Sora 2 提示词完全指南

编写视频提示词就像给摄影师做简报——清晰的指令能让 Sora 2 更好地理解你的创意意图。本指南基于 OpenAI 官方文档，系统介绍如何通过提示词控制视频生成的各个方面。

开始之前需要知道的

提示词是创意愿望清单，不是死板合同

想象一下，你在给一位从未见过故事板的摄影师做简报。如果省略细节，他就会即兴发挥——结果可能偏离你的预期。通过具体说明"镜头"需要达到的效果，你能让模型更好地控制画面并保持一致性。

但是，留出一些想象空间同样重要。给模型更多创作自由，可能带来意想不到的惊喜和美妙诠释。这两种方法都有效：

• 详细提示词 → 更强的控制力和一致性
• 简洁提示词 → 更多创意空间和多样化结果

如何平衡取决于你的目标和期望效果。

拥抱多样性，做好迭代准备

就像使用 ChatGPT 一样，多次使用同一条提示词会产生不同结果——这是特性，不是bug。每次生成都是全新尝试，有时第二或第三个版本效果会更好。

对镜头、灯光或动作的微小调整，都可能让结果发生显著变化。你需要和模型合作：你提供方向，模型提供富有创意的变体。

API 参数设置

提示词控制视频内容，但某些属性只能通过 API 参数设置，无法通过文字描述改变：

必须显式设置的参数

支持的分辨率

sora-2 模型

• 1280x720（横屏 720p）
• 720x1280（竖屏 720p）

sora-2-pro 模型

• 1280x720（横屏 720p）
• 720x1280（竖屏 720p）
• 1024x1792（竖屏高清）
• 1792x1024（横屏高清）

分辨率对生成效果的影响

视频分辨率直接影响视觉保真度和动态连贯性：

• 高分辨率能更精确地生成细节、纹理和光影过渡
• 低分辨率会压缩视觉信息，通常带来模糊感或瑕疵

视频时长的最佳实践

模型在较短视频中能更可靠地遵循指令。为获得最佳效果：

• 尽量生成简短镜头
• 如果项目允许，将两个 4 秒片段剪辑在一起，效果可能比直接生成 8 秒片段更好

有效的提示词结构

清晰的提示词应该像在故事板上画草图一样描述镜头：

1. 说明镜头取景 - 明确摄影机的角度和构图
2. 点明景深 - 指定焦点和背景虚化程度
3. 分步骤描述动作 - 用可执行的节拍描述运动
4. 设定灯光和色调 - 定义光源、方向和色彩基调

用几个独特细节来锚定主体，使其保持可识别性，同时用一个单一、合理的动作让镜头更容易跟拍。

单镜头 vs 多镜头

单镜头描述

一个清晰的镜头单元包含：

• 一个机位设置
• 一个主体动作
• 一种光线方案

多镜头序列

如果需要覆盖连续场景，可以在一条提示词里描述多个镜头，但要让每个镜头描述块保持独立。这让你能灵活地：

• 生成独立短片后期剪辑
• 或生成连续序列一次性播放

把每个镜头当作创意单元来处理。

提示词长度的权衡

简短提示词 ✨

• 给模型更多创作自由
• 可能得到意想不到的惊喜

详细提示词 ⚙️

• 限制模型创造力
• 会尽力遵循指导，但不总是可靠

简短提示词示例

在一段90年代纪录片风格的采访中，一位瑞典老人坐在书房里说："我至今还记得我年轻的时候。"

这个提示词为什么有效？

• 90年代纪录片风格 - 设定视频风格，模型会据此选择镜头、灯光和色调
• 一位瑞典老人坐在书房里 - 简单描述主体和场景，让模型有自由发挥空间
• 说："我至今还记得我年轻的时候。" - 描述对白，Sora 很可能能精确复现

