开源视频模型提示词指南:Wan、混元与 SkyReels(2026)
开源权重的视频生成已经不再是爱好者将就的选择。2026 年,本地跑 Wan、混元视频(Hunyuan Video)或 SkyReels 意味着实打实的生产杠杆:没有排队、没有按条扣积分、真正可复现的种子、上面还能叠 LoRA 和类 ControlNet 的控制层,ComfyUI 里的工作流可以像代码一样做版本管理。对要走量的团队——光 Q4 就叠着 10⁄31 万圣节、11/27 黑五、12/25 圣诞和 1⁄1 跨年——本地推理才是批量成本划算的地方。
但从托管模型迁移过来的人都会撞上一堵墙:开源权重模型说不同的提示词方言。在某一家上渲染得很漂亮的提示词,原样贴到另一家就拉胯——不是因为哪个”更差”,而是运动先验、文本服从方式和默认审美天生不同。把同一条提示词在 Wan、混元和 SkyReels 之间复制粘贴,是最快得出”开源模型不听话”这个错误结论的方式。
它们听话——只是各有各的方言。这份指南画出方言地图:七个镜头要素如何在三个家族间转译,哪些本地约束该反过来塑造你的提示词文本,以及三个可以直接丢进 ComfyUI 队列的模板。
三个家族,三种脾气
不需要读模型卡就能试出差别——几条测试提示词就露馅:
- Wan 偏爱明确的、按物理描述的运动。带方向和速度的动词、清晰的主客体关系、把运动写成力学。在这家上,”风来的瞬间布料绷紧,随后垂落”是真正干活的句子。
- 混元视频偏电影感和散文友好。带氛围、光线和情绪的长场景描写站得住;比起电报式短句,它更吃导演式写法(”一个缓慢、哀伤的横移,掠过一排空椅子”)。
- SkyReels 围绕角色表演和剧作式构图打造。表情节拍、视线、反应时机、正反打思维——写得像拍摄剧本里一段场景描述的提示词,最能榨出它的能力。
以上都不是教条。在你自己的 checkpoint 版本和量化方式上测试——方言差异是起始地图,不是规格书。
七个镜头要素的三种翻译
同一个框架,三种译法:
| 要素 | Wan 方言 | 混元方言 | SkyReels 方言 |
|---|---|---|---|
| 主体 | 行动者 + 物理属性,直白陈述 | 角色 + 笼罩他的氛围 | 角色 + 情绪状态 + 视线方向 |
| 构图 | 功能性:景别、画面位置 | 构图性:层次、纵深、负空间 | 戏剧性:为节拍选景别 |
| 镜头 | 机械描述:”以约 1.5 米/秒向左横移,跟拍” | 电影感:”手持镜头缓缓漂移” | 覆盖语言:”推向反应镜头” |
| 动作 | 动作的物理与力学 | 带情绪和节奏的动作 | 手势、表情、表演节拍 |
| 光影色彩 | 实用布光描述 | 绘画感:调色、色板、情绪词 | 面部主光/辅光,情绪色温 |
| 节奏 | 动作时长、阶段划分 | 节奏词:缓慢、骤然、悬停 | 节拍结构:台词、停顿、反应 |
| 声音 | 不生成——拟音在剪辑里规划 | 不生成——配乐情绪在剪辑里规划 | 对白/配音与环境音单独规划 |
最需要盯的一行是节奏。开源模型默认按片段长度出片(单次几秒,可接续扩展),所以把节拍写*在片段内部*——”静止一秒,然后推镜开始”——比在能一口 narrate 更长内容的托管模型上更关键。
本地约束该反过来塑造提示词
本地跑的时候,机器会替你写一部分提示词。围着它设计:
- 显存决定分辨率和时长。如果你先出 480p 草稿测运动、后期再放大,就在提示词里写低分辨率下也保得住的东西:轮廓、运动、构图。精细纹理的宣称(”雕刻花纹、根根分明的睫毛”)留给高分辨率那一趟或细节 LoRA。
- 负面提示词是方言的一部分。经典组合——模糊、手部变形、文字伪影、肢体重复——在开源 checkpoint 上确实有用。负面词要短而物理化;一长串愿望清单式负面词只会稀释权重。
- 种子是创作工具,不只是排错。先找到一个基础提示词下运动就不错的种子,然后一次只改一个变量。这是本地工作流胜过托管的地方:受控迭代,而不是每次全押重摇。
- 图生视频胜过文生视频。这些家族大多接受起始帧(有些还接受结束帧)。喂你自己的关键帧——产品图,或者 Midjourney V8、GPT-Image-2 出的静帧——只让模型负责运动。
