可灵 3.0 提示词怎么写：结构、示例和实测成片

可灵 3.0 的指南把提示词拆成六块：主体、动作、场景、镜头、光线和氛围。多个镜头就给每个镜头写时长标签，对白写成「名字（语气）：台词」。我们 2026 年 10 月 28 日在 std 模式下各跑了一条 5 秒的提示词：第一个切点落在 1.96 秒，台词在四个转写结果中有三个一致，图生视频那条镜头几乎没动。

可灵 3.0 的提示词结构

可灵的提示词博客（2026 年 8 月 7 日）按这个顺序列出各部分：主体、看得见的动作、场景、镜头语言、光线和情绪。可灵把它叫作写作框架，3.0 的页面里没有任何一页规定必须按这个顺序写。

• 分镜。打开自动多镜头时，模型会自己读场景走向，决定机位和构图。自定义多镜头则给每个镜头写标签和时长，可灵界面里最多 6 个镜头。关掉多镜头，模型默认只出一个镜头。
• 台词。写成「名字（语气）：台词」，台词放进引号，下面第三条就是这么写的。可灵列出了五种台词语言：中文、英文、日文、韩文和西班牙文，其它语言会被翻成英文。
• 图生视频。描述动作和结尾，不要重复画面上已经有的内容。可灵一个 2025 年 11 月 24 日的旧页面（写的是 2.x）也讲了图生视频怎么写。3.0 指南的建议是把主体绑成元素，镜头移动时它不会跑偏。
• 首尾帧。可灵建议首尾两帧选相似的图，差别太大可能触发切换镜头。这一页也是 2025 年 11 月 24 日的，当作旧模型的建议看。

可灵 2.x 的公式还挂在它的文生视频提示词指南上：主体、主体动作、场景、镜头语言、光线和氛围（2025 年 11 月 24 日）。我们把它单独放着，下面只测了 3.0 的写法。

我们怎么跑的

• 我们 2026 年 10 月 28 日通过 OmniaKey 跑了 kling-3.0，std 模式，四条都是 duration 5。
• 前三条是文生视频，16:9，输出 1280×720。第四条是图生视频，不传画幅，画幅由首帧决定，输出 1176×780。
• 第四条的首帧是我们用 GPT Image 2 生成的静帧，1536×1024，medium 质量。每条渲染用了大约 4.5 到 8.5 分钟。
• 我们按固定时间抽帧看，跑切镜检测，量片长和响度，并让四个音频模型转写台词；只有三个模型转写一致的句子才引用。
• OmniaKey 卖可灵 3.0 的 API，这些片子是通过它跑的。下面的价格是可灵自己 App 里的价格，不是我们的。
• 来源：可灵的 VIDEO 3.0 使用指南（2026 年 2 月 6 日）和提示词博客（2026 年 8 月 7 日），2026 年 10 月 28 日核对。

每条提示词只跑了一段，每个结果都只是一个样本。

四条提示词和实测成片

这四条提示词都是原样跑的。

1. 一段话写完六块：石拱门下的琴手

第一条把六块内容写进一段话，最后补一行声音。

A young street violinist in a long camel coat plays a fast, bright melody under a stone archway in an old European city at dusk. She sways with the music as a few pigeons take off from the cobblestones behind her. The camera slowly pushes in from a medium shot to a close-up of her face. Warm golden streetlights, light haze, long shadows on wet cobblestones. Sound: the violin echoing under the arch and the flutter of pigeon wings.

意思是：黄昏的欧洲老城，穿驼色长大衣的年轻琴手在石拱门下拉一段快而明亮的旋律，随音乐摆动，身后的鹅卵石路上几只鸽子飞起；镜头从中景缓缓推到脸部特写；暖金色路灯、薄雾、湿石板上拉长的影子；声音是拱门下回荡的乐声和鸽子振翅。

设置：text_to_video，模式 std，5 秒，16:9，1280×720。

结果：一个连续镜头，镜头只推近了一部分。

• 切镜检测在 5.04 秒里没有找到切点。
• 她在黄昏的石拱门下拉琴，身后是亮着灯的街道；大约 3.0 秒时，几只鸽子从鹅卵石路上飞起。
• 4.9 秒时她占的画面更大了，但到片尾也没有推到脸部特写。
• 声音平均 −23.2 dB。四个音频模型对听到的内容说法不一，所以这里不点名任何乐器。