注意事项：这个提示词能稳定生成符合要求的视频，但不一定完全符合你的设想，因为许多细节未被提及：

• 具体时间、天气
• 服装、氛围
• 角色相貌和年龄
• 摄影机角度、剪辑
• 布景设计
• 其他细节

除非你描述这些细节，否则 Sora 会自己创造。

超详细提示词（电影级）

对于复杂、电影感的镜头，可以超越标准结构，用专业制作术语指定：

• 外观和格式
• 镜头与滤镜
• 调色/色板
• 光线方向
• 纹理质感
• 场景内音效（Diegetic sound）
• 镜头时序
• 拍摄理由

这类似于导演给摄影团队或 VFX 团队做简报。详细的镜头、滤镜、灯光、调色和运动线索，能帮助模型锁定非常具体的美学风格。

电影级提示词示例

格式与外观
时长4秒；180°快门；数字拍摄模仿65毫米胶片对比度；细颗粒感；
高光部分有轻微光晕；无胶片抖动。

镜头与滤镜
32mm/50mm球面定焦镜头；1/4黑柔焦滤镜；
轻微旋转环形偏振镜以控制火车车窗反光。

调色/色板
高光：带有琥珀色调的清晨阳光
中间调：平衡中性色，阴影部分略带青色
暗部：柔和中性黑色，为保留薄雾感而轻微提亮

光线与氛围
自然阳光从摄影机左侧以低角度射入（早上7:30）
补光：轨道旁使用4x4英尺银色反光板
对面墙壁作为吸光
场景光源：站台上的钠灯逐渐变暗
氛围：轻柔薄雾；火车废气飘过光束

地点与构图
城市通勤站台，黎明时分
前景：黄色安全线，长凳上的咖啡杯
中景：等待的乘客在薄雾中形成剪影
背景：进站的火车正在刹车
避免出现任何标牌或公司品牌

服装/道具/群众演员
主要角色：30多岁旅行者，身穿海军蓝外套，单肩背包，手机随意拿在身侧
群众演员：穿暗色衣服的通勤者；一名推自行车的骑行者
道具：纸质咖啡杯，拉杆箱，LED出发信息牌（通用目的地）

音效
仅场景内音效：微弱铁轨摩擦声，火车刹车嘶嘶声，
远处模糊广播声（-20 LUFS），低沉环境嗡嗡声
脚步声和纸张沙沙声；无配乐或后期音效

优化分镜表（2个镜头/总时长4秒）

0.00–2.40 — "抵达漂移"（32mm镜头，肩扛式缓慢向左移动）
镜头滑过站台标牌边缘；浅焦揭示出旅行者在画面中央，正望着轨道远方。
晨光在镜头中绽放；火车头灯在薄雾中柔和闪耀。
目的：建立场景和基调，暗示期待感。

2.40–4.00 — "转身停顿"（50mm镜头，缓慢弧线推近）
切到更近的过肩弧线镜头，火车停稳；旅行者稍微转向镜头，
阳光勾勒出脸颊轮廓，手机屏幕反射光芒。眼睛向上瞥向某个看不见的东西。
目的：用最少动作创造聚焦于人物的瞬间。

摄影机备注（为何这样拍）
保持视线高度较低并靠近镜头轴线，营造亲密感
允许火车玻璃产生微小眩光，作为美学纹理
保留手持拍摄的微小不完美，增加真实感
不要让过曝眩光破坏剪影清晰度；保留皮肤高光平滑过渡

后期制作
叠加细颗粒感和轻微色度噪点增加真实感；
场景光源有克制的光晕；使用冷暖色调LUT营造清晨色调分离感
混音：优先处理火车和环境细节，而不是脚步声瞬态
封面帧：旅行者转身瞬间，金色轮廓光，进站火车在背景薄雾中柔焦

这种详细程度适合需要匹配真实电影摄影风格（如 IMAX 航拍、35mm 手持、复古 16mm 纪录片）或在多个镜头间保持严格连续性的场景。

用视觉线索引导风格

风格是引导模型走向期望结果的最强有力杠杆之一。描述整体美学——例如：

• “1970年代电影风格”
• “史诗级、IMAX 规模场景”
• “16毫米黑白胶片”

