# Deep Research：电影级文生视频提示词工程

调研目的：为 MiniMax H3 提示词质量打分 benchmark 提供依据，补充 `raylight/h3-prompt-guide.md`
（H3 官方中文方法论）之外的通用摄影语言体系、跨模型结构对比和评估维度。搜索时间：2026-08（网页搜索
工具）。

---

## 1. Seedance（字节跳动）专项发现

公开资料**比预期丰富**，找到官方/准官方文档和多篇社区指南：

- **基础提示词公式**（BytePlus ModelArk 官方文档、多篇第三方指南一致引用）：
  `主体(Subject) + 动作/事件(Action) + 场景/环境(Scene，可选) + 视觉风格(Style，可选) + 运镜/切镜(Camera Movement/Cut，可选) + 音频(Audio，可选)`，
  **只有主体和事件是必填项**，其余按需补充——这跟 H3"三段公式"（参考素材说明+核心创意+画面过程说明）
  结构不同但目标一致：都是"先锁定必要信息，再按需分层加细节"。
  来源：[Dreamina Seedance 2.0 series prompt guide | ModelArk](https://docs.byteplus.com/en/docs/ModelArk/2222480)

- **Seedance 2.5**（2026-07-31 发布，最新旗舰版）：单次生成可到 4K/30秒，支持最多 50 个参考输入
  （30图+10视频+10音频）锁定角色/产品/风格；可多轮续接到 180 秒。
  来源：[Seedance 2.5 API guide](https://github.com/Anil-matcha/awesome-seedance-2.5-api-prompts)、
  [vidmuse.ai Seedance 2.5 指南](https://vidmuse.ai/blog/seedance-2-5-guide)

- **Timeline Prompting（时间戳提示词法）**：把提示词按时间戳+镜头指令组织，是"把散落镜头剪成真正
  视频序列"和"随手写一段描述"的分水岭——这个概念不是 Seedance 独有，Veo/H3 都在用，但 Seedance
  社区文章把它单独提炼成一个技巧名词。
  来源：[timeline prompting seedance 2 cinematic ai video | MindStudio](https://www.mindstudio.ai/blog/timeline-prompting-seedance-2-cinematic-ai-video)

- **局限**：没找到 Seedance 官方公开的"容易踩的坑"类排错清单（不像 H3 有 Rhea 的评论区问答），
  多数资料来自第三方博客/SEO站点，权威性不如 H3 手册和 Google Veo 官方博客。

---

## 2. 通用电影摄影/镜头语言词汇体系

这是本次调研最重要的产出，来源以 Google Cloud 官方 Veo 3.1 指南、StudioBinder/Wedio 等专业电影
制作术语站为主。**这套词汇是模型无关的，H3 中文提示词里同样可以夹用这些英文术语（H3 指南本身也建议
环绕运镜写成 `truck left+pan right`）。**

### 2.1 景别体系（Shot Size）
| 英文 | 中文 | 说明 |
|---|---|---|
| Extreme wide shot / Establishing shot | 大远景/建立镜头 | 交代整体空间环境 |
| Wide shot / Full shot | 远景/全景 | 完整主体+大量环境 |
| Medium shot | 中景 | 主体腰部以上 |
| Close-up | 近景/特写 | 面部或局部细节 |
| Extreme close-up | 大特写 | 眼睛、手指等极小局部 |
| Two-shot | 双人镜 | 两个主体同框 |
| POV shot | 主观视角镜头 | 第一人称视角 |

### 2.2 运镜术语（Camera Movement）
| 英文 | 中文/说明 |
|---|---|
| Dolly shot（推拉镜） | 摄像机前后移动，改变与主体距离 |
| Truck / Tracking shot（横移/跟拍） | 摄像机左右平移或跟随主体移动 |
| Pan（摇镜） | 机位不动，镜头水平转动 |
| Tilt（俯仰摇镜） | 机位不动，镜头垂直转动 |
| Crane shot（升降镜） | 摄像机垂直升降，常用于开场/结尾 |
| Aerial view（航拍） | 高空俯视视角 |
| Handheld（手持） | 手持摄影，画面有自然抖动 |
| Steadicam | 稳定器跟拍，平滑但保留运动感 |
| Whip pan（甩镜） | 极快速摇镜转场，产生动态模糊 |
| Rack focus（焦点转换/拉焦） | 画面内焦点从一个物体转移到另一个物体 |
| Dolly zoom（希区柯克变焦） | 推拉镜+反向变焦同时进行，制造空间扭曲感 |
| Orbital shot（环绕镜头） | 围绕主体旋转，H3 指南建议写成 `truck left+pan right` 具体分解 |

