AI 视频提示词写得很长，人物却还是换脸，杯子在手里变形，原本想要的一个动作被拍成了几个不连贯的镜头。遇到这些问题，继续堆叠“电影感、超清、最佳画质”，未必能解决真正的偏差。

更有用的起点，是把要求拆成三个问题： 画面开始时是什么状态？这段时间只发生什么？结束时怎样才算合格？ 这篇教程用“陶艺师把一只手作杯放到托盘上”的原创案例，带你检查提示词、准备参考，并在 PixPix 中建立可追溯的修改流程。

本文是创作方法教程。案例人物与场景为原创虚构设定，配图为 AI 静态教学示意；未在 PixPix 执行视频生成，不包含实测成功率、模型排名或效果保证。

先判断问题发生在哪一层

不要把所有失败都归为“提示词不够详细”。 同样是杯子变形，可能是参考图轮廓模糊，也可能是手部遮挡太大，或者当前模型难以完成这个接触动作。

这张表是排查顺序，不是对缺陷原因的诊断。先找到最影响使用的一处，再决定改素材、改文字还是改镜头设计。

给原创案例建立明确的起始状态

人物先固定，动作后添加

案例主角叫“林禾”，是一名虚构陶艺师。她留黑色短直发，穿米白色卷袖棉衬衫、鼠尾草绿交叉背带围裙和深灰长裤，没有首饰。整段视频只出现她一个人。

图注：人物素材设定示意；多视图图板不代表应将多个人像同时作为视频主体。

人物参考要能回答两个问题：脸是谁，服装是什么样。多视图设定图可以帮助整理身份，但实际上传时，应根据模式要求使用清晰单张或分别引用的参考，避免让多个人像区域被理解成多个人。

道具也要有唯一身份

本案例只使用一只无把手陶杯：外壁赭红、内壁米白、杯口略厚、表面哑光。它被放到一个浅色橡木长方形托盘中央。托盘平放在工作台上，整个动作中不移动。

图注：原创道具设定示意，不是真实商品结构验证。

不要在一段提示词里先称它为“陶杯”，后面又让“带把马克杯”转向摄影机。若真实商品的形状、颜色或表面图案必须准确，应使用确认过的商品照片作为依据。

把场景变成可检查的位置关系

工作台位于人物前方；大窗在摄影机左侧画外；低矮木架位于背景右后方，架上只有三个米白陶碗。自然窗光从左侧照入，右侧保留柔和阴影。

图注：起始构图示意：杯子在手中，托盘为空。

这套场景不需要更多装饰。关键不是逐件描述整个工作室，而是明确会参与动作、影响遮挡和构图的物件。

六种写法，让“放下杯子”变成另一件事

只写宣传语，没有可见动作

下面这段话能表达审美期待，却没有规定镜头要拍到什么：

高级陶艺品牌广告，充满手作温度，极致质感，电影感，超清，震撼的产品展示。

如果目标只是放杯子，可以先把任务缩成：

林禾将右手握着的赭红无把手陶杯垂直放到木托盘中央。杯底接触托盘后，她松开右手并把手收回。摄影机保持固定，完整看见杯子和托盘。

先让这件事发生，再决定是否增加光影层次、环境声或更细的表演。 风格词可以保留，但不承担动作说明的工作。

开场已经放好了，却又要求“放下”

假如输入图中的杯子已经稳稳放在托盘上，提示词又要求“她把杯子放上托盘”，模型需要自行补出拿起、移动和再次放下的过程。

可以选择两条路径：准备一张手持杯子、托盘为空的起始图，直接做放下；或者保留已有图，改成“她的右手轻触杯身后离开”。后者改变了原任务，只应在你接受新的镜头内容时采用。

参考图和动作指令应能衔接。 输入材料有多明确，和文字有多明确同样值得检查。

同一个镜头，同时要求固定、推进和环绕

“固定机位拍摄，镜头缓慢推进并环绕一周，最后切到俯拍”包含多种运动与切镜要求。它可能适合另行设计的多镜头序列，却不适合作为这个简单动作的第一轮测试。

本案例先固定中景，保证杯子、双手和托盘一直可见。动作通过后，再单独尝试小幅推进；不要在同一轮同时加入变焦、环绕和俯拍。

写了“自然放下”，却没有描述交接

这里的交接，是杯子的支撑从手变为托盘。提示词可以写清：右手握住杯身下半部，杯口向上；杯底接触托盘后手指松开；杯子留在托盘，右手离开。

图注：接触状态示意，用于说明支撑关系；不证明视频接触动作已经实现。

无需把每个关节写成复杂机械指令。 重点是物体在每个阶段由谁支撑，手掌与杯身是否仍是两个独立实体。 如果多次失败，可以先缩短移动距离，或拆成“持杯近景”和“杯子落稳后”的两个镜头。