- 适配器是提示词捷径。一个风格 LoRA 会改变你的方言:触发词进去,审美形容词出来。写十行风格描写之前,先读适配器的说明页——那十行它可能已经内置了。
- 有设计地接续片段。尾帧接首帧的拼接,胜过指望一次生成覆盖 20 秒。每段提示词写各自的节拍,不要把一整段文章砍成几截。
来源问题上的纪律一样适用:参考片段是用来学运镜语法的。提取镜头结构,用你自己的名词重建——Logo、肖像、授权音乐和别人的脚本,无论跨模型还是跨平台,都不能搬。
可复制模板
1. Wan 式机械运动(草稿趟,480p → 放大,16:9)
中全景,素色影棚背景:威亚装置从画面顶端释放一面折叠的丝绸旗;旗在重力下下落半秒,随后左侧
来风的瞬间完全展开,布面荡出三道可见的波纹,最终缓缓垂定。镜头以恒定速度向右横移(约相当于
1.5 米/秒),旗保持在画面中央三分之一;前景一支灯架投下柔和的移动阴影。左上方硬光主光,中性
色,背景深处快速衰减。5 秒:0–0.5 秒下落,0.5 秒展开,0.5–3 秒荡波纹,3–5 秒垂定。运动边缘
锐利,展开帧不加动态模糊。无文字,无 Logo。
2. 混元式电影散文(氛围趟,16:9)
一个缓慢、哀伤的横移,掠过黎明时分歇业海边咖啡馆里一排空木椅。冷蓝色光从盐渍的窗户渗入;尘埃
悬在空气中,被半开的门里射进的一道暖色光柱缓缓搅动。镜头以胯部高度漂过椅子,每一张都近到能读
出木纹和剥落的漆,最后轻轻停在一张桌上——那里留着一只杯子,热气早已散去。绘画感写实,去饱和
色板加一处暖色点睛,轻微胶片颗粒,柔和阴影。8 秒,节奏缓慢,无剪切,无人。声音规划:远处海浪,
一声椅子吱呀,6 秒处一个稀疏钢琴音。
3. SkyReels 式表演节拍(角色剧,16:9)
剧作式中近景,夜晚昏暗的走廊:中年舞台演员,炭灰色开襟毛衣(原创角色,不指向任何真实演员),
站在一盏快熄灭的吸顶灯下,手里捏着一封封口的信。节拍一:他低头看信,下颌绷紧,眼中有光。
节拍二:一个长停顿——他瞥向画面左侧的黑暗楼梯间(视线转移),再收回来。节拍三:他呼出一口气,
肩膀垮下来,撕开信封,同时灯闪了一下。镜头在这三个节拍间从近景缓缓推到特写,始终跟随他的视线。
暖色实用灯光对冷色窗光溢入,浅景深。7 秒,无对白——表演由脸和手承载。声音规划:室内环境音,
6 秒处撕纸声,全程灯管电流声。
入队列之前:检查清单
- [ ] 提示词按目标模型的方言写(机械式 / 电影式 / 表演式)
- [ ] 节拍写在显存实际渲得动的片段长度之内
- [ ] 细节宣称留给高分辨率趟或适配器
- [ ] 负面提示词短而物理(模糊、肢体变形、文字伪影)
- [ ] 锁定种子做迭代——每跑一次只改一个变量
- [ ] 家族支持图生视频时,提供起始帧
- [ ] 用了适配器触发词,删掉冗余风格形容词
- [ ] 接续有规划:尾帧与下一段首帧匹配,每段有自己的节拍
常见错误与 FAQ
“同一条提示词,三个模型三种事故——到底哪个模型不行?”哪个都不行也不坏:是你写了一种方言却让三家听。把提示词拆成七个要素,按上表为每个家族重新措辞——物理保留,话术更换。
“每次生成结果都不一样。”固定种子,一次改一个变量。如果还是不稳定,你的提示词里大概率有两个互相打架的运动——开源模型处理打架的方式是混合,混合读出来就是变形。
“负面提示词需要写很长吗?”不需要。最多四到六个物理失效模式。风格偏好属于正面提示词(或适配器),不属于负面。
“能不能直接生成更长的片段,省掉接续?”显存扛得住当然可以——但长生成会漂移。4–8 秒、节拍干净、用匹配帧接起来的片段,比一条 20 秒的漂移可控得多,某一拍失败时重跑也更便宜。
“这里怎么合法使用参考视频?”规矩和别处一样:运镜语法可学,内容不可搬。用 video-to-prompt 提取你欣赏的那段素材的运镜与节奏结构,围着你自己的主体重建——如果比赛或客户要求原创性(Kling 4.0 大场面挑战赛明确禁止抄袭提示词),这些提取笔记就是你的流程证明。
开源权重奖励为眼前这台机器写作的提示词作者。学会各方言、记好笔记,本地图生就会变成你用过最便宜的迭代回路——先用 SocialToPrompt 把一段参考素材拆开,用三种方言各重建一遍它的节拍。
分享文章