这些描述为所有其他选择定下视觉基调。尽早确立风格，模型才能将其贯穿始终。

风格如何影响解读

同样的细节，在不同风格要求下会产生截然不同效果：

• 精致的好莱坞戏剧
• 手持手机拍摄的短片
• 颗粒感十足的复古广告

一旦基调设定好，再用镜头、动作和光线添加具体细节。

清晰至上：具体胜过模糊

使用指向可见结果的动词和名词，避免含糊描述：

摄影机方向和构图

摄影机方向和构图塑造镜头的感觉：

• 高角度广角镜头 - 强调空间和环境
• 平视特写镜头 - 聚焦于情感

景深增加另一层维度：

• 浅景深 - 主体在模糊背景中脱颖而出
• 深景深 - 前景和背景都保持清晰

灯光同样能强烈设定基调：

• 柔和温暖主光 - 营造温馨氛围
• 单一硬光加冷色边缘 - 推向戏剧化

弱提示 vs 强提示示例

糟糕示例：

摄影机镜头：电影感

优秀示例：

摄影机镜头：广角镜头，低角度
景深：浅景深（主体清晰，背景模糊）
光线与色调：温暖逆光，带有柔和轮廓光

优秀构图指令示例

• 广角建立镜头，平视角度
• 广角镜头，跟随冲锋从左向右移动
• 航拍广角镜头，轻微俯角
• 中景特写，从背后略带角度

优秀摄影机运动指令示例

• 缓慢倾斜的镜头
• 手持新闻采访式摄影机

角色一致性注意事项

引入角色时，要预料到一些不可预测性——措辞的微小变化可能改变：

• 角色身份
• 姿势
• 场景焦点

保持一致性的方法：

• 在不同镜头间保持描述一致
• 重复使用相同措辞确保连贯性
• 避免混合可能相互冲突的特征

控制动作与时机

动作往往是最难搞定的部分，所以要保持简单。

一镜一事原则

每个镜头应该只有：

• 一个清晰的摄影机运动
• 一个清晰的主体动作

用节拍描述动作

动作最好用节拍或计数的方式描述——比如小步、手势或停顿——这样才有时间上的依据。

糟糕示例 ❌：

演员走过房间。

优秀示例 ✅：

演员向窗户走了四步，停顿了一下，在最后一秒拉上了窗帘。

第二个示例使得时机精确且可实现。

光线与色彩一致性

光线和动作、场景一样，共同决定画面情绪。

光线质感的影响

• 遍布画面的漫射光 - 平静而中性
• 单一强光源 - 鲜明对比和紧张感

剪辑连贯性的关键

当你想把多个片段剪辑在一起时，保持光线逻辑一致性是使剪辑无缝衔接的关键。

描述光线的最佳实践

既要描述光的质感，也要描述强化这种质感的色彩锚点。

糟糕示例 ❌：

光线与色调：光线明亮的房间

优秀示例 ✅：

光线与色调：柔和窗光，辅以温暖台灯补光，以及来自走廊的冷色边缘光
色调锚点：琥珀色、奶油色、胡桃棕

指定 3-5 种颜色有助于在不同镜头间保持色调稳定。

使用图像输入获得更多控制

为了对镜头的构图和风格进行更精细控制，可以使用图像输入作为视觉参考。

图像输入的作用

可以锁定的元素：

• 角色设计
• 服装
• 布景装饰
• 整体美学

模型将图片作为第一帧的锚点，而文本提示词定义接下来发生的事情。

如何使用

在 POST /videos 请求中，将图像文件作为 input_reference 参数包含进来。

要求：

• 图像必须匹配目标视频分辨率（size）
• 支持的格式：image/jpeg、image/png、image/webp

示例对比

输入图像（用 GPT Image 生成）	生成视频（Sora 2）
	提示词：“她转身微笑，然后慢慢走出画面。”
	提示词：“冰箱门打开。一只可爱、胖乎乎的紫色怪物从里面走出来。”

实验技巧

如果你还没有视觉参考，OpenAI 的图像生成模型是创建它们的强大工具。你可以：

1. 快速生成环境和场景设计
2. 将它们作为参考传入 Sora
3. 测试美学并生成美丽的视频起点

对白与音效

对白编写规范

对白必须在提示词中直接描述。将它放在场景描述下方的单独区块里，这样模型能清楚区分视觉描述和口语台词。

对白编写要点

1. 保持简洁自然 - 避免冗长复杂的演讲
2. 限制对话量 - 尽量限制在几句话内，以便时机能与视频长度匹配
3. 标记说话者 - 对于多角色场景，一致地标记说话者并使用轮流发言
4. 考虑时长匹配：
   • 4秒镜头 - 通常容纳1-2句简短对话
   • 8秒片段 - 可以支持更多一些

