提示词模板库

fmode-mv 各步骤实际使用的提示词模板，以及手工调优时可参考的写法。代码侧的构建器在 lib/prompts.mjs；本文件是给人读、给人改的版本。

一、作曲填词

系统提示词（节选，见 `scripts/lyrics.mjs`）

你是资深华语流行音乐制作人兼作词人，为 AI 音乐生成模型（Suno 类）撰写可直接投喂的素材。
硬性要求：
1. 歌词必须自带结构标记，每段用方括号起头：[Intro] [Verse 1] [Pre-Chorus] [Chorus] [Bridge] [Outro]。
2. Chorus 要朗朗上口、有记忆点，副歌句尾押韵。
3. 只输出 JSON，不要任何解释文字、不要 markdown 代码围栏。
4. stylePrompt 用英文逗号短语描述曲风/编曲/情绪，供音乐模型直接使用。
5. 歌词内容必须为原创，不得抄袭任何已有歌曲的句子。

为什么强制原创：AI 音乐模型会因为训练数据里高度雷同的句子而"撞词"，一旦与已有歌曲雷同，商业发布有版权风险。这一条不能去掉。

用户提示词骨架

【主题】<用户输入>
【指定曲风】<genre>
【情绪基调】<mood>
【补充要求】<style>

要求：
- 歌词长度适合 2.5~3.5 分钟，段落完整（主歌2段、副歌2-3次、可含桥段）
- 副歌必须有记忆点，句尾尽量押韵
- 给出英文 stylePrompt（含曲风、乐器、速度、人声类型、混音质感）

stylePrompt 写法参考

维度	可用词
曲风	`city pop` / `mandarin indie rock` / `chinese folk` / `synthwave` / `lo-fi hiphop`
速度	`92 bpm` / `mid-tempo` / `slow ballad 68 bpm`
乐器	`warm analog synth pads` / `electric piano` / `acoustic guitar arpeggio` / `guqin and strings`
人声	`female vocal, breathy intimate delivery` / `male vocal, raspy and warm` / `instrumental`
混音	`lush reverb` / `tape saturation` / `punchy modern mix` / `subtle vinyl noise`

示例（实测产出的好例子）：

city pop, 92 bpm, warm analog synth pads, electric piano chords, soft muted brass accents,
clean funky guitar, mellow round bass groove, laid-back brushed drums, female vocal,
breathy intimate delivery, lush reverb, tape saturation, subtle vinyl noise,
night city ambience, nostalgic yet comforting, melancholic but warm

二、分镜（产线 A）

用户提示词的关键约束

【镜头数量】N 个（必须控制在 N±2 个，这是硬性约束）
【单镜时长】每镜 6 秒左右，必须在 4~8 秒之间。
  注意：AI 图生视频单段现实上限约 8 秒，不要生成 20 秒、30 秒的镜头。

为什么要写死：实测中模型会按「歌长 180 秒 ÷ 想法数」自由发挥，给出 30 个 36 秒的镜头 —— 这在图生视频里物理上不可生成。约束写在提示词里 + normalizeStoryboard 二次夹取，双保险。

`imagePrompt` 的黄金结构

[主体] + [动作/状态] + [环境] + [光线] + [镜头语言（焦段/景别/角度）] + [风格] + [画质词]

含人物时：必须把 appearanceAnchor 的英文版原样复述在主体位置。

实例（本仓实测产出）：

A 27-year-old East Asian man with slightly tousled medium-length black hair falling over his forehead,
thin silver-rimmed glasses, an unbuttoned charcoal-grey wool suit jacket over a wrinkled light-blue
dress shirt with a loosened dark navy tie, black slacks and scuffed leather shoes, a beige canvas tote
bag on his shoulder; quiet, gentle, worn-out but warm presence, calm cinematic stillness, face softly
lit by practical light
— sitting alone in an almost empty late-night subway carriage, temple resting against the cold window
glass, city lights streaking across his face in long horizontal smears, tie loosened, singing softly
— close-up to medium close-up, 85mm anamorphic lens, side profile, slightly low angle
— cyan interior carriage light against warm orange light streaks outside the glass, bokeh of empty seats
— City pop neo-noir realism, sodium orange and cyan teal palette, 35mm film grain, photoreal, 4K

注意分号分段：主体; 气质; 动作环境; 镜头语言; 光线氛围; 风格画质 —— 这个写法比逗号长串更稳定，模型不会把「气质」误读成「动作」。

`videoPrompt` 的写法

只写「怎么动」，不写「画的是什么」（内容来自关键帧）：

Slow orbit around his head resting against the carriage window, city light streaks sliding across
his face, then a slight push-in as he turns his eyes to camera; barely-there handheld,
lips in sync at 92 BPM, complete within 6 seconds

常用运镜词：slow push-in / pull back / pan left / orbit / handheld drift / crane up / rack focus / dolly zoom。

