用智谱清影把文字和图片变成短视频：提示词写法与完整生成流程

智谱清影是智谱推出的 AI 视频生成产品，底层使用其自研的视频生成大模型，支持文本生成视频和图片生成视频两种方式，可用于广告制作、电影剪辑、短视频制作等场景。它解决的是「手里只有一句描述或一张静态图，却需要一段能直接用的动态画面」这个问题。适合两类人：一是想快速把创意变成视频素材的内容创作者、短视频运营和设计人员；二是希望把视频生成能力接进自己产品的开发者，清影的 API 已上线智谱大模型开放平台，企业可通过调用接口使用文生视频与图生视频能力。如果你只是想先看看这类工具能做什么，也可以从站内的 智谱清影 条目进入了解。

需要先说明一点：视频生成目前仍处在比较早期的阶段，输出稳定性有限，同一个提示词多跑几次结果可能差别很大。所以本文的重点不只是「点哪里」，更是怎么写出让模型听得懂的提示词，以及在不同题材下怎么扬长避短。

准备工作

账号与入口

清影提供 PC 端和移动端两个访问入口，上线即全面开放，不需要预约，也不需要排队，注册后即可体验文生视频和图生视频。首发测试期间所有用户都可以免费使用；如果追求更流畅的体验，可以付费解锁高速通道权益。具体的价格档位、免费额度与高速通道规则会随时间调整，请以官网当前展示的信息为准。

开发者侧的准备

如果打算用 API 而不是网页端，需要先在智谱大模型开放平台注册账号并创建 API Key，然后按平台文档选择文生视频或图生视频的模型接口。调用方式、计费单价与并发限制同样以开放平台当前页面为准，本文不给出具体数字，避免过期信息误导。

素材与工具准备

• 文生视频：只需要一段提示词，不需要任何素材文件。
• 图生视频：需要一张静态图片作为起始画面，图片主体越清晰、构图越简单，动起来的效果通常越可控。
• 提示词辅助：如果一时写不出结构化描述，可以借助智谱清言中的提示词智能体，输入一句日常描述，它会给出多个风格的候选提示词，中英文都有。

操作步骤

第一步：确定用文生视频还是图生视频

两者的差别不只是输入形式。文生视频体现的是更通用的可控性——用自然语言直接控制画面内容；图生视频则以给定图片为起点，主体和构图基本被锁定，模型主要负责让它动起来。实际做商业化交付时，图生视频因为可控性更好而被更广泛使用；而当你需要完全从零构造一个不存在的场景时，文生视频更合适。

第二步：按公式写提示词

提示词结构越清晰，生成结果的下限越有保障。可以先用简单公式起步：

[摄像机移动] + [建立场景] + [更多细节]

需要更精细的控制时，换成复杂公式：

[镜头语言] + [光影] + [主体（主体描述）] + [主体运动] + [场景（场景描述）] + [情绪/氛围]

把公式填满的例子如下：

摄影机平移，一个小男孩坐在公园的长椅上，手里拿着一杯热气腾腾的咖啡。他穿着一件蓝色的衬衫，看起来很愉快，背景是绿树成荫的公园，阳光透过树叶洒在男孩身上。

拆开看：镜头语言是「摄影机平移」，主体是「一个小男孩」，主体描述包含衣着与表情，主体运动是「手里拿着一杯热气腾腾的咖啡」，场景是「绿树成荫的公园」，光影与氛围落在「阳光透过树叶洒在男孩身上」。这样写出来的提示词，模型对每一段该生成什么都有明确依据。

第三步：用提示词智能体补足细节

如果对镜头语言不熟，可以让智能体代劳。输入一句普通场景描述，例如「柯基在沙滩上晒太阳」，智能体会输出多个风格的提示词，包括自然风光摄影、水彩画、3D 动画等，并且中英文各一份。以自然风光摄影风格为例，输出大致是这样的结构：

在阳光明媚的沙滩上，一只柯基犬懒洋洋地躺在沙滩巾上，享受着温暖的阳光。
镜头从低角度拍摄，背景是广阔的蓝色海洋和洁白的沙滩，海浪轻轻拍打着岸边，
气氛宁静，画质 4K 超清。

可以看到它把镜头角度（低角度）、主体动作（懒洋洋地躺着）、环境（海洋、沙滩、海浪）和氛围（宁静）都补齐了。图生视频同理：输入图像主体、选择图像风格，智能体会据此写出对应的提示词。

第四步：提交生成并观察结果

把提示词粘贴进生成框，选择文生视频或上传图片走图生视频，提交后等待出片。模型侧生成 6 秒视频理论上约需 30 秒，实际耗时与提示词复杂度、当前排队情况有关——例如让一朵静态的玫瑰「绽开」这类需要精细形变的镜头，耗时会明显更长。生成完成后可以预览，不满意就调整提示词重跑。

