如何精准创作心中所想的视频：使用 Seedance 2.5 的专业指南

正在挑战 Seedance 2.5 的人们，大概都在寻找"完美提示词"的模板，并测试着一切能想到的想法吧。

然而……

提示词的责任范围，比你想的更窄

Seedance 2.5 在单次生成中最多可接受 30 张图片、10 个视频和 10 个音频文件 作为参考（由 ByteDance 官方于 2026 年 7 月 31 日公布）。

这个规格意味着，提示词并不是用来把一切都讲清楚的。

判断标准只有一个：谁掌握着最准确的信息？

关于动作，最准确的信息来源是动作本身的视频，而不是对它的文字描述。

提示词中不该写的 5 件事

1. 堆砌形容词的氛围描写

官方指南指出："尽量不要堆砌形容词。"并补充说："写明动作和镜头选择，通常效果会更好。"

2. 给动作起"名字"

像 playful cheeky mini-dance 这样的概念化名称，输出的范围会像理解的范围一样广。

实际上，这个指令返回的是一个人在别人面前跳舞的视频："走向舞伴 → 双手前伸 → 看着舞伴"。而目标原本是"一个人边走边闹，动作略显凌乱、速度较快"，那根本算不上舞蹈。

3. 把身体各部位的动作拆解成文字

即使把手臂如何摆动、肩膀如何晃动、镜头如何随之同步反应逐项拆解改写，输出结果也没有变化。官方指南表示，动作参考"比一段冗长模糊的文字更有用"。

就算你拆解得再细、写得再长，也不可能达到一份参考素材的信息密度。

4. 参考素材里已有的信息

官方的提示词示例明确规定了要从每份参考素材中提取什么信息。

"从 @Clay Render 1 中，参考运镜、节奏、景别转换、主体轨迹和位置关系。

从 @Image 2 中，参考角色设计、场景、材质、光线、色彩和氛围。"

如果在文字里写出参考素材已有的信息，参考素材和文字就会各说各话，最终导致生成崩坏。

5. 相互矛盾的指令

密集的段落会让指令在内部互相冲突。一旦混入无法执行的指令，AI 就会自行决定丢弃其中某一条。

提示词中该写的 5 件事

1. 每份参考素材的角色

官方指南的指示是"明确写出参考素材的角色"。列出的角色包括：产品身份、角色一致性、通过白模提供的动作、绿幕表演、音频、风格和局部修改。角色并不是光把文件挂上去就会自动确定的。

2. 不希望从参考中使用的信息

在指定角色的同时，明确写出不希望它借鉴的信息。下面这种写法实际效果很好：

不要复制 @Video1 中的场景、服装、文字、人物或故事。 只复制身体节奏、手臂姿势、走路节奏和与身体联动的运镜。

要分开写："只模仿动作；不要模仿场景、衣服或人物。"

3. 逐条列出不可妥协的元素

官方的动作参考指南建议这样构建提示词："先写明上传的参考素材，再列出不可妥协的细节。"

• 身份
• 外形
• 比例
• 平面布局
• 产品设计
• 姿态
• 节奏
• 声音
• 镜头顺序

4. 保留什么、改变什么

把要保留的内容（表演、节奏、视线、位置、运镜）和要改变的内容（人物、环境、服装）分开来写。不做区分的话，AI 就有权利把一切都重做。

5. 优先级

在无法同时满足所有要求时，明确写出优先保护什么。在实际的提示词中，可以这样写：

优先级： 1. 匹配 @Video1 的身体节奏和手臂动作。 2. 匹配 @Video1 中与身体联动的运镜。 3. 保留 @Image1 的 POV 视角和环境。 4. 保持动作俏皮随意，而不是像编排好的舞蹈。

先决定"正确答案"放在哪里

把想要的视频拆解成各个元素，并分别决定每个元素由哪份"素材来提供正确答案"。

此外，把每个元素的约束强度分为三个层级：

• 固定： 不允许随意重做（人物、产品形状、原始动作素材）。
• 引导： 给出方向，但允许一定演绎（豪华公寓、夜晚、温馨灯光、有趣氛围）。
• 自动： 完全交给 AI（沙发形状、书架上的物品、墙面细节）。

如果全部固定，视频会变得不自然；如果全部交给自动，又会偏离目标。 设计哪里该固定、哪里该放松，正是提示词的工作。

3 种创作方式：困难动作先实拍

第三种方式之所以重要，是因为 ByteDance 官方自己就把"多人互动场景的稳定性"列为 Seedance 2.5 的待改进方向。想在开发者都承认困难的领域里靠文字强行突破，注定是场打不赢的仗。

"先实拍"之所以有效，是因为它把 AI 的任务从"凭空创造表演"变成了"替换既有表演的外形"。位置、节奏、视线和接触都由实拍素材来承担，AI 只需要处理身份和环境。

在 X 上，有人分享过一个案例：一份出现了三个不同人物的素材，被统一替换成了同一个人。（发帖人说明使用的是 Seedance 2.0，且没有使用合成或蒙版。由于是第三方帖子，制作过程的细节未经核实。）

也有一些明确不适合的情况。

没有参考素材就凭空生成、人物接触过于复杂、脸部被完全遮挡、谁在什么位置含糊不清、或者在素材阶段位置关系就已经崩坏。

如果中了这五条，先实拍也无法解决。

官方展示的提示词模板

基本顺序是：

主体（谁/什么）→ 动作（做什么）→ 镜头（怎么拍）→ 风格（什么质感）

对于 30 秒的单镜头，官方甚至展示了时间分配：

• 00–06 秒：用全景交代情境
• 06–14 秒：用特写进入主要动作
• 14–24 秒：通过运镜或插入镜头展开
• 24–30 秒：收束

使用参考素材时，可以直接填写套用的模板👇

1参考文件：
2@Image1 = [角色]。只从这里使用 [要使用的信息]。不要使用 [不使用的信息]。
3@Video1 = [角色]。只从这里使用 [要使用的信息]。不要使用 [不使用的信息]。
4
5动作：
6[谁] [在哪里] [做什么]。
7[动作的质量。比起"名为 X 的动作"，请写明它是快是慢、是凌乱还是规矩、面向谁而做]
8
9镜头：
10[视角类型 / 镜头焦段]。
11[镜头与什么同步运动]。
12[绝对不要做的运镜行为]。
13
14表演：
15[表演的温度。是做给别人看的，还是独自进行的？]
16
17环境：
18[地点、时间、光线的特质。不要指定细节]
19
20保留 / 改变：
21保留 = [表演 / 节奏 / 视线 / 位置 / 运镜]
22改变 = [人物 / 环境 / 服装]
23
24优先级：
251. [最优先保护的内容]
262. [其次保护的内容]
273. [再接下来]

这个模板有效，并不是因为它减少了写作量。

而是因为文字的角色从"描述视频"变成了"指挥素材的分工"。

动作的正确答案在视频里，脸的正确答案在图片里，空间的正确答案在白模里。提示词则负责决定它们之间的安排。

感谢你读到最后。

在 X（[@casthirotaka](https://x.com/@casthirotaka)）上，我每天都在分享对这种实战工作有效的经验。

如果你能关注我，我会很开心。