐。镜头紧贴他的头顶悬停跟随,他在弧形玻璃与钢结构之间切换角度,楼与楼之间张开深不见底的空隙。每一次屋顶跳跃都掀起一波紧张感,直到他以不可思议的方式穿过最后一段跨距,身下的城市拉成模糊的残影。

拆解说明

它做对的 4 件事

1. 第一句就把「机位」和「主体运动」绑在一起说完。 「From a soaring aerial, the rider rockets across a collapsing skyline」——一句话里同时给了三个信息:相机在高空(soaring aerial)、主体在高速平移(rockets across)、两者的相对关系是俯视追随。很多人写航拍会分成两句写,先说「无人机高空俯拍」再说「一个人在跑」,模型拿到的是两条并列描述,得自己猜谁跟着谁;这里的语法结构本身就是「从 A 视角看 B 做 C」,关系是被句子结构锁死的,不靠模型脑补。

2. 「Camera hovers tight above」用一个动词交代了高度、距离、跟随方式。 hover 意味着相机与主体保持相对静止(不是横移掠过),tight 给出距离(贴身,不是大远景),above 给出角度(顶视俯拍)。三个词换掉了一整串参数化描述。对比常见写法「drone shot, following the subject from above, close distance」——信息量相同,但那种写法是三个并列标签,而这里是一个带状态的动词短语,模型更容易把它解成一个持续动作而非三个静态属性。

3. 形容词全部是进行中的变化,不是静态外观。 collapsing(坍塌中)、narrowing(收窄中)、yawning(张开中)、blurring(模糊中)——四个关键修饰全是现在分词。这不是文采问题,是有效信息问题:视频模型需要的是「这一帧到下一帧变了什么」,静态形容词(tall buildings、glass towers)只描述单帧,分词形式天然带时间轴。这条提示词几乎没有一个纯外观形容词,密度全给了运动。

4. 用负空间制造危险感,而不是直说「危险」。 「void yawning between buildings」——把楼与楼之间的空隙写成主动张开的深渊,既给了纵深(观众知道下面是多高),又给了情绪,还顺带定义了跳跃动作的物理条件。这比写「dangerous jump, high risk」有用得多,因为后者是抽象评价,模型没法把「危险」渲染成像素,而「楼间张开的空洞」是可以直接成像的。

它的可改进处

1. 完全没有前置技术声明。 时长、画幅、帧率、镜头焦段一个都没写。这条片子的 10.2 秒和 120:67 画幅是平台默认或界面设置的结果,不在提示词里。自己写的时候把这些放在开头一行(如「10s, 21:9, 24fps, wide-angle aerial」),能省掉一轮重跑;尤其高速运动题材,帧率写不写会明显影响拖影观感。

2. 主体只有「the rider」三个字,多次生成必然跑形。 没有服装、体型、装备、发型的任何锁定。单条 10 秒片没问题,但只要打算做第二镜、第三镜,骑手就会换人。哪怕只补一句「a lean rider in a black hooded jacket and red gloves」,一致性成本就低很多。另外 rider 一词本身有歧义(骑手?骑车的?这里实际是跑酷者),换成更明确的 traceur / free‑runner 或直接写动作会更稳。

3. 「sparks drama」和「impossibly」是评价性词汇,占了篇幅但不落地。 drama 和 impossibly 描述的是观众的感受,不是画面内容。在一条只有 48 词的提示词里,这两处几乎是唯一的浪费。可以换成具体动作来占这个位置——比如把「Each rooftop leap sparks drama」改成写清起跳与落地的形态(碎石飞溅、落地翻滚、手扶边缘),把「threads impossibly」改成写清那段跨距有多宽、他怎么过去的。同样的字数,换来可成像的信息。

延伸阅读

• 《视频提示词基础结构:五要素》
• 《运镜指令词汇表 v0(中英对照)》
• 《画幅 / 帧率 / 时长的前置声明写法》