AI 真人短剧总像念台词?提示词不能只写“说什么”

大家好，我是凯哥。前大厂研发工程师，转型做 AI 自媒体，1年做到全网 32 万粉。想做普通人跨过 AI 门槛的那把梯子。

用 AI 做真人视频，你是不是也遇到过这种情况：台词明明写得挺爽，人物一开口却像在念稿？

表情僵、接话慢、情绪也不对。重新生成几次，还是差点意思。

我这次拆解了一条 AI 真人怼人短剧的视频，就把这些问题几乎踩了个遍。

把测试版本和最终版放在一起看，我才发现：很多时候不是台词写得不好，而是提示词只写了“说什么”，没有写清楚“谁来说、怎么说、什么时候说”。

先看一下这条我做的视频：

整个制作流程并不复杂：先确定人物参考图，再把剧情、对白和表演要求写进视频提示词，生成片段后剪到一起。

这篇不重讲完整流程，我直接拿三组实际生成结果来对比：人物为什么不对味，表演方向为什么会跑偏，以及一句很爽的回怼，为什么会被 AI 演得拖拖拉拉。

第一个问题：人物生成得不难看，为什么还是不对味儿？

我最开始做过一版 30 岁都市白领。

短发、焦糖色西装、酒红色针织衫，生成质量其实不错。五官自然，服装也没有明显问题。

但把她放进这部短剧，我总觉得差点意思。

问题不在生成质量，而在人设方向。焦糖色西装加齐短发，给人的年龄感更成熟，也更像传统职场剧里的打工人。

让她说这些轻巧、带点玩味的回怼台词，不太搭。

后来，我把角色换成了更年轻的形象。短狼尾、蓝色挑染、黑银色短外套，再加上颈带和不对称耳饰。

换完以后，我再看那些回怼台词，终于顺了。

她年轻、反应快，看起来有自己的边界，但又没有一张随时准备吵架的脸。后面那些带着笑意的回怼，放在她身上才不突兀。

人物参考图不是生成得漂亮就够了，它相当于短剧的选角。

年龄感、脸型、发型、服装和配饰，会提前告诉观众：这是一个什么样的人，她接下来会怎么说话。

最终人物四视图，我用的是下面这条提示词。图片模型选择 Seedream 5.0 Pro，比例选择 21：9。

生成一个年轻中国女性角色的四视图人物设定图。人物约 24 岁，年轻清秀的小巧脸型，短中庭，明亮灵动的杏眼，眼尾微微上扬，眉尾附近有一颗小痣，嘴角有浅酒窝；深棕黑色短层次狼尾发型，发梢轻微外翘，耳侧和后颈露出克制但醒目的钴蓝色内层染发。人物不是冷酷女强人，而是聪明、反应快、个性张扬、带一点叛逆感的年轻职场女性。她有很强的边界感，面对冒犯时不会忍气吞声。面部特写中直视镜头，嘴角带一丝若有若无的玩味笑意，像是已经看穿对方下一句话，但不做夸张表情。人物穿黑色短款结构感外套，带明显的深蓝色明线和宽大的浅冷灰色尖领；黑色内搭，黑色细绒颈圈，银色倒三角吊坠；一侧佩戴细长银色垂坠耳饰和小型耳骨夹，另一侧保持简洁，形成不对称设计。下装为深炭灰色高腰直筒长裤，搭配简洁的黑色尖头短靴。整体利落、年轻、前卫，但仍然符合现代办公室环境。画面比例 21：9。横向排列四个独立区域：第 1 格：面部特写，清楚展示五官、眉尾小痣、浅酒窝、蓝色内层染发、不对称耳饰、颈圈和三角吊坠；神态聪明、松弛，带轻微玩味笑意。第 2 格：正面全身，双臂自然下垂，姿态松弛自信，完整展示服装比例和身材轮廓。第 3 格：右侧面全身，标准侧身站立，展示狼尾发型层次、蓝色后颈挑染、外套侧面结构及裤装轮廓。第 4 格：背面全身，完整展示发型背面、蓝色内层染发、外套背面剪裁和整体身材比例。四格必须是完全同一个人物：五官、脸型、发型长度、挑染位置、服装、配饰和身材比例保持一致。冷灰蓝色摄影棚背景，柔和冷调自然光，皮肤真实细腻，有清晰眼神光。写实电影人物定妆照质感，不使用证件照式扁平光线。不要生成成熟行政人员气质，不要齐整的中分波波头，不要焦糖色西装，不要传统银行职业装，不要苦相或疲惫感，不要网红浓妆，不要僵硬站姿，不要文字、标签、水印或分隔标题。