带对白的提示词示例

一个狭窄、没有窗户的房间，墙壁是陈旧灰烬的颜色。
天花板上悬挂着一个光秃秃的灯泡，灯光汇聚在中央那张伤痕累累的金属桌子上。
两把椅子隔桌相对。一边坐着警探，风衣搭在椅背上，眼神锐利而不眨。
他对面，嫌疑人懒散地靠着，烟雾慢悠悠地向天花板卷去。
寂静压迫着一切，只有头顶灯光的微弱嗡嗡声打破了沉默。

对白：
- 警探："你在撒谎。我能从你的沉默中听出来。"
- 嫌疑人："或许我只是懒得说话了。"
- 警探："不管怎样，今晚结束前你会开口的。"

无声镜头的音效提示

如果镜头是无声的，你仍然可以用一个微小的声音来暗示节奏，例如：

• “远处交通的嘶嘶声”
• “一声清脆的折断声”

把它看作节奏提示，而不是完整音轨。

背景音描述示例

背景是意式浓缩咖啡机的嗡嗡声和人们的低语声。

使用 Remix 功能迭代

Remix 功能是用来微调的，不是用来赌运气的。

Remix 最佳实践

1. 进行可控的、一次一项的修改
2. 明确说明改动点：
   • “同样的镜头，换成85毫米镜头”
   • “同样的灯光，新的色调：青色、沙色、铁锈色”

接近目标时的策略

当结果接近理想时：

1. 将它固定为参考
2. 只描述需要调整的部分

这样，所有已经奏效的部分就能保持不变。

问题镜头的处理

如果一个镜头总是出错：

1. 简化 - 固定住镜头，简化动作，清空背景
2. 验证 - 一旦成功了
3. 迭代 - 再一步步增加复杂性

Remix 示例

原始视频	Remix 生成视频
	提示词：“把怪物的颜色改成橙色”
	提示词：“紧接着又出来第二个怪物”

提示词模板与范例

标准提示词结构

一种有效的写法是将不同类型信息分开。这并非放之四海而皆准的成功秘诀，但它提供了清晰框架，使保持一致性变得更容易。

描述详细程度的权衡

• 高度描述性提示词 → 更一致、可控的结果
• 较轻量提示词 → 解锁感觉新颖、富有想象力的多样化成果

通用模板

[用通俗语言进行散文式的场景描述。描述角色、服装、布景、天气和其他细节。
尽可能详细地描述，以生成符合你构想的视频。]

摄影：
摄影机镜头：[构图和角度，例如：广角建立镜头，平视角度]
景深：[浅/深]
镜头/风格线索：[例如：变形镜头、手持]
情绪：[整体基调，例如：电影感的紧张，俏皮的悬疑，奢华的期待]

动作：
- [动作1：一个清晰、具体的节拍或手势]
- [动作2：片段内的另一个独特节拍]
- [动作3：另一个动作或台词]

对白：
[如果镜头有对白，在此处或作为动作列表的一部分添加简短自然的台词。
保持简短，以匹配视频长度。]

完整示例

示例 1：机器人工作室场景

风格：手绘2D/3D混合动画，具有柔和笔刷纹理、温暖钨丝灯光和
富有质感的定格动画感。美学风格唤起了2000年代中期的故事书动画——
舒适、不完美、充满机械魅力。微妙的水彩渲染和绘画般纹理；
色调上有冷暖平衡；电影感的运动模糊以增强动画真实感。

在一个杂乱的工作室里，架子上堆满了齿轮、螺栓和泛黄的蓝图。
中央，一个小小的圆形机器人坐在一张木凳上，它凹陷的身体上贴着
不匹配的金属板和旧漆层。它大大的发光眼睛闪烁着淡蓝色的光，
紧张地摆弄着一个嗡嗡作响的灯泡。空气中回荡着安静的机械嗡鸣声，
雨点敲打着窗户，背景中时钟在稳定地滴答作响。