怎么改：

• 试试把构图和出现的那一秒写出来，比如「a close-up of her face by 4 seconds」。

2. 分镜标签：灯塔里的两个镜头

第二条写了两个带标签的镜头，2 秒和 3 秒，声音放在最后。

Shot 1 (2s): Wide shot, a lighthouse keeper in a dark wool sweater climbs a spiral iron staircase inside a lighthouse at night, holding a glowing lantern. Shot 2 (3s): Close-up, he turns a brass key and the great lamp above him flares to life, its beam sweeping across his face. Sound: his boots on the iron steps, then a deep mechanical hum as the lamp starts.

意思是：第 1 镜 2 秒，远景，穿深色羊毛衫的守塔人提着灯笼，夜里在灯塔里爬螺旋铁梯；第 2 镜 3 秒，特写，他拧动一把铜钥匙，头顶的大灯亮起，光束扫过他的脸；声音是铁梯上的脚步声，然后是灯亮起时低沉的机械声。

设置：text_to_video，模式 std，5 秒，16:9，1280×720。

结果：两个镜头都出来了，第一个切点接近标签，第二镜里又多切了一次。

• 第 1 镜在 1.0 秒很清楚：守塔人提着灯笼爬螺旋铁梯。
• 第一个切点落在 1.96 秒，标签写的是 2 秒；第二镜在 2.4 秒时，他的手已经放在铜钥匙上。
• 2.88 秒又切了一次，落在标签写 3 秒的那个镜头里。他一直拧到大约 3.5 秒，4.8 秒时灯已亮起，光束扫过画面，他抬头看。
• 声音平均 −24.5 dB，没有台词。音频模型描述的是脚步声和一种机械声。

怎么改：

• 试试每个镜头只给一个目的，像可灵建议的那样，每个标签里只写一个动作。

3. 台词：每个说话人都带语气

第三条是台词测试：两个人，各自在括号里写语气，台词放进引号。

Inside a small bookshop on a rainy afternoon, an old shop owner with round glasses hands a wrapped book across the wooden counter to a teenage girl in a yellow raincoat. Medium two-shot, then the camera slowly pushes in on the girl's smile. Owner (warmly, in a slow, deep voice): "Bring it back when you've finished it." Girl (excited, speaking quickly): "I'll read it tonight!" Rain patters on the shop window.

意思是：下雨的午后，一间小书店里，戴圆眼镜的老店主把包好的书隔着木柜台递给穿黄色雨衣的女孩；先是中景双人，镜头再慢慢推到女孩的笑容；店主的语气是温和、慢而低沉，女孩的语气是兴奋、语速快；两人各一句台词，最后是雨打橱窗的声音。

设置：text_to_video，模式 std，5 秒，16:9，1280×720。

结果：没有切镜，台词在四个转写结果中有三个一致。

• 店主在 0.3 秒和 1.7 秒把包好的书隔着柜台递给女孩。
• 镜头在 3.3 秒转到女孩身上，4.9 秒时她的脸占满右半边画面。
• 四个音频模型里有三个转写出同样两句：「Bring it back when you've finished it. I'll read it tonight!」第四个漏了「've」。
• 声音平均 −26.0 dB。

怎么改：

• 下次写双人对白，照这个写法：名字后面括号写语气，再接引号里的台词。

4. 图生视频：只写动作

第四条从一张静帧开始。这张图是我们用 GPT Image 2 生成的，1536×1024：秋天的公园长椅上，一位戴红围巾的女子从她左侧拍侧面，她在看一本平装书。静帧的提示词要的是写实的 35mm 照片，眼睛高度，午后金光，小路上有落叶。

The camera slowly arcs around to the front of the woman, who closes her book, lifts her head and smiles warmly at the camera. A few leaves drift down around her.

