AI视频生成已经从单纯依赖模型能力进入提示词工程阶段。同样一个场景，把光线方向、材质类型、镜头运动和环境音写进提示词，画面完成度会明显不同。室内、室外、科幻、古风这四类常见创作方向，背后对应的提示词结构并不一样，不能只靠增加形容词来提升质量。本文先拆视觉提示词，再配合音频提示词，分别说明四类场景的稳定写法。

室内场景：先框定空间边界，再写光源与材质

室内提示词最常出现的问题是空间缺少边界。只写一个房间，模型可能生成空旷的盒子，或者把客厅、卧室、厨房元素擅自混在一起。更稳定的做法是先用一句话交代房间类型、墙面、地面和空间进深，再放家具。比如墙面材质、地面材质、主光源位置和色温，这些信息能让画面快速建立透视和尺度感。

光线是室内画面的第二个控制点。自然光要写清来自哪扇窗、大概色温；人工光要写清灯具类型和色温范围。没有这些信息，画面容易出现没有阴影的扁平效果，或者到处发光的塑料感。材质也需要具体，比如哑光木地板、微水泥墙面、粗麻布料，避免出现不该有的反射。

一个北欧风格的小型客厅，墙面为浅灰色微水泥，地面为浅色橡木地板，左侧有一扇落地窗，自然光从左侧进入，色温约5500K，右侧有米白色布艺沙发和原木茶几，空间进深约4米，相机中景平视，浅景深，柔和高光，真实室内摄影风格

室内音频提示词同样要跟随画面逻辑。如果画面中有窗、有风，可以写轻微窗帘摩擦声、房间底噪；如果是夜间台灯场景，可以写极轻的电流声、远处街道的低频环境音。避免只写音乐，环境音往往能更快建立真实感。

室外场景：天气、时段和镜头运动决定质感

室外场景和室内最大的不同，是画面中大量内容无法用家具补齐，必须依赖环境变量。天气、时段、季节、路面状态、植被密度，这些信息如果缺失，模型会随机填一个结果。比如同样写街道，白天和蓝调时刻的光线完全不同，湿路面和干路面的反射也完全不同。先把这些变量稳定下来，再考虑建筑和人物。

镜头运动是室外视频的重要变量。固定镜头适合表现静态氛围，缓慢推进适合街道漫游，无人机视角适合交代地形和建筑关系。镜头运动要写清楚方向和速度，不要只写运镜两个字。配合画面，音频提示词可以写脚步声、风声、雨声、远处车流声，这些声音要和地面材质、天气状态保持一致。

一个雨后的城市步行街，傍晚蓝调时刻，路面为湿润的深灰色石板，反射两侧暖黄色店铺灯光，远处有薄雾，行人稀疏，镜头缓慢向前推进，35mm视角，真实电影摄影风格，环境音包含轻微雨停后的滴水声和远处低频车流声

室外自然景观也遵循同样的结构。山林、海边、草原都要先交代季节和天气，再写植物状态和光线角度。比如秋日落叶、阴天散射光、清晨低角度阳光，这些词汇比单纯的漂亮更有效。音频提示词可以加入鸟鸣、风吹树叶、海浪节律，注意环境音的密度不要写得过满。

科幻场景：先定风格锚点，再添加科技元素

科幻场景最容易翻车的是元素混搭。赛博朋克霓虹、太空歌剧舰桥、近未来极简机能风，如果同时出现在一条提示词里，画面会变成没有逻辑的杂烩。正确做法是先确定一个明确的风格锚点，比如时代背景、科技水平、色彩体系，然后再添加对应元素。写赛博朋克就锁定高密度霓虹、雨夜街道、亚洲城市招牌；写太空站就锁定白色复合板材、蓝色指示灯、深空背景。

材质和光线在科幻场景里比道具更重要。很多模型生成的科幻画面显得廉价，不是飞船不够大，而是金属材质没有区分，或者发光源没有主次。提示词里可以写哑光金属、磨砂玻璃、冷色LED、局部暖色警示灯，让画面有工业设计逻辑。镜头可以偏向缓慢横移或固定，避免快速运镜造成细节糊化。

近未来太空站内部，白色复合板材与深灰色金属框架，蓝色LED指示灯沿走廊延伸，远处有弧形观察窗露出地球，整体色调偏冷，低对比度，干净工业设计风格，相机缓慢横移，电影感构图，音频为低频引擎振动声、设备蜂鸣声和轻微舱内气流声

科幻场景的音频提示词需要克制。低频引擎声、设备蜂鸣、舱内气压声可以增加可信度，但如果同时写太多，生成结果会变得嘈杂。通常选择两到三层声音即可，一层持续低频，一层中频提示音，一层极轻的空间底噪。不要试图把音乐也塞进环境音描述。

古风场景：用物象和材质锁定时代感

古风场景的控制难点在于时代感。如果只写古代，模型可能把不同朝代的服饰、家具和建筑混在一起。更好的方式是锁定一个美学体系，比如宋代极简、唐代华丽、明清木构，或者武侠世界、仙侠世界。不同体系对应的材质和配色差异很大，写到提示词里能显著减少混搭。

材质是古风画面的关键。木、纸、石、丝、竹这些材质本身就带有时代信息，现代塑料、玻璃、不锈钢一旦出现就会破坏氛围。光线也要偏向自然光和火光，避免现代灯具。镜头适合用固定机位或缓慢推拉，表现安静感。音频提示词可以写风吹竹叶、远处钟声、墨条研磨声、纸张翻动声，这些细节比单纯加一段古琴曲更自然。

一座宋代风格的书房，木格窗半开，窗外有竹林，室内有一张黑漆木案，上面摆放宣纸、毛笔和青瓷笔洗，纸窗透出柔和自然光，空气中浮有细尘，画面安静，相机固定，浅景深，环境音包含远处风声、竹叶摩擦声和极轻的墨条研磨声

古风音频提示词要注意空间层次。远处声音和近处声音要分开写，比如远处钟声作为背景，近处研墨声作为细节。这样生成的声音更有纵深感，避免所有声音挤在同一层。配合画面中的门窗、植物和动作，声音才能起到增强代入感的作用。

提示词组合思路：视觉与音频不要互相打架

四类场景虽然写法不同，但底层逻辑一致：先描述空间和光线，再补充材质和细节，最后加上镜头运动与环境音。视觉提示词负责画面元素，音频提示词负责背景声音，两者必须在时间、天气、空间上保持一致。白天场景不要写夜间虫鸣，室内密闭空间不要写狂风呼啸，除非画面本身在表现极端状态。

另一个常见错误是提示词过于拥挤。一次性写入十几个形容词，模型容易漏掉关键信息。更稳定的做法是分层描述：第一句定场景类型与风格，第二句写光线与环境，第三句写主体和材质，第四句写镜头和音频。每层控制一个变量，修改起来也更方便。

第一层：场景类型与风格锚点
第二层：光线、天气、时段
第三层：材质、色彩、主体元素
第四层：镜头运动与音频环境

这套分层结构适用于大多数AI视频工具。实际使用时可以把每一层压缩成一句完整的中文描述，不需要写成编号列表。重点是保持信息顺序稳定，让模型先理解大环境，再理解局部细节。无论是室内、室外、科幻还是古风，这个方法都能降低随机抽卡的成本。