摄影：
摄影机：中景特写，缓慢推进，悬挂的工具产生轻微的视差效果
镜头：35毫米虚拟镜头；浅景深以柔化背景的杂乱
光线：来自头顶场景光源的暖色主光；来自窗户的冷色溢光以形成对比
情绪：温柔、奇幻，带有一丝悬念

动作：
- 机器人敲了敲灯泡；火花噼啪作响
- 它吓得一哆嗦，灯泡掉了下来，眼睛睁得大大的
- 灯泡在慢动作中翻滚；它在最后一刻接住了它
- 一股蒸汽从它胸口喷出——既是松了口气，又带着自豪
- 机器人轻声说："差点丢了……但我接住了！"

背景音：
雨声，时钟滴答声，柔和的机械嗡鸣声，微弱的灯泡嘶嘶声。

示例 2：屋顶浪漫舞蹈场景

风格：1970年代浪漫剧情片，用35毫米胶片拍摄，带有自然的镜头眩光、
柔焦和温暖的光晕。轻微的胶片抖动和手持微抖唤起了复古的亲密感。
温暖的柯达风格调色；灯泡上有轻微光晕；胶片颗粒感和柔和的暗角
以营造时代真实感。

在黄金时刻，一个砖砌公寓的屋顶变成了一个小舞台。
晾衣绳上挂着的白床单在风中摇曳，捕捉着最后一缕阳光。
一串串不匹配的仙女灯在头顶微弱地嗡嗡作响。
一个穿着飘逸红色丝绸连衣裙的年轻女子赤脚跳舞，
卷发在渐逝的光线中闪耀。她的舞伴——袖子卷起，吊带松垮——
在一旁拍手，笑容灿烂而毫无防备。下方，城市在汽车喇叭声、
地铁的震动和远处的笑声中嗡嗡作响。

摄影：
摄影机：中景广角镜头，从平视角度缓慢向前推进
镜头：40毫米球面镜头；浅焦以将这对情侣与天际线分离开
光线：金色的自然主光，辅以钨丝灯补光；仙女灯提供边缘光
情绪：怀旧、温柔、电影感

动作：
- 她旋转；裙摆飞扬，捕捉到阳光
- 女人（笑着说）："看？今晚连这座城市都在和我们共舞。"
- 他走上前，抓住她的手，将她带入阴影中
- 男人（微笑着说）："那只是因为你在领舞。"
- 床单飘过画面，短暂地遮住了天际线，然后再次分开

背景音：
仅自然环境音：微弱的风声、布料飘动的声音、街道噪音、模糊的音乐。
无额外配乐。

常见问题排查

结果太随机？

解决方案：增加取景、景深、光线锚点的描述

运动不可读？

解决方案：收敛到"一个摄影机运动 + 一个动作"

剪辑不连贯？

解决方案：固定光线逻辑与色板

角色不一致？

解决方案：复用同一套身份描述与措辞

总结与最佳实践

核心要点

1. API参数先行 - model、size、seconds 必须显式设置
2. 简洁 vs 详细 - 根据需求平衡控制力和创意空间
3. 一镜一事 - 一个摄影机运动 + 一个主体动作
4. 视觉锚点 - 用具体、可见的描述代替模糊词汇
5. 光线一致性 - 跨镜头保持光线逻辑稳定
6. 迭代优化 - 使用 Remix 进行微调，而非重新生成

推荐工作流程

1. 明确目标 - 确定镜头要达到的效果
2. 设置参数 - 选择合适的 model、size、seconds
3. 编写初始提示词 - 从简洁开始，或使用模板
4. 生成并评估 - 查看多个变体，选择最接近的
5. Remix优化 - 对选中版本进行针对性调整
6. 剪辑整合 - 将满意的片段整合到项目中

版权声明：本指南基于 OpenAI 官方文档（Robin Koenig & Joanne Shin 著）整理，由 SoratoAI 社区进行中文本地化和实践优化。