2 使用分镜时序

模型的内部建模是空间和时间解耦的。因此，一个复杂视频的提示词，最理想的形态是时间轴化分镜：把视频拆成几个分镜，按事件发生顺序动态描述每个分镜： 谁 + 在哪 + 做什么 + 镜头怎么动。 实操建议 使用镜头顺序，对每一段视频都写一个简单的 “镜头 1 / 镜头 2 / 镜头 3” 分镜，再合并成完整的提示词。 反面案例 ：“男人在街头紧张地奔跑，画面很有电影感。” 正面案例 ： 镜头 1：街巷侧拍，男人缓慢起跑，带有急促的呼吸感。 镜头 2：男人撞翻水果摊，镜头快速摇动并给到男人惊恐的特写。 镜头 3：男人翻过矮墙消失，镜头缓慢拉远定格在空荡的街道。 具体规则 使用 镜头1 、 镜头2 、 镜头3 等标识，按事件发生顺序（先主后次）组织内容。不强制限制每段时长，优先让模型根据剧情自然生成节奏。 说明 模型对精确时间（如 0–3 秒）的支持不稳定，强行限制时长可能导致生成结果异常。 每个镜头推荐按以下逻辑组织： 运镜或镜头切换方式 ：如 “全景缓慢推近”“固定机位”“镜头切至…” 等。 主体动作与表情 ：描述核心角色 / 物体的关键动作、神态变化。 位置或空间变化 ：说明主体所处的场景、位置或空间关系。 音频信息 ：描述对应镜头的音效、人声或背景音乐等。