### 2.3 构图/镜头（Composition & Lens）
| 英文 | 中文/说明 |
|---|---|
| Low angle / High angle | 低角度仰拍 / 高角度俯拍 |
| Dutch angle | 荷兰角/倾斜构图，制造不安感 |
| Shallow depth of field | 浅景深，主体清晰背景虚化 |
| Deep focus | 深景深，前后景都清晰 |
| Wide-angle lens (24-35mm) | 广角镜头，空间感强，人脸近距离易变形 |
| Telephoto / 85mm lens | 长焦/人像镜头，压缩空间、背景强虚化 |
| Macro lens | 微距镜头，极小物体特写 |
| Soft focus | 柔焦 |
| Bokeh | 背景虚化光斑质感（球面镜头产生圆形bokeh，变形宽银幕镜头产生椭圆形bokeh且有水平眩光） |

### 2.4 光线术语（Lighting）
| 英文 | 中文/说明 |
|---|---|
| Key light（主光） | 最强主光源，塑造主体基本明暗 |
| Fill light（补光） | 减弱主光造成的阴影 |
| Back light / Rim light（轮廓光） | 主体背后打光，勾出发光边缘轮廓 |
| Three-point lighting（三点布光） | 主光+补光+轮廓光的标准布光法 |
| Practical light（实用光源） | 画面里实际存在的光源（台灯/蜡烛/路灯），增强真实感 |
| Golden hour（黄金时刻） | 日出/日落前后暖色调、长阴影、柔和光线 |
| High-key / Low-key lighting | 高调布光（明亮少阴影）/ 低调布光（大面积阴影，戏剧感强） |
| Practical / Motivated lighting | 光源在画面内有合理来源，而非凭空打光 |

### 2.5 色彩分级/胶片质感（Color & Texture）
| 英文 | 中文/说明 |
|---|---|
| Color grading | 后期调色 |
| LUT (Look-Up Table) | 调色预设，模拟特定电影/商业片色彩风格；实践建议是按50-70%强度叠加，不要拉满 |
| Film grain | 胶片颗粒感，柔化数字感、增加质感 |
| Anamorphic | 变形宽银幕镜头质感：椭圆形bokeh+水平方向镜头眩光条 |
| High-key / Low-key（也用于调色语境） | 明快/暗调整体基调 |

这套词表可以直接补充进 `h3-prompt-guide.md`，特别是"核心创意"里的"特殊运镜"一栏和"画面过程说明"
里的镜头描述——H3 官方案例库里其实已经在用（Wes Anderson式35mm胶片质感、rack focus、truck
left+pan right），但没有给出完整词表，这是可以补的缺口。

---

## 3. 跨模型提示词结构对比

| 模型 | 结构公式 | 特点 |
|---|---|---|
| **H3**（MiniMax） | 参考素材说明 + 核心创意 + 画面过程说明（想要/不想要分开写） | 强调素材编号引用（`@图片1`）、显式区分"想要/不想要"、对"不要字幕"这类负向词有已知反效果 |
| **Seedance**（字节） | 主体+动作(必填) + 场景+风格+运镜+音频(可选) | 极简必填项，其余按需叠加；支持最多50个多模态参考 |
| **Veo 3.1**（Google，官方） | Cinematography + Subject + Action + Context + Style & Ambiance | 摄影语言放在最前面，强调"镜头语言优先于内容描述"；音频用 Dialogue（引号台词）/SFX/Ambient Noise 三层结构化标注；支持时间戳分段（Timestamp Prompting） |
| **Runway Gen-4.5** | 描述物理作用力而非外观（"kinetic sculptor"） | 独特强调物理真实感，提示词要像描述"力"而不是"长什么样" |
| **Kling 2.6** | 时间轴脚本+节拍标记（"audio-visual choreographer"） | 音画同步生成，提示词按节拍分段 |
| **Sora 2** | 因果链/世界逻辑（"physics simulator"） | 强调因果关系描述，不只是画面堆叠 |

