从提示词到表演

文字生成说唱视频

有时候手头没有照片。你脑子里有一个画面:钠灯下戴面具的表演者、寒冷街区里的 drill 团队、黄金年代的街区派对。文字生成说唱视频能把这段描述变成短片,无需参考图。

关键不在于写更多字,而在于点明主体、地点、光线和一个运镜,然后收笔。工作室会补全技术默认值,让提示词专注在镜头上。

本页的视频片段均为 AI 生成的预览。它们是虚构内容,并非真实事件的记录。

更新于 2026 年 10 月 24 日

空旷停车场里橙色路灯下的孤独表演者,文字生成说唱视频画面
时长
5–12 秒
分辨率
480p · 720p · 1080p
宽高比
9:16 · 16:9 · 1:1
水印
付费渲染无水印
模型
Seedance 2.0
内容审核
SeeAPI,失败即拦截

无需源照片

适合概念、情绪板和没有真实表演者可用的场景。模型会根据你的描述来选角。

每条片段一个运镜

单个推镜、跟拍或环绕比剪辑更出效果。短片段承载不了完整分镜,所以预设只选一个运镜并贯彻到底。

不靠风格标签也能定风格

年代、胶片质感、镜头和光线都用大白话描述。这比堆砌美学关键词更能掌控结果。

工作原理

  1. 1

    点明表演者

    单人、双人、团队、戴面具的人。说清楚穿什么、在做什么。没有动作的表演者会变成假人。

  2. 2

    点明地点和光线

    夜晚天台、只有一盏实景灯的地下室、阳光照亮的步道。光线决定了生成场景看起来像有导演还是随机拼凑。

  3. 3

    选一个运镜

    缓慢推镜、低角度跟拍、固定广角。运镜要足够简单,让主体整条片段都留在画面里。

  4. 4

    加上护栏

    写明不要文字、不要水印、不要 logo、不要多余的人。这些是每个预设的默认值;改写提示词时请保留。

从经过测试的提示词开始

每条提示词都是完整的:主体、场景、镜头,以及哪些内容不能改变。复制它,或带着它预填打开工作室。

黄昏时分在城市街区表演的一群人,电影感文字生成说唱视频场景

Night Cypher

钠灯下的天台 cypher 围圈。

提示词(英文)

Use the person in the uploaded photo as the lead performer. An empty rooftop car park at night, wet concrete reflecting orange sodium lights, a loose circle of six silhouetted figures clapping. The rapper walks into the centre of the circle and performs, turning slowly to face the camera. One continuous low-angle tracking shot that circles the performer at knee height, ending on a medium close-up. Keep the face, hair, outfit and body proportions exactly as photographed. No fighting, no extra foreground people, no text, no watermark, no logo. Vertical 9:16.

在工作室中使用

Retro VHS

1990 年代步道场景,共用一台手提音响。

提示词(英文)

Use the two people in the uploaded photos as the only performers. A sunlit city sidewalk in the mid-1990s, a large silver boombox on the ground between them, brick wall and parked cars behind. The pair trade verses and laugh between lines, baggy outfits moving with the beat. One continuous handheld shot with a slight zoom, framed like a 1990s music-video segment, warm film grain and soft VHS halation. Keep the faces, hair, outfits and body proportions exactly as photographed. No period-inaccurate screens, no extra people, no text, no watermark, no logo. Vertical 9:16.

在工作室中使用

Solo Booth

近距离、私密的录音棚对镜头表演。

提示词(英文)

Use the person in the uploaded photo as the only performer. A narrow recording booth at night, a large-diaphragm condenser microphone on a shock mount, warm tungsten key light from the left and a cold blue rim light from behind. The rapper leans into the mic and performs directly to camera, shoulders moving with the beat. One slow dolly-in from a medium shot to a close-up, shallow depth of field, slight handheld float. Keep the face, hair, outfit and skin tone exactly as photographed. No headphones swapping, no extra people, no text, no watermark, no logo. Vertical 9:16.

在工作室中使用

好用的四段式提示词

主体、地点、光线、镜头。结构就这么简单。一个实用的检验标准是:别人能不能根据你的描述画出这个画面。如果提示词里有三个运镜却没有地点,那就还没准备好。

把主体放最前面,因为模型对开头的词权重很高。然后地点、光线、镜头。最后写约束:什么不能出现、什么不能改变。

文字生成视频与图生视频

文字生成视频让你掌控选角和场景。图生视频给你身份一致性。如果脸很重要,就上传照片。如果氛围比具体的人更重要,文字更快,通常也更连贯。

两者可以结合:先用文字提示词找到喜欢的场景,等视觉方向定下来后,再用肖像参考重建同一场景。两次尝试之间,地点和光线的句子保持完全一致。

好提示词常见的翻车方式

人太多、场景里文字太多、要求特定真实品牌,或者运镜穿过复杂背景。每一种都会给模型更多破坏连贯性的机会。

如果片段审核不通过,删掉暗示暴力、武器、毒品或真实公众人物的词。工作室是用于表演视觉的,不是用来重现新闻事件或未经同意描绘可识别的人。

常见问题

不上传照片能生成说唱视频吗?

可以。文字生成视频会根据你的描述来选角。代价是脸是虚构的,不会像某个具体艺人。

提示词要写多详细?

足够描述主体、地点、光线和一个运镜就行。通常 60 到 120 词就够了。更长的提示词往往会加入互相冲突的指令。

能点名真实说唱歌手或名人吗?

不能。不要要求真实可识别的人。这类请求很可能被拒绝,而且未经同意使用真人肖像是不允许的。

能指定真实城市或场地吗?

可以描述一个地方的样子,但避免要求特定的私人场地或与真实事件相关的地点。泛化描述渲染更稳定。

文字生成视频会生成歌词或人声吗?

不会。它只产出无声画面。请单独录制或授权音轨,然后在剪辑软件里加上。

为什么表演者没有手?

手是已知的弱项。让手有事做——拿麦克风、插口袋或做手势,避免手指特写。

同一个提示词能复用到系列里吗?

可以。固定主体、地点和光线的句子,每条片段只变一个元素。这样就能在多个帖子之间建立一致的视觉识别。

把你的照片变成视频片段

从本页的预设开始,或自己写一个镜头。生成前会显示所需积分,渲染失败会退还积分。