意思是：镜头慢慢绕到女子正面，她合上书、抬起头，对着镜头温暖地笑；几片叶子在她周围落下。

设置：image_to_video，模式 std，5 秒，首帧 1536×1024（不传画幅），输出 1176×780。

结果：她转向镜头并微笑，但镜头几乎没绕，书也没合上。

• 1.5 秒时她还在看书。3.0 秒时她已经转向镜头，微笑着，书仍摊在手里。
• 4.9 秒时书还开着，镜头几乎没动。转头和微笑做到了，绕镜头和合书没做到。
• 提示词里没有声音那一行，音轨几乎是静的：平均 −50.0 dB，峰值 −20.9 dB，没有台词。

怎么改：

• 试试用一句话写出结尾状态，比如「the book closed by the end」，镜头那句只留一个动作。
• 补一行声音，像前两条那样。

常见失败和改法

下面四个问题都出自上面四条提示词，节号对应标题的编号。

一条片子多少钱

可灵自己的 App 按秒扣积分，单价取决于分辨率，以及有没有开原生音频。

这些数字来自可灵自己的 App，2026 年 10 月 28 日核对。5 秒那一列是每秒积分乘以 5，和官方举的例子一致：5 秒 1080p 原生音频是 60 积分。声音控制每秒加 2 积分，同样 5 秒就是 70 积分。4K 模式每秒 30 积分，见可灵提示词博客（2026 年 8 月 7 日）。

积分不是美元，比较不同模型时，要看各家自己的页面。想横向对比，可以看 可灵 3.0 对比 Wan 3.0。OmniaKey 现在的价格，以 可灵 3.0 模型页 为准。

国内怎么用

OmniaKey 支持人民币直充（支付宝、微信支付），一个 key 可以调用多家模型。可灵 3.0 的入口在 可灵 3.0 模型页。

用接口跑这些提示词

这条请求把第二条的灯塔提示词作为一个字符串发出。幂等键能防止重试时建出第二个任务。

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: lighthouse-shots-001" \
  --data-binary @- <<'JSON'
{
  "model": "kling-3.0",
  "type": "video",
  "operation": "text_to_video",
  "input": {"prompt": "Shot 1 (2s): Wide shot, a lighthouse keeper in a dark wool sweater climbs a spiral iron staircase inside a lighthouse at night, holding a glowing lantern. Shot 2 (3s): Close-up, he turns a brass key and the great lamp above him flares to life, its beam sweeping across his face. Sound: his boots on the iron steps, then a deep mechanical hum as the lamp starts."},
  "parameters": {"mode": "std", "duration": 5, "aspect_ratio": "16:9"}
}
JSON

我们没有传 multi_shot，测试时也没传：两个分镜标签都在 input.prompt 里。

1. 返回 202 和一个任务 id。
2. 用这个 id 查 https://api.omniakey.com/v1/media/tasks/{id}，循环看 status 直到终态。渲染大约用 4.5 到 8.5 分钟，慢的时候继续查，别重新提交；幂等键和请求体一样时，返回的是同一个任务。
3. 从 assets[0].url 下载成片。这个签名链接大约一小时过期，过期了就再查一次拿新的。

图生视频把 operation 改成 image_to_video，首帧放进 input.media，type 写 first_frame，可以是 HTTPS 链接或 data URI。last_frame 可选，首帧必填；图生视频不接受 aspect_ratio；整个请求体上限 1 MiB。

OmniaKey 只收 5、10、15 秒，可灵自己的接口收 3 到 15 的整秒。从 可灵 3.0 模型页 开始，参数细节看 视频接口文档。

常见问题

可灵 3.0 的提示词能写多长？

可灵接口给文生视频的 prompt 上限是 2,500 个字符，图生视频一样。Turbo 能到 3,072，官方建议控制在 2,500 以内，所以要按接口分别看，不要记一个数。

可灵 3.0 支持负面提示词吗？

接口文档建议在正面提示词里再写否定句，这是 negative_prompt 字段之外的补充。3.0 的几份指南都没有给负面词写法，所以这句话只能当接口建议看。

能生成 3 秒或 8 秒的片子吗？

可灵自己的接口按整秒收 3 到 15 秒，3 秒和 8 秒都能出。OmniaKey 只收 5、10、15 秒。

Turbo 的格式是什么？

Turbo 用一条内联字符串，写成 shot n, m, words;，每个镜头之间用分号隔开。Turbo 是另一个接口，这种格式不是 3.0 提示词的写法。

更新记录

• 2026 年 10 月 28 日：第一版，四条提示词当天跑完。