提示词的最后这一段很重要。只告诉模型想要什么还不够，把第一版里不合适的东西写进禁止项，修改方向会更清楚。

第二个问题：生成得挺自然，为什么还是不对味儿？

第二组对比，先看一个饭局劝酒的片段。

男人把酒杯逼到女主面前，女主说自己吃了头孢，不能喝酒。男人不依不饶，还让周围的人一起起哄。

随后，酒杯里能看见两颗白色道具药片，女主再把酒杯举回男人嘴边。

这版其实不算失败。人物动作、镜头和反应都比较自然，只是女主一直比较严肃。

回头看提示词，这个结果并不意外：

女主气质冷静强硬。

女主主动逼近男人。

女主用男人刚才的姿态反过来压迫他。

这些描述和饭局冲突并不矛盾，但它们会把人物推向更紧张、更严肃的表演。

问题是，我后来确定的整部视频不是这个味道。

我想要的是女主不生气，也不摆出准备吵架的样子。她先听完，再用一点礼貌笑意、轻微玩味或者反问，把话轻松地送回去。

比如“接电话”这一段：

同事问她：

谁的电话啊？还背着我们接？

女主没有冷脸，也没有直接顶回去。提示词里写的是：

女主快速看一眼自己刻意躲开的走廊，再看回对方，眉毛极轻抬起，像不敢相信对方还没听懂边界。

她在对方话音落下后立即说道：「我都躲这儿了，你还以为是信号不好呢？」

“我都躲这儿了”清楚平稳，“信号不好呢”带一点轻微反问尾音。说完只停留很短时间，不切对手反应。

两个片段都可以很自然，但它们不是同一种表演。

头孢片段是严肃对抗，“接电话”是松弛反问。提示词里的情绪词、眼神和句尾语气，已经提前决定了女主会往哪边演。

AI 演得像真人，也不等于它演的是你想拍的那种短剧。

完整提示词也放这里：

总时长8秒，整体节奏自然偏快，像短视频里的真实交锋，不拖腔、不慢慢酝酿，但不能像机械高速念稿。对手说到后半句时，画面可以提前切到女主听反应，对手对白以画外音继续说完。对手最后一个字落下后，女主必须在0.1至0.15秒内直接接话，不增加单独的理解停顿镜头。不同人物的声音不能重叠。整体采用写实都市真人短剧质感，真实皮肤纹理、自然微表情和浅景深。主要使用稳定中近景、人物正反打和少量过肩构图。遵守180度轴线、视线方向、光向和空间关系。不使用快速推拉、环绕镜头、炫技变焦和慢动作。 图片1 是女主。0.0至0.4秒，开放式办公室外的安静走廊。女主刚刚接完私人电话，手机仍握在自己手中，准备返回办公区。一名约28岁的原创女同事站在办公区门边，戴细框眼镜，穿浅米色职业衬衫。她发现女主从远离人群的走廊回来，立刻带着过度好奇的表情探身询问。0.4至3秒，切戴眼镜女同事中近景。她盯着女主手里的手机，带着窥探隐私却自认为只是随口一问的语气说：“谁的电话啊？还背着我们接？”说到“背着我们接”时，画面提前切到女主近景。对手的后半句以画外音继续说完。女主已经看向同事。她的视线极快扫过自己特意躲开的走廊，再回到对方脸上，像是无法理解对方为什么还看不出自己的意思。不要低头沉思，不表现受伤或愤怒。3至8秒，保持女主近景。女主眉毛极轻地抬一下，使用正常音量、自然偏快的语速说道：“我都躲这儿了，你还以为是信号不好呢？”“我都躲这儿了”说得直接、自然，像在指出一个显而易见的事实。“你还以为”略带不可思议的反问感，眼神稳定地看着同事。“信号不好呢”使用很轻的疑问尾音，带一点干燥、克制的幽默感。嘴角可以出现极轻微的笑意，但不要大笑、冷笑、翻白眼或做出明显鄙夷表情。7.8至8.0秒，镜头在女主画面保持约0.2秒。她只维持原来的目光和神态，不新增动作，不切女同事尴尬、闭嘴、低头或离开的反应，画面直接结束。不要生成人物多手、多指、面孔融合、肢体穿插、人物分身和道具漂浮。不要生成字幕、标题、水印、二维码和复杂文字。不要使用美容滤镜、塑料皮肤或夸张喜剧表演。

