豆包 Seedance 2 · 视频

提示词指南NEW

Seedance 2.0 原生支持音视频联合生成（generateAudio 可一并出声）。本渠道支持文生视频与图生视频（最多 2 张参考图）。本指南精简自官方文档，帮你把创意写成模型听得懂的指令。

一句话理解

Seedance 2.0 本质是一个多模态 AI 导演：读取文字与参考图，并在内部拆成「空间层（画面里有什么）」和「时间层（如何随时间变化）」。所以好提示词不是「文案型形容」，而是「工程型指令」——谁、在什么场景、做什么动作、镜头如何运动、按怎样的时间顺序发生。

本渠道只提供两种方式：纯文字（文生视频）与「文字 + 参考图」（图生视频）。参考图最多 2 张，也可用首帧 / 尾帧图。暂不支持以视频 / 音频作为输入，也不支持在已有视频上编辑或延长。

① 文生视频

只用文字描述生成视频，适合无参考图、纯凭创意的场景。

<主体> + <动作 / 表情> + <场景环境> + <运镜> + <风格 / 画质> + <约束词>

② 图生视频

以参考图锁定主体 / 场景外观，再用文字描述动作与镜头。最多 2 张参考图（imageUrls），或指定首帧 / 尾帧图（firstFrameUrl / lastFrameUrl）。

参考<图片N>中的<主体 / 场景>，让其<做什么动作>，<镜头如何运动>
首尾帧：以首帧图开场、尾帧图收尾，中间<描述过渡与动作>

⚠ 参考图需公网可直连；多主体时把每个主体绑定到具体图片（见下方「定义主体」）。

精准主体 + 动作细节 + 场景环境 + 光影色调 + 镜头运镜 + 视觉风格 + 画质 + 约束条件

先锁定「谁」在「干什么」，再交代「在哪」「什么氛围」，然后告诉模型「怎么拍」，最后用风格、画质、约束词把结果收紧。

模型内部空间与时间解耦。复杂视频最理想的形态是「时间轴化分镜」：用镜头1 / 镜头2 / 镜头3 按事件顺序描述，每个镜头 = 谁 + 在哪 + 做什么 + 镜头怎么动。

✗ 反面

「男人在街头紧张地奔跑，画面很有电影感。」

✓ 正面

镜头1 街巷侧拍缓慢起跑；镜头2 撞翻水果摊、快速摇镜给惊恐特写；镜头3 翻墙消失、缓慢拉远定格。

每个镜头建议按此顺序：运镜/切换 → 主体动作与表情 → 位置/空间变化 → 音频信息。

💡 模型对精确秒数（如 0~3 秒）支持不稳定，别强行限制时长，让它按剧情自然生成节奏。

模型对标准运镜术语理解力很强，直接使用即可：中景、特写、全景、缓慢推镜、平稳横移、固定镜头。

⚠ 一个镜头尽量只指定 1 种运镜，别同时推拉摇移，否则画面易不稳定。

保持无字幕 / 避免生成任何文字或字幕
不要生成 Logo
不要生成水印

合理使用符号有助于模型区分信息类型：

⚠ 台词语言需统一，避免中英文混用（专有名词除外）。

本渠道最多 2 张参考图（imageUrls），运镜、节奏、氛围一律用文字描述——没有视频 / 音频输入。把有限的参考图用在最该锁定的东西上：角色锚定（锁外观）或场景定调（锁环境与风格）。

💡 典型配置：角色图 1 张 + 场景图 1 张；或首帧图 + 尾帧图（firstFrameUrl / lastFrameUrl）。角色图用人脸清晰的单人独照，别用多视图拼图。想要声音时把 generateAudio 设为 true，并用特殊字符规范描述台词 / 音效 / 音乐。

现象	解决
人物 ID 漂移 / 换脸	单独准备人脸大头照 + 全身照，重要素材前置；不要用人物多视图。
莫名出现字幕	加「保持无字幕」；优先横屏生成（竖屏更易出字幕）。
出现 Logo / 水印	加「不要生成 Logo」「不要生成水印」。
风格漂移（写实↔动漫）	加明确风格约束词（如「2D 日漫风格」）；或先把参考图转成目标风格。
双胞胎 / 人物重复	明确人物-参考图对应（张三对应图片1）；末尾加全局约束「禁止同款分身/双胞胎」；用单人独立照；精简提示词。
中文发音不准	把易读错字换成同音常用字（螭龙山→吃龙山）。
没有声音 / 声音不理想	先确认 generateAudio 设为 true；再用特殊字符规范写清台词{}、音效<>、音乐（），并补音色特征描述。本渠道无参考音频输入，音色只能用文字描述。