把情绪、光线和背景全塞进主动作

“她开心又沉思地放杯子，逆光与顶光交替，架上道具同时旋转，镜头快速穿过工作室”增加了许多互相竞争的变化。

对这个镜头，表演可以只保留低头看杯子、放稳后轻轻呼气。光线维持左侧窗光，背景保持静止。先验证放杯动作，其他变化需要各自有用途。

一次改掉所有条件，再猜哪项有效

如果上一版手部融合，下一版同时换了参考图、模型、动作和画幅，即使结果改善，也很难知道原因。

建议先保留当前版本，再只改变最相关的一项。例如杯子穿过手指，先调整握持说明或缩小移动距离；若杯子外观从第一帧就不对，则先检查参考。 每轮写下保留项、修改项和观察结果。

把案例整理成可直接测试的提示词

下面是一版图生视频创作起点。人物与道具参考应先按当前模式关联；“林禾”只是本文案例名，本身不会让模型认识这张脸。

使用已关联参考中的同一位短发陶艺师，以及同一只赭红外壁、米白内壁的无把手陶杯。她穿米白卷袖衬衫、鼠尾草绿围裙和深灰长裤。

开场为固定平视中景：她站在工作台后，右手握住杯身下半部，杯口向上，杯底位于空木托盘上方。左手放在托盘旁的桌面上，与右手分开。

她缓慢把杯子垂直放到托盘中央；杯底接触托盘后，右手松开并收回。杯子保持直立，托盘保持原位。她低头看杯子，动作结束后轻轻呼气。

摄影机保持固定，中景完整保留双手、杯子和托盘。结尾停留在杯子落稳、右手已经离开的画面。

左侧窗光稳定照亮杯身，背景右后方木架和三个米白陶碗保持原位。人物面貌、衣服、杯子的颜色与形状保持一致。全段为一个连续镜头。

图注：结束构图示意；与起始、接触图分别生成，非同一次视频的截帧。

这段提示词描述的是目标，不是生成保证。 若当前输入图已经清楚呈现外观，可以减少重复外观描述，把重点留给动作与时间变化；若模式需要额外参考说明，则保留必要的不变项。

不同模型的提示习惯也可能不同。

在 PixPix 中测试，先让一件事成立

选择参考方式，再选规格

打开 PixPix 视频工作台，查看当前账号提供的模型和输入模式，再上传或关联素材。不要把人物图、道具图、场景图全部无区别地堆进任务： 先明确哪张固定身份，哪张固定杯子，哪张定义起始画面。

PixPix 的 MiniMax H3 页面 介绍了文本、图片、视频与声音输入，并区分文生视频、首尾帧与全能参考；其公开说明把首尾帧用于规定起止构图，把全能参考用于锁定人物、道具与风格。Seedance 2.5 页面 则介绍了多模态参考、延长与时间戳编辑能力。以上是官方能力介绍，不是本文实测比较；实际可用选项以工作台为准。

第一次可以选择当前模式提供的较短时长，并匹配最终用途的画幅。先确认放下和松手都有足够时间，再考虑更长的故事。提交前查看工作台显示的规格与消耗，不凭教程中的固定积分数估算当前成本。

用动作检查表代替“感觉更好了”

把第一版从头到尾播放，再暂停查看开场、杯底接触时和结尾三个位置。 静态帧检查结构，连续播放检查动作衔接。

1. 开场只有一个人、一只杯子和一个托盘，杯子确实在手中。

2. 杯子从手中向下移动，杯口方向和杯身比例没有突然改变。

3. 杯底先接触托盘，右手随后松开，手与杯身没有明显融合。

4. 结尾杯子留在托盘上，右手离开，画面没有突然换机位。

有一项未通过，就先记录它，不急着增加美术细节。无法通过反复调整解决的缺陷，可以通过减少遮挡、缩小动作或拆镜来绕开。

保存版本，留下能够比较的证据

做模型对比时，尽量对齐共同支持的输入、提示词、画幅、时长、分辨率和生成数量。不能对齐的条件单独说明，避免把不同难度的任务放在一起排名。

常见问题

提示词越长，视频就越准确吗？

不一定。 长度不能替代任务清晰度。 先保留主体、起始状态、核心动作、镜头和结束状态，再按实际缺陷补充信息。对结果没有帮助的重复形容词，可以先移除。

写“不变形、不要多手”就能修好了吗？

不能据此保证修复。可以优先描述希望出现的状态，例如“左手平放桌面，右手松开后收回，杯子保持直立”，再依据当前模型说明处理不需要的内容。若当前模式有独立负面提示词字段，再按它的实际用法填写，不假设所有模型都支持。

图生视频还需要重复描述整张图吗？

不必机械重复。图像已经提供了外观与构图时，文本可以重点说明后续动作；多参考任务则需要让身份、道具与起始画面的职责清楚。要避免素材说杯子已落稳，文字却让它从远处飞进来的冲突。

为什么明确写了指令，仍然会失败？

提示词只是输入的一部分。参考质量、遮挡、动作难度、模型能力以及生成随机性，都可能影响结果。不能把每一次畸形都解释为某个词没写到，也不能承诺补上一个词就会稳定。

从一次明确的修改开始

进入 PixPix 视频工作台，准备一张与动作衔接的起始图，先完成“把杯子放稳”这一件事。用开场、接触和结尾三处检查结果，再决定下一版只修改什么。

当你能说清哪项要求通过、哪项仍然失败，提示词就从一段模糊愿望，变成了可以逐步修正的创作说明。