第三个问题：提示词没错，为什么成片还是不爽？

最后一组，是女主拒绝同事聚会邀请的片段。

同事问：

大家都去，就你不去，看不起我们？

女主回答：

别误会，我是听说你去，才不去的。

一开始是做了10秒的视频，感觉开头还可以，但女主听完以后停得太久，回答也被拉慢了。

整体看下来感觉节奏太慢了，那种“游刃有余”的感觉也没有了。

原因很简单，这种台词的爽感来自接得快。

对方刚把话说完，女主就已经听懂了，也已经想好怎么回。多等一秒，就会从“随口回怼”变成“认真组织语言”。

10 秒版的时间是这样分的：

0 至 1 秒：同事靠近。

1 至 4 秒：同事质问。

4 至 9 秒：女主回答。

9 至 10 秒：保留女主表情。

再看看后来修改的 7 秒版本，时间是这样分的：

0 至 1 秒：同事靠近。

1 至 3 秒：同事质问，说到后半句时提前切到女主的听反应。

3 至 6 秒：对方最后一个字落下，女主立即接话，不增加单独的理解和思考镜头。

6 至 7 秒：只保留很短的表情落点，直接结束。

下面是整理后的 7 秒完整提示词。为了方便公开展示，我把原提示词里小数级的时间要求改成了“立即接话”和“极短停留”，意思不变，也更容易直接套用。

总时长 7 秒，整体节奏自然偏快，像短视频里的真实交锋，不拖腔、不慢慢酝酿，但不能像机械高速念稿。对手说到后半句时，画面可以提前切到女主听反应，对手对白以画外音继续说完。对手最后一个字落下后，女主必须立即接话，不增加单独的理解停顿镜头。不同人物的声音不能重叠。整体采用写实都市真人短剧质感，真实皮肤纹理、自然微表情和浅景深。主要使用稳定中近景、人物正反打和少量过肩构图。遵守 180 度轴线、视线方向、光向和空间关系。不使用快速推拉、环绕镜头、炫技变焦和慢动作。图片 1 是女主。聚会邀请。0 至 1 秒：下班后的办公室出口。女主背着通勤包准备离开。一名约 28 岁的原创女同事从侧面靠近，拦在她前方，但不触碰或拉扯她。1 至 3 秒：女同事带着群体施压和质问的语气说：{大家都去，就你不去，看不起我们？}说到“看不起我们”时，画面提前切到女主中近景。女主已经看向她，安静听完，没有额外低头、眨眼或长时间思考。3 至 7 秒：保持女主中近景。女主立即接话，先用像在友好澄清的语气说“别误会”，嘴角带一点礼貌笑意；说到“我是听说你去”时，目光稳定地落在对方脸上，笑意变成轻微的玩味；最后用轻松、自然、不带怒气的语气落下“才不去的”。女主完整说道：{别误会，我是听说你去，才不去的。}不要把这句话演成愤怒攻击。“别误会”略柔和，“你去”轻微加重，“才不去的”语调自然下降，像随口说出一个让对方无法接话的事实。说完只保持原来的目光和轻微笑意，留下极短的表情落点，不新增动作，不切对手反应。不要生成人物多手、多指、面孔融合、肢体穿插、人物分身和道具漂浮。不要生成字幕、标题、水印、二维码和复杂文字。不要使用美容滤镜、塑料皮肤或夸张喜剧表演。

怼人短剧的爽感，一半来自台词，一半来自接话的节奏。

提示词写得再完整，如果时长给得太长，模型还是会用停顿和多余反应把它填满。

现在写人物对话，我会检查这些

做完这几次测试，我不再把视频提示词当成剧情简介。它更像一张简化的导演单，人物听见什么、怎么反应、什么时候开口，都要交代。

现在写人物对话，我会按下面这个顺序检查：

人物：她是谁，外形和气质是什么。关系：谁在施压，谁暂时掌握主动权。刺激：对方做了什么，说了什么，离主角有多近。反应：主角先看哪里，身体怎样动，表情从什么状态开始。回应：多久接话，哪些字需要加重，句尾怎么落下。变化：一句话说到中间时，笑意、眼神和语气怎样改变。收尾：说完保留什么表情，镜头停多久，是否需要切对方反应。禁止：不要大喊、翻白眼、长时间思考、全程冷脸，也不要增加无关动作和对白。

按这张清单检查，我至少能先拦住两个常见问题：人物从头到尾只有一种表情，对话之间又停得太久。

台词前后的反应，往往比台词本身更影响真人感。

写在最后

视频拆解里已经讲过怎么生图、怎么生成视频、怎么剪辑，这篇就不重复了。

我觉得把效果不好的版本和最终版放在一起看，反而更容易说明问题。

想看完整过程可以参考这个视频教程：

角色得像一个会说这句话的人，台词也得在对的时机说出来。两件事少一件，味道都会变。

在公众号后台回复关键词【AI】，可以领取这个视频的完整提示词。

感谢大家能看到最后，如果文章对你有帮助，记得一键三连：点赞、在看、分享。如果想第一时间收到推送，可以设为“星标”⭐️。

#AI视频 #AI教程 #AI自媒体 #真人短剧 #Seedance #提示词