**可以反哺 H3 skill 的结构性差距**：
1. **H3 指南缺少显式的"负面提示词写法"建议**——Veo 官方指南明确指出"负面提示词要写成具体画面
   （"空旷荒野，没有建筑没有道路"）而不是简单否定（"没有建筑"）"，这条经验可以直接套用到 H3
   的"不想要"段落，比 H3 手册现有的"不要字幕会反效果"更进一步，形成通用的负向描述写法规范。
2. **Veo 的音频三层结构（Dialogue引号台词 / SFX具体音效 / Ambient环境声）**比 H3 手册目前
   给出的"音效在动作旁写一次+整体声景复述一遍"更结构化，可以直接吸收成 H3 skill 里的固定格式。
3. **Timestamp Prompting 在 Veo/Seedance 都被单独强调为关键技巧**，这与 H3 手册"画面过程说明按
   时间轴分段"的建议完全一致，说明 H3 现有方法论在这一点上已经和业界最佳实践对齐，不用改。

---

## 4. 音效/声音设计描述方法论补充

- **Diegetic vs Non-diegetic（叙事内/叙事外声音）**是行业标准概念，H3 手册的"非叙事性音乐：N/A"
  写法正对应 non-diegetic music 这个类别，但 H3 手册没有明确提这对术语，可以在 skill 里补充定义：
  - Diegetic（叙事内/画内音）：脚步声、引擎声、风声、门声、人群声、织物摩擦声——画面里的角色能听到的声音
  - Non-diegetic（叙事外/画外音）：配乐、戏剧性音效强调、旁白——角色听不到，只有观众能听到
  来源：[Diegetic vs Non-Diegetic Sound | WeVideo](https://www.wevideo.com/blog/diegetic-sound-vs-non-diegetic-sound)

- **三层声音设计框架**（跨模型通用经验）：对话/人声（主要信息层）→ 配乐（情绪/氛围层）→ 音效与
  环境声（画内/环境层）。H3 手册的"参考素材说明"里已经有"音色参考/音频复用/音频部分复用"这几类，
  但没有把"声音设计"单独拆成这三层来指导纯文生场景下怎么写声音描述，这是可以补的结构。

- **H3 官方版的 `overall_soundscape` 字段**（开源英文版指南）本质就是"环境声层"，中文版对应写法是
  在画面过程说明里直接描述环境声。这次调研确认了这套写法和行业通用框架（三层声音设计）是吻合的，
  不需要推翻，只需要在 skill 里显式点出"分层"这个概念，让描述更系统。

---

## 5. 电影级提示词质量评估维度清单（草案，供 benchmark 打分标准使用）

综合 H3 官方方法论 + Veo/Seedance 结构对比 + 学术文生视频评估框架（FETV/Video-Bench 等强调的
"文本-视频对齐度"）整理出以下维度，每维度给出可操作的评分参考点：

| 维度 | 权重建议 | 满分参考点 | 扣分信号 |
|---|---|---|---|
| **1. 三段公式完整性** | 高 | 参考素材说明（无素材则合理跳过）+ 核心创意（主体/地点/事件/风格/运镜五要素齐全）+ 画面过程说明（想要+不想要）三段都在，结构清晰可辨认 | 缺失某一段且该段本应存在；核心创意五要素缺项 |
| **2. 视觉具体化程度** | 高 | 全篇用可视化描述（颜色、材质、光影方向、动作细节），无"意会型"抽象比喻 | 出现"仿佛""某种感觉""有灵魂"这类无法转成画面的表达 |
| **3. 镜头语言专业度** | 中高 | 使用了准确的景别/运镜/光线专业词汇（见本报告第2节词表），且用法符合术语本意 | 术语误用（比如把"环绕运镜"直接照抄不拆解）；全篇零专业术语、只有日常语言 |
| **4. 时间轴/分镜结构化** | 中高（时长≥10s时应视为必需） | 按 shot 或时间段分段描述，每段包含景别+内容+运镜+动作+音效，段落时长与内容量匹配（无"3秒说一大段台词"这类不匹配） | 整段无分段的流水账描述；分镜时长与内容明显不匹配 |
| **5. 声音设计分层** | 中 | 区分了对话（如有，引号标注具体台词）/ 配乐（相对时序描述，不写死时间点和分贝数）/ 环境音效（具体声源），非叙事性音乐按需求写明或跳过（不写"不要BGM"又同时描述配乐这种矛盾） | 声音描述笼统（只写"配乐"不说什么音乐）；BGM需求自相矛盾；台词内容不具体 |
| **6. 约束一致性（正向/负向不矛盾）** | 中 | 正向要求和负向排除之间没有逻辑冲突；负向描述写成具体画面（"空旷荒野无建筑"）而非简单否定词堆砌 | 同时要求"要BGM"和"不要BGM"；负向词简单堆砌（"不要卡通、不要丑、不要低质量"这类空泛否定） |
| **7. 已知坑规避** | 中（H3特有） | 规避"不要字幕"这类已知反效果负向词；无对白角色主动加"保持安静/嘴巴自然闭合"约束防止乱念白；文字/Logo/台词如需出现则原文写全 | 写了"不要字幕"；无对白场景没做防止自动念白的约束；提到"标题文字"但没写出具体文字内容 |
| **8. 素材引用规范性**（仅 ref2va/fl2va） | 中（视模式而定，纯文生不适用） | 每个 `@图片N`/`@视频N` 都标注了用途（人物/场景/风格/动作参考等），编号顺序与实际上传顺序一致 | 引用了图片编号但没说用途；编号顺序和上传顺序对不上 |
| **9. 密度与长度匹配** | 低中 | 提示词长度与视频时长/复杂度匹配（H3案例库里15秒复杂分镜案例通常几百字，简单单镜头案例几十字即可，不是越长越好） | 简单镜头写成大段冗余描述；复杂多分镜场景只写一两句笼统描述 |
| **10. 输出格式合规性** | 低 | 符合目标模型的技术参数要求（分辨率/时长档位在 raylight 支持范围内、帧数不超过 RESOLUTION_CEILINGS 上限） | 帧数/分辨率组合会被后端拒绝或存在已知OOM风险 |