第五步：按需添加配乐

清影提供配乐功能，生成的视频可以直接配上音乐后发布，省去再导入剪辑软件加音轨的一步。对于宇航员弹吉他这类本身带节奏感的画面，配上旋律后观感会明显不同。

第六步：开发者通过 API 调用

如果要把生成能力嵌入自己的系统，走开放平台的 API 路径：在控制台创建 API Key，按文档选择文生视频或图生视频接口，把提示词（图生视频还需附上图片）作为请求参数提交，再按返回的任务标识轮询或接收结果。请求字段、返回结构、计费方式与限流规则请以开放平台当前文档为准。

一个完整示例

下面从零走一遍「把一张静态图变成带配乐的短视频」的完整流程，这是实际使用中最常见也最容易成功的路径。

1. 准备图片：选一张主体明确、背景不杂乱的静态图，例如一位宇航员抱着吉他坐在月面上的插画。主体越单一，模型越容易把动作做对。
2. 写提示词：按复杂公式组织，明确镜头、主体动作与氛围。

   [镜头语言] 镜头缓慢推近
   [光影] 冷色调月光，画面边缘有柔和辉光
   [主体] 一名身穿白色宇航服的宇航员，抱着木吉他
   [主体运动] 手指拨动琴弦，身体随节奏轻轻摇晃
   [场景] 荒凉的月面，远处是地球的弧线
   [情绪/氛围] 安静、辽阔、带一点孤独感

3. 提交图生视频：上传第 1 步的图片，粘贴第 2 步的提示词，选择图生视频模式提交。
4. 等待出片：6 秒片段在模型侧理论上约 30 秒可生成，实际以页面显示为准。
5. 检查与重跑：重点看三处——手指动作是否自然、身体摇晃幅度是否过大、背景是否出现不该有的形变。任何一处明显崩坏，就微调提示词后重跑，例如把「身体随节奏轻轻摇晃」改成「上半身轻微前后摆动」，缩小动作幅度。
6. 加配乐：在结果页使用配乐功能选一段旋律，导出即可发布。

如果改用文生视频做同一题材，把第 1 步的图片去掉，在提示词开头补上完整的场景建立描述（例如「月面全景，地球悬在远处地平线上方」），其余部分保持不变即可。

注意事项

输出不稳定，要接受「抽卡」

视频生成像炼丹，同一个提示词多次运行结果可能差异很大。这不是操作失误，而是当前视频生成模型的普遍局限。可行的做法是：把提示词写扎实以保证下限，然后多试几次挑出可用的一条。复杂场景中人物动作过渡不自然、无法准确模拟复杂场景的物理特性、生成内容准确性不足，这些都属于现阶段的技术边界，并非某一个产品独有。

镜头景别与实体类型有强弱之分

实测经验显示，近景的画面效果最稳定，其它景别相对不稳定。实体类型的实现效果大致排序为：动物 > 植物 > 物品 > 建筑 > 人物。也就是说，让一只猫做表情比让一个人做复杂动作更容易成功。规划分镜时，可以把人物戏份安排在近景，把远景和大场景交给动物、植物或静物。

人物题材最容易翻车

涉及人物手部动作、多人互动、身份特征的镜头风险最高。例如让角色用右手拿东西，可能出现凭空多出一只手的情况；让特定人物转头看向镜头，面部特征可能严重走样。遇到这类需求，优先考虑用图生视频锁定主体，或者把动作拆成更小的幅度。

画质与时长有上限

当前生成视频的清晰度可达 1440×960（3:2），帧率为 16fps，单段时长以 6 秒为主。更高分辨率、更长时长的能力会在后续版本中陆续推出，具体支持情况请以官网当前信息为准。

免费与付费权益会变动

首发测试期间所有用户免费使用，付费可解锁高速通道权益。价格档位、免费额度、高速通道的具体规则都属于易变信息，使用前请以官网当前展示为准，不要依据旧文章里的数字做预算。

提示词智能体只是辅助

智能体给出的提示词质量不错，但它不了解你的具体分镜意图。把它当作起点，拿到候选提示词后仍要按自己的镜头设计改写主体动作和场景细节，否则多条视频容易长得差不多。

不要指望「一句话生成电影」

多模态模型对物理世界规律的理解、高分辨率、镜头动作连贯性以及时长都还有很大提升空间。把清影用在单镜头素材、氛围镜头、转场素材上，成功率远高于试图一次生成完整叙事段落。需要连续叙事时，拆成多个 6 秒镜头分别生成，再在剪辑环节拼接。