必须写时长（complete within 6 seconds）——否则模型会设计出 6 秒内做不完的动作。

三、人物一致性（最容易翻车的地方）

原则

锚点不是「参考」，是「每镜头复述」。

appearanceAnchor 会被 buildKeyframePrompt() 拼进每个含人物镜头的 prompt。不要指望模型「记得上一张图长什么样」——文生图是无状态的。

锚点该写什么

必写	作用
性别 + 大致年龄	最基础的身份
发型（长度/颜色/形态）	识别度最高的特征
服装（颜色 + 材质 + 款式，含配饰）	跨镜头的视觉锚
气质/神态	决定表演基调
（可选）标志性道具	如「米色帆布托特包」，强化连续性

好 / 坏对比例子

✅ 好（具体、可视觉化、无歧义）：

A 27-year-old East Asian man with slightly tousled medium-length black hair falling over his forehead,
thin silver-rimmed glasses, an unbuttoned charcoal-grey wool suit jacket over a wrinkled light-blue
dress shirt with a loosened dark navy tie, black slacks and scuffed leather shoes, a beige canvas tote
bag on his shoulder; quiet, gentle, worn-out but warm presence

❌ 坏（抽象、模型每次理解都不同）：

一个疲惫的都市男性    ← 没有发型/服装/年龄，每张图都会换人

强化一致性的三个技巧

固定镜头语言：锚点里带上 medium shot, eye level，景别固定后模型更难"重新想象"这个人。
参考图（image-to-image）：generateImage 支持 refImage 参数，传第一张已确认的人物图，能显著提升一致性（需通道支持）。
风格词锁死：styleKeywords 里写死色调与质感（sodium orange and cyan teal palette, 35mm film grain），风格稳定会连带人物观感稳定。

四、空镜 / B-roll

原则

不要人物，或人物仅为远景剪影/背影（seen from behind as a small distant figure）。
主体明确：一个镜头一个视觉焦点，别堆三四个元素。
强调"静物叙事"：用细节物件代替人，情绪反而更强。

实例（本仓实测产出）

Extremely quiet 1AM subway platform still life, a lone glowing vending machine casting cold cyan light
on empty tiled floor, an abandoned folded newspaper lying on a vacant metal bench seat,
close-up of smudged fingerprints and dried sweat on a brushed stainless-steel handrail,
a fluorescent ceiling tube flickering once, distant dark tunnel mouth
— macro and detail shots, 85mm macro lens and 35mm wide, low eye-level angle
— high contrast cold cyan practical light with one warm sodium spill
— City pop neo-noir realism, 35mm film grain, photoreal, 4K

"still life"（静物）这个词很有用：它会让模型聚焦在物件与光影上，而不是自作主张往画面里塞人。

无人物时的负面约束

在意画面干净就加上：

no people, no text, no signage, no watermark

实测：不写 no text 时，模型会往招牌/海报上写满乱码文字。城市夜景类镜头尤其明显。

五、口播稿（产线 B）

结构模板

[0-3s]   钩子：提问 / 反常识 / 利益点
[3-15s]  问题：为什么这事值得听
[15-70s] 正文：2~4 个要点，每个要点配一个小结句
[70-85s] 落地：给具体建议（不要空泛）
[85-90s] CTA：一句行动号召

关键约束

【目标时长】约 90 秒（约 324 字，中文口播语速约 3.6 字/秒）

3.6 字/秒 是实测的中文 TTS 舒适语速（edge-tts 默认语速下）。按这个估算：60s≈216字、90s≈324字、180s≈648字。

TTS 友好写法

写法	原因
短句为主（≤ 20 字）	长句 TTS 会断气、换气点奇怪
数字用中文读法	「30%」→「百分之三十」；「API」→「接口」
少用括号、引号、破折号	TTS 会念出来或停顿异常
避免中英混排	英文词读音不可控
段落之间留自然停顿	分镜按段落切画面更自然

六、通用画质词

直接追加到任何 imagePrompt 末尾：

cinematic still frame, high detail, film grain, color graded, 4k

按用途追加：

场景	追加词
电影感	`cinematic, anamorphic lens flare, shallow depth of field`
纪录片感	`documentary photography, natural light, candid`
概念图/图表	`clean minimal infographic style, flat design, no text, white background`
特写	`macro shot, extreme detail, soft bokeh`
竖屏短视频	（用 `--aspect 9:16`，并在 prompt 加 `vertical composition, subject centered`）

七、调优工作流

先 --dry-run：fmode-mv keyframe --from work/storyboard.json --dry-run 看技能准备发出去的完整 prompt。
改一处，比一次：手工编辑 work/storyboard.json 里某一镜的 imagePrompt，然后 fmode-mv keyframe --from work/storyboard.json --shot N 单独重生成。
有效再推广：确认这镜的写法好，再把它固化进 styleKeywords 或锚点，重跑全部分镜与关键帧。
别忘记录：work/frames/keyframes.json 存了每张图用的完整 prompt，好的写法从那里捞回来复用。

prompt-templates.md 10 KB Постоянная ссылка История Исходник