用智谱清影把文字和图片变成短视频：提示词、参数与完整流程

智谱清影是智谱推出的 AI 视频生成工具，底层使用自研的 CogVideoX 模型。它要解决的问题很具体：手上只有一段文字描述或一张静态图片，却需要一段几秒钟的动态视频素材。清影把这件事压缩成「写提示词或传图 → 选风格与运镜 → 排队生成 → 下载」四步，不需要剪辑软件和时间轴操作。适合缺少专业剪辑技能的个人创作者、需要批量出素材的营销与电商团队，以及要把抽象概念可视化的教师和培训人员。如果你还想对比其他同类工具的能力边界，可以先在 智谱清影 的工具页了解它的定位，再回到本文按步骤操作。

需要先明确一点：清影产出的是短片段，不是成片。它擅长生成 5 秒左右的高清镜头，适合作为短视频的素材、商品展示的动态补充、课件的演示片段。真正的叙事结构、多镜头拼接、字幕与配乐，仍然要在剪辑环节完成。把预期放在「快速拿到可用镜头」上，使用体验会顺畅很多。

准备工作

账号与入口

清影没有独立的账号体系，使用智谱清言的账号即可。入口有两个：智谱清言 App，以及官网的视频功能页面（chatglm.cn/video）。网页端适合在电脑上写较长的提示词、反复调整参数；App 端适合随手把手机相册里的图片转成动态视频。两端共用同一套生成能力，选择哪个取决于你手头的素材形态。

素材准备

文生视频模式下，你需要的只是一段文字。素材给出的上限是 1000 字以内的文本描述，但实际写作时不必逼近上限——把场景、主体、动作、镜头感写清楚，比堆砌形容词有效得多。

图生视频模式下，需要一张静态图片。图片内容决定了 AI 能「动」什么：人物照片可以让人物产生动作，风景照可以模拟季节变化或云层流动。图片的主体越明确、构图越干净，生成结果越可控。建议提前把图片裁到接近目标画幅，避免 AI 在边缘区域做出难以预料的变化。

明确产出规格

在动手之前先确认三件事，能省掉大量返工：

• 时长：单次生成 5 秒视频，这是当前的基础规格。
• 分辨率：免费版为 1440×960。
• 用途：如果素材要用于商业投放，需要确认水印问题；免费版生成的视频带水印，会员可去除水印。

价格、配额、分辨率上限、会员权益这类信息会随时间调整，动手前请以官网当前展示的信息为准，不要以本文或任何第三方页面的数字作为依据。

操作步骤

第一步：选择生成模式

进入清影界面后，首先在「文生视频」和「图生视频」之间做选择。这个选择不是随便点的，它决定了后续输入框的形态：

• 文生视频：出现文本输入框，你写描述，AI 从零构建画面。
• 图生视频：出现上传入口，你传图片，AI 在既有画面上添加运动。

一个常见的误区是：已经有参考图，却仍然用文生视频去「描述那张图」。这样得到的是 AI 重新想象的画面，细节、配色、人物长相都可能偏离。有图就用图生视频，文字只用来补充「怎么动」。

第二步：写提示词或上传图片

文生视频的提示词建议按「主体 + 动作 + 环境 + 镜头 + 风格」的顺序组织。下面是一个可直接套用的结构示例：

主体：一只橘色短毛猫，坐在木质窗台上
动作：缓慢转头看向镜头，尾巴轻轻摆动
环境：午后阳光透过纱帘，室内暖色调，背景虚化
镜头：中景，固定机位，浅景深
风格：电影感，柔和光线，胶片颗粒

这样写的好处是每一行对应一个可控维度，出问题的时候你知道该改哪一行。如果生成结果里猫没有转头，就强化动作描述；如果光线不对，就调整环境那一行。相反，如果把所有信息揉成一句话，失败后只能整段重写。

图生视频模式下，上传图片后，提示词只需要描述运动本身，例如「人物缓缓眨眼并微笑」「云层从左向右流动，光线逐渐变暖」「树叶随风轻摆，水面泛起涟漪」。不要重复描述图片里已经存在的内容，那部分 AI 已经看到了。

第三步：设置风格、情感与运镜参数

清影提供进阶参数，主要包括三类：

• 视频风格：3D 卡通、黑白老照片、油画、电影感等十余种模板，一键改变整体视觉效果。
• 情感氛围：控制画面的情绪基调，影响色调与节奏。
• 运镜方式：例如「缓慢平移」，决定镜头在画面中的运动方式。

参数之间会相互影响，组合时要考虑一致性。素材给出的一个典型组合是「电影感」风格配「缓慢平移」运镜——风格偏写实克制，运镜也偏稳，两者不冲突。反过来，如果选了 3D 卡通风格却配一个快速推近的运镜，画面容易显得杂乱。风格迁移是整体性的，一旦选定，提示词里再写「写实照片质感」也不会覆盖它，所以风格参数和文字描述要保持同一方向。