**打分建议**：每维度按 0-10 打分（或按权重加权百分制），维度 1/2/6/7 是硬门槛型（明显违反直接
拉低总分或判定不合格），维度 3/4/5/8/9 是质量提升型（做得好加分明显，做不到也不算致命错误），
维度 10 是技术合规性检查（二元通过/不通过，不参与"质量"评分，但不通过直接导致任务无法提交）。

---

## 信息来源汇总

- [Dreamina Seedance 2.0 series prompt guide | ModelArk](https://docs.byteplus.com/en/docs/ModelArk/2222480)
- [Seedance 2.5 API guide (GitHub)](https://github.com/Anil-matcha/awesome-seedance-2.5-api-prompts)
- [Seedance 2.5 Prompt Guide | vidmuse.ai](https://vidmuse.ai/blog/seedance-2-5-guide)
- [Timeline prompting Seedance 2 | MindStudio](https://www.mindstudio.ai/blog/timeline-prompting-seedance-2-cinematic-ai-video)
- [Ultimate prompting guide for Veo 3.1 | Google Cloud Blog（官方）](https://cloud.google.com/blog/products/ai-machine-learning/ultimate-prompting-guide-for-veo-3.1)
- [Mastering Veo 3 | Medium](https://medium.com/@miguelivanov/mastering-veo-3-an-expert-guide-to-optimal-prompt-structure-and-cinematic-camera-control-693d01ae9f8b)
- [How to Actually Control Next-Gen Video AI | Medium](https://medium.com/@creativeaininja/how-to-actually-control-next-gen-video-ai-runway-kling-veo-and-sora-prompting-strategies-92ef0055658b)
- [Film Lighting Terms | StudioBinder](https://www.studiobinder.com/blog/film-lighting-terms/)
- [Basics of Film Lighting | Filmmaking Lifestyle](https://filmlifestyle.com/basics-of-film-lighting/)
- [Diegetic vs Non-Diegetic Sound | WeVideo](https://www.wevideo.com/blog/diegetic-sound-vs-non-diegetic-sound)
- [Diegetic vs Non-Diegetic Sound | Lightworks](https://lwks.com/blog/exploring-the-impact-of-diegetic-and-non-diegetic-sounds-in-video)
- [MiniMax H3 system prompt discussion | Hugging Face](https://huggingface.co/MiniMaxAI/MiniMax-H3/discussions/47)
- [AI Color Grading | invideo.io](https://invideo.io/blog/ai-color-grading/)
- [FETV: Fine-Grained Evaluation of Text-to-Video Generation (arXiv)](https://arxiv.org/pdf/2311.01813)
- [Video-Bench: Human-Aligned Video Generation Benchmark (arXiv)](https://arxiv.org/pdf/2504.04907)
- [27 Cinematic AI Video Prompts | Luma](https://lumalabs.ai/news/cinematic-ai-video-prompts)
- [Kling AI Prompt Guide](https://kling.ai/blog/kling-ai-prompt-guide)