FLUX 3 Max 会把提示词当成一个随时间展开的镜头来读。效果好的提示词，先排出一串观众看得见的事件，再交代镜头怎么拍、光线什么样、能听到什么。
每个部分写成普通句子就行，加不加标签都可以；后面的花店示例就给镜头、光线、台词和声音加了标签。这个顺序当检查清单用，不是硬性规定（官方的斗牛骑手示例就是先写运镜）：先把动作写下来，再看镜头、光线、声音是不是各有一句——你在意哪一项的效果，那一项就别空着。下面的示例都按这五个部分来拆解。
5 秒的草稿可以写得很短：一个动作、一句镜头说明、一种声音就够了。时长加长再加节拍（一个看得见的小动作），每多写一句，都要是观众看得到或听得到的东西。
1谁或什么，在哪里。2按顺序发生了什么。3景别和运镜。4光线和质感。5说话人（语气）：“台词”，再写现场的声音。
把一条 FLUX 3 Max 视频当成一次 5 到 20 秒的拍摄。要蒙太奇、要多个角度、或者堆一串氛围词的提示词，模型找不到可以按顺序演的东西。把它改写成一个有事件的单镜头。示例提示词保留英文原文，方便直接复制。
“温馨的咖啡馆，电影感，咖啡师在拉花，特写和远景都要有，光线漂亮，细节丰富。”
一位卷起袖子的咖啡师站在小咖啡馆的木质吧台后。她把牛奶倒进杯里，在奶泡上拉出一片叶子，把杯子朝镜头推过来，抬头微微一笑。一个连续镜头：从吧台高度的杯子特写开始，随她抬头缓缓升到她的脸。早晨的阳光从前窗照进来，暖色调，蒸汽映着光。声音：蒸汽打奶声、杯碟轻碰、咖啡馆里低低的交谈、一段柔和的木吉他。
“电影感”“细节丰富”这类氛围词，并没有告诉模型发生了什么。质感用一句短话交代就够，剩下的篇幅都留给事件。
这段文生视频提示词来自 FLUX 3 Max 官方示例。只有三句话，五个部分里已经写到了四个。
A red panda walks along a mossy log in a sunlit forest, pausing to sniff the air before climbing over a fallen branch. Soft morning light filters through the canopy. Ambient birdsong and rustling leaves.
只要不关音频，声音就和画面在同一次生成里出来。所以提示词要写得像一小段剧本：谁在说、什么语气、台词本身，然后是人物动作发出的声音，以及周围环境的声音。
一段 5 秒、720p 的文生视频提示词，按五个部分来写，镜头、光线、台词和声音都加了标签。台词和声音放在最后：花店店员只说一句短台词，然后是她手上干活的声音和店里的声音。
A young florist trims the stems of a bouquet at a wooden counter, wraps it in brown paper and holds it out toward the camera. Camera: slow push-in from a medium shot to a close-up of her face and the flowers. Light: soft afternoon sun through the shop window, warm tones. Florist (smiling): "These ones last all week." Sound: scissors snipping, paper rustling, a quiet street outside, a small bell over the door.
在这个官方图生视频示例里，静图已经画好了坐在主持台后的两位主持人，所以提示词只写他们接下来做什么、说什么。
The monkey leans into his microphone and says, "Welcome back to the show!" The polar bear laughs and nods along, tapping the desk. Jungle birdsong on the left, a cold wind on the right.
台词要短。可以先这样起步：5 秒的视频里一个人只说一句，往后加秒数时再加台词。
照片已经把画面风格定好了，所以提示词只写运动：谁在动、什么在变、镜头和光线怎么样。加尾帧时，让两张图的角度和光线保持一致，这样视频只需要完成一个明确的变化。
首帧是一只系着深红色丝带的牛皮纸礼盒，盖子合着，放在浅色橡木桌上。尾帧是同一角度下的同一只盒子，已经打开：盖子斜靠在盒子一侧，丝带松松地落在桌上，白色薄纸上放着一只银色手表。提示词按顺序写那只手做了什么，以及能听到什么。
A hand enters the frame, unties the red ribbon and lifts the lid, leans it against the side of the box and moves out of frame, revealing a wristwatch on white tissue paper. The camera holds still. The soft window light stays the same. Sound: ribbon sliding, paper rustling, a soft click as the lid comes off.
这个官方图生视频示例只用了首帧。提示词设定了一个连续的推近镜头，写了骑手身上的细微变化，并让背景保持不动。结尾是骑手低声说的一句台词，再加上广告旁白的一句口号。
Continuous single shot, very slow push-in toward the rider's boots. … He lifts his head slightly and looks down at his worn leather boots. A faint, tired smile. … Rider (quietly): "Lost my hat. Lost my pride. Kept my boots."
下面是可以先试的改法，不保证一定有效：找到你看到的问题，试着只改对应的那一个部分，再把新的一版和上一版对比。
主体几乎不动
画面像一张照片在平移
出现了你没要求的动作
两种运镜糊在一起
画面切到了别的角度
动作糊成一团，或者被跳过
开口说话的角色不对
出现了你没要的音乐或杂音
图生视频偏离了你的照片
结尾没走到你的尾帧
画幅不对
生成前先设好；其中大部分都会改变提示词该写多少内容。
以 1 秒为一档任选。节拍数要和时长对上：5 秒的草稿放一个动作加一句短台词；15 或 20 秒才有空间写一连串动作。
默认 720p。先用 720p 把镜头试出来，再把定下来的提示词用 1080p 跑出要留的那一版。1080p 等于重新生成一次，和草稿会有差别。
从文字生成时，可选 21:9、2:1、16:9、4:3、1:1、3:4 或 9:16；选 auto 默认出 16:9。本站的图生视频没有画幅选择，视频跟随首帧的比例。竖屏 9:16 时，景别写近一点，把动作放在画面中间。
画面和声音来自同一次生成。如果之后要自己配音乐或人声，就把音频关掉，同时删掉提示词里写台词和声音的句子。
镜头需要多长就写多长。官方的小熊猫示例只有三句话。每个部分大约写一句，时长加长时，每多一个节拍就多写一句。堆形容词只会让提示词变长，不会多出事件。
不一定。音频默认开启，不写声音的话，这条视频听起来是什么样由模型决定。声音重要时再写：谁说什么、现场有什么声音、要不要音乐。
写上说话人，括号里写语气，引号里放原话，比如 Florist (smiling): "These ones last all week."。两个角色同框时，把台词绑在一个动作上，比如“the monkey leans into his microphone and says”。不在画面里的声音，用“Narrator:”开头。
不能。尾帧只在图生视频里有：上传首帧，可选再加一张尾帧，然后描述两帧之间的运动。只用文字时，把想要的结尾写成动作的最后一个节拍。
在本站用 FLUX 3 Max 不行：图生视频只接受一张首帧，外加一张可选的尾帧。
可以。先用 720p 草稿把提示词定下来，再用同一段提示词跑 1080p，作为要留的那一版。每次生成都是新的一次，和草稿会有差别。
写进它所属的那个部分：镜头那句写“one continuous shot”，动作里写“the crowd stays still”，声音里写“no music”。
复制五个部分结构，填进一个镜头，先用 720p 跑一条 5 秒草稿。每次只改一个部分，再对比效果。
