这份指南提供一个简单的结构、模型能理解的常用词汇,以及适用于常见内容形式、可直接复制的示例。每个示例都可以粘贴到创作台的表演提示词栏中,再根据你的照片调整。
OmniHuman 2提示词的结构
按三个部分来思考:表演、手势和镜头。表演是整体情绪(“温暖而自信”“俏皮”“严肃的新闻主播”)。手势是一两个具体动作(“掰着手指数数”“指向观众”“把瓶子举到镜头前”)。镜头是一个运镜或构图(“固定中景”“镜头缓慢推近”“向左轻柔环绕”)。
控制在40词左右以内。指令过多、相互冲突的长提示词往往会产生忙乱、不自然的动作;与其用一条塞满指令的提示词生成一次,不如用两条聚焦的提示词各生成一次。
运镜指令
每个片段只用一个运镜。以下说法清晰、通用:
- “固定中景”——沉稳的主持人风格;最适合长篇讲解。
- “镜头缓慢推近”——逐步增强张力;非常适合广告开头和情绪化的台词。
- “围绕主体轻柔环绕”——为歌曲增添制作质感。
- “手持镜头感,轻微晃动”——让UGC风格的片段看起来像手机拍摄。
- “远景,然后缓慢推向说话人”——适用于多人场景。
手势与肢体语言
写明手势,如果时机重要,也写明何时出现:“提问时挑眉”“说到‘大家’时张开双手”“倾听时点头”。产品镜头最好让产品本来就在照片里;这样提示词就可以让人物举起、倾斜或指向它。
如果是唱歌,描述换气和动作,而不是嘴型——“唱长音时闭眼,随节拍摇摆,副歌时手放在胸口”——让音频去驱动嘴唇。
按内容形式分类的提示词示例
把细节换成你自己的照片和音频。
- 1UGC护肤品广告开头兴奋,语速快,说第一句时把瓶子凑近镜头,手持镜头感
- 2创始人发布公告沉稳自信,张开手掌做手势,固定中景,结尾微微一笑
- 3抒情歌唱长音时闭眼,轻轻摇摆,镜头缓慢环绕,表情柔和动情
- 4双人播客左边的主持人说话,右边的主持人点头回应,固定远景,轻松聊天
- 5课程讲解老师的语气,掰着手指列要点,偶尔低头像在看笔记,固定镜头
- 6吉祥物打招呼开朗,开头挥手,轻轻蹦跳,镜头缓慢推近
语言与问题排查
表演提示词可以用英语、中文、日语、韩语、西班牙语(墨西哥)或印尼语书写。说话的音频可以是任何语言——对口型跟随的是声音,而不是提示词。
如果动作显得夸张,就去掉“非常”“戏剧性”这类形容词。如果好像什么都没发生,检查一下这个手势在当前构图里是否做得出来:照片只裁到脸部的话,手是没法做手势的。
常见的提示词错误
最常见的错误是描述脚本内容,而不是表演。写“她在介绍我们的新价格”毫无作用,因为台词已经在音频里了;写“身体前倾,每说一个价格就敲一下桌子”,模型才有事可做。
第二个错误是自相矛盾:在同一个片段里既要固定镜头又要环绕,或者既要沉稳表达又要活力蹦跳。指令互相打架时,动作就会变得含糊。每次生成只确定一种情绪和一种镜头表现。
- 除非音频情绪与之相符,否则避免极端情绪——轻声细语的台词配上“愤怒地大喊”,效果会很违和。
- 不要要求照片里没有的物体出现;应该把它们加到图片里。
- 跳过模型没理由懂的专业影视术语,比如具体的镜头品牌。
不浪费积分地反复迭代
先固定照片和音频,测试生成之间只改变提示词。截取最重要那句台词的五秒片段,用两三个提示词版本并排对比——每个50积分,这样的对比比一次失败的长视频生成还便宜。
一旦某条提示词效果好,就把它和项目一起保存,作为这位主持人可复用的“表演预设”。每一集都从同一段表演提示词开始,系列视频看起来会更统一。
常见问题
必须写提示词吗?
不必。不写的话,OmniHuman 2会根据音频生成自然的动作。如果你想要特定的手势或运镜,提示词会有帮助。
提示词应该写多长?
一两句话,大约40词以内。聚焦的提示词能带来更干净的动作。
提示词能改变人物说的话吗?
不能。说话内容和嘴部动作来自音频;提示词控制的是表演和镜头。
可以指导多个人吗?
可以。按位置描述每个人,例如“左边的人说话,右边的人做反应”。
支持哪些提示词语言?
官方列出支持的有英语、中文、日语、韩语、西班牙语(墨西哥)和印尼语。
为什么我要的手势没有出现?
通常是构图挡住了手,或者提示词要求的动作太多。换一张更宽的照片,并减少指令。