对于第一次使用的场景，建议先用默认参数跑一条，确认主体和动作符合预期，再逐项调整风格与运镜。一次只改一个变量，才能判断是哪个参数导致了变化。

第四步：提交生成并管理队列

确认提示词与参数后提交。系统会显示预计等待时间，通常在一分钟以内；免费用户的实际等待约为 30 秒量级，具体取决于当时的队列长度。付费用户享有优先队列，等待时间更短。

生成过程中界面会显示排队状态。这里有一个实用建议：不要因为等待就反复点击提交。重复提交会占用队列位置，反而拖慢你自己的任务。如果确实需要多个镜头，可以一次性把几条提示词准备好，按顺序提交，利用排队时间写下一段。

第五步：预览、下载与分享

生成完成后先预览。预览阶段重点看三件事：主体是否变形、动作是否符合描述、画面边缘有没有异常。确认可用后，支持 MP4 格式下载，也可以直接分享到社交平台。

如果结果不理想，不要急着重写整段提示词。先判断问题出在哪一层：主体错了就改主体描述，动作没发生就强化动作动词，风格不对就换风格模板，构图不对就调运镜。逐层排查比推倒重来效率高得多。

一个完整示例

下面走一遍从零到成片的完整流程，场景是给一款陶瓷杯做电商展示视频。

场景与目标

手上有一张陶瓷杯的产品图，白底、正面视角、光线均匀。目标是做一段 5 秒的动态展示，让杯子看起来有质感、有光影变化，用于商品详情页。

操作过程

1. 进入清影，选择「图生视频」模式。产品图是现成的，不需要用文字重新描述杯子长什么样。
2. 上传陶瓷杯图片。上传后确认图片完整显示，没有被裁掉杯口或杯柄。
3. 写运动提示词。因为图片已经确定了主体，提示词只描述运动与光影：

   镜头缓慢环绕杯子，杯身表面出现柔和的高光移动，
   背景保持干净，光线从左上方向右下方渐变，整体质感细腻

4. 设置参数。风格选择偏写实的模板，运镜选择「缓慢平移」，与环绕的意图保持一致；情感氛围选克制、干净的方向，避免过度饱和。
5. 提交生成，等待队列处理。等待期间准备好第二版提示词，用于对比。
6. 预览结果。检查杯柄是否变形、杯口椭圆是否保持规整、高光移动是否自然。
7. 确认可用后下载 MP4，或直接分享。

第二版对比

如果第一版的高光变化不明显，可以只改一处：把「柔和的高光移动」改成更明确的「高光沿杯壁从上到下缓慢扫过」，其余参数不动。这样两次结果的差异就只来自提示词，你能清楚判断哪种写法更有效。这种单变量对比是调优提示词最可靠的方法。

配音环节

如果这段视频需要旁白，清影内置多语言配音合成，支持中英等多语种，可自动匹配视频节奏生成旁白。对于商品展示这类短片段，旁白通常一到两句即可，重点是语速与画面节奏对齐。配音属于附加能力，先确保画面可用，再考虑加声音。

注意事项

时长与分辨率的硬限制

单次生成固定为 5 秒，免费版分辨率为 1440×960。这意味着长视频必须由多个片段拼接完成。规划内容时按 5 秒一个镜头来拆分脚本，比先写完整脚本再硬塞进 5 秒要现实得多。分辨率是否可调、会员是否有更高规格，以官网当前信息为准。

排队与加速

免费用户需要排队，等待时间受当时使用量影响，不是固定值。付费会员可优先生成。如果任务有明确交付时间，排队的不确定性需要提前计入排期，不要假设「提交后 30 秒一定能拿到」。

水印

免费版生成的视频带水印，会员可去除。用于正式投放或客户交付的素材，需要在开始批量生成之前就确认这一点，避免做完一批才发现全部需要重出。

提示词长度不是越长越好

文本描述上限为 1000 字，但这不是目标值。过长的提示词会让不同维度的描述互相干扰，AI 难以判断哪个是重点。按「主体、动作、环境、镜头、风格」分行写，每行一句，通常几十字就能得到稳定结果。真正需要补充细节时，再针对出问题的那一行加长。

图生视频的运动幅度

图生视频是在静态图上添加运动，运动幅度受原图内容约束。原图中被遮挡的部分、画面外的区域，AI 没有依据，大幅运动容易产生形变。因此提示词里的动作描述应当与图片的构图匹配：正面产品图适合环绕与光影变化，不适合要求主体走出画面。

风格模板会覆盖文字描述

风格迁移是整体性的视觉效果改变。选了「油画」或「黑白老照片」，画面就会朝那个方向走，提示词里再写「真实照片」也不会逆转。风格参数与文字描述要保持一致，不要相互矛盾。

价格与权益以官网为准

免费版与会员的具体价格、计费周期、包含的生成次数、加速权益、水印政策都属于会调整的信息。本文不列具体数字，请在动手前查看官网当前的套餐说明，并以那里展示的内容为准。

适用场景的边界

清影适合快速产出创意素材：短视频博主的科普动画与剧情片段、商家的商品动态展示、教师的抽象概念可视化、广告团队的风格测试片、普通用户的纪念视频。它不适合需要精确控制每一帧的专业制作，也不适合需要长时长连续叙事的项目。把工具放在它擅长的位置上，产出效率才体现得出来。