為什麼要先產「關鍵幀」而不是直接生影片？因為圖片便宜、快、可以反覆重生確認；等畫面對了，再拿去當影片的第一幀。而寫關鍵幀提示詞，我們用一個固定的七段結構——填空一樣把它填滿。
七個欄位
| 段落 | 寫什麼 |
|---|---|
| Subject 主體 | 誰／什麼，可引用參考圖（the person in image 1） |
| Action 動作 | 此刻的姿勢或動作 |
| Environment 場景 | 地點與時間 |
| Lighting 光線 | 方向、色溫、強度 |
| Camera 鏡頭 | 焦段、景別、角度、光圈 |
| Style 風格 | 色調、質感、參考美學 |
| Quality 品質 | 解析度與品質標籤 |
一個實例
把「少女騎單車沿河岸」這句話，攤開成七段：
7-SEGMENT PROMPT
[Subject] A 20-year-old woman with black hair, referencing image 1
[Action] riding a vintage bicycle, hair lifting in the wind
[Environment] riverside path at golden hour, a bridge in the distance
[Lighting] warm backlight, lens flare, soft bounce fill
[Camera] tracking shot, eye level, 24mm
[Style] cinematic, golden-hour grading, soft film grain
[Quality] 2K, photorealistic, sharp focus on the face合起來讀就是一段自然、資訊完整的英文提示詞。模型拿到後，每個維度都有明確指示，不需要亂猜。
為什麼一律用英文？
三個主要生成模型的訓練資料以英文為主，英文提示詞的穩定度明顯較高。你用中文跟導演對話沒問題——它會在內部幫你翻成英文、組成七段式。
兩個常被忽略的欄位
光線是質感的關鍵。同一個場景，warm directional sunset light from camera right（右側暖色夕陽側光）和 flat overhead fluorescent（頂部平光日光燈）會是天差地別的兩張圖。
品質標籤別漏。加上 2K, photorealistic, sharp focus on eyes 這類尾標，能明顯拉高細節與對焦準確度。預設用 2K 就好——1080p 的影片不需要 4K 來源，還能省下約六成成本。
善用反向提示詞
把常見的崩壞寫進 negative prompt，能減少重生次數：
NEGATIVE PROMPT
distorted hands, extra fingers, extra limbs, deformed face, mangled text, watermark關鍵幀對了，影片就成功一半。下一步是讓主角在每個鏡頭都長得一樣——那是〈角色一致性〉的主題。
動手做做看
把這篇的思路，直接拿去生成一支影片。