你写下类似*一位三十多岁的女性，话说到一半，直视镜头*这样的提示词，点下生成，结果拿回一段让你直接关掉标签页的片段。嘴自顾自地动着，节奏自成一派。眼神始终落不到一个确切的地方。那张脸几乎算得上一张脸——而这比完全不像一张脸更糟。

如果你正卡在这个死循环里，解法不是给脸写一条更好的提示词，而是别再让镜头对着它。

正面特写，是你能向当前任何一款视频模型提出的最糟糕的要求，而这与模型有多强毫无关系。你把镜头对准了观众穷尽一生都在成为专家的那一个对象。

## 所有错误，都在同一时刻落在脸上

一段有人走过市集的中景，可以有十几处出错，看上去却依然成立。衣料的褶皱、背景的漂移、手擦过门框的方式——这些都不必*正确*，只要说得过去就行。但人脸没有这份宽容。

在正面特写里，三件各自独立的事必须同时对上：口型与声音的契合、视线的方向与神采，以及整张脸的细微运动——眨眼、挑眉，还有下颌周围那一丝极轻微的松弛，正是它让一个人看起来像在思考，而不是在摆姿势。这三者任意一个失手，就会把你拽进恐怖谷，另外两项也救不回来。在远景里根本看不出的漂移，一旦脸占满画面，就会成为观众唯一看得见的东西。

这之上还叠着第二个问题。当你要一张说话的脸、却不给音频参考时，模型要同时做两件事：判断一张嘴会怎么动，以及判断在它动的同时，脸的其余部分怎么动。结果就是一张在「表演」近似说话的脸——那把嘴不是被某个具体的声音驱动的，而是被无数张嘴的平均值塑出来的。而这个质感，恰恰是你的眼睛会立刻警觉的地方。

还有第三点：特写是唯一一种让观众盯着同一个东西看上好几秒的镜头。其他任何镜头都允许视线游走、允许宽容，唯独它不允许。

## 你生成的不是一张脸，而是信任

下面这个视角的转换，改变了我写提示词的方式。你真正想要的镜头，很少是「一张人脸」。它可能是*一个人在告诉我某件事*，或是*一个人正在感受什么*，又或是*一个人即将做出某个决定*。是「在场感」。而脸，大概只是呈现这种在场感的八种方式之一，且眼下它是最贵、也最不可靠的那一种。

所以，去建一套镜头工具箱，然后默认就从里面取用。每一种的提示词都很短——你描述的不是一个人，而是一个机位，以及画面里允许出现什么。

**后脑勺，过肩。** *过肩镜头，主体背对镜头面向布满雨痕的窗，缓慢的手持漂移，温暖的室内光衬着窗外灰暗的天色。* 你保住了人，保住了尺度，也保住了情绪——「有人站在雨中的窗前」瞬间就有了一种氛围。而模型根本没有脸可以毁。

**侧脸。** 让人物转九十度，大部分风险就消散了。四分之三侧或完全侧面，让你通过姿态和下颌线拿到表情，而不必强求像素级的嘴唇工作。*侧脸，主体说话，柔和的窗光，固定机位，浅景深*——这样的镜头你可以稳稳地保持好几秒。

**手。** 人物内容其实真正栖身于手上：被转动的马克杯、被敲了两下的笔、被面朝下放下的手机。*特写一双手在折信，画面内没有脸，冷调日光，镜头轻微推进。* 观众会用两个手的镜头、加一个凌乱床铺的镜头，自己拼出这个人，而且自始至终都不会要求看他的脸。

**空镜。** 一个没有人的插入镜头不是停顿——它是一句台词。一把被拉出来的椅子。一只冒着热气的水壶。一扇虚掩的门。把它们剪接到两个没有人脸的有人镜之间，你就得到了一场既有情节、又完全没有任何渲染风险的戏。

**画外音。** 把对白当作音频来写，再让这些话配上没有人脸的画面。这是清单里杠杆最大的一招，因为一旦有真实的声音扛起表演，画面只需要负责氛围就够了。这也正是纪录片、以及大多数「配画面的广播」的做法，原因完全相同。

**剪影、逆光、倒影、阴影。** 如果你需要一个人形、又想要一点脸的暗示，那就用光把脸拿走。*逆着过曝门洞的剪影，主体略微转身，脸部细节不可见。* 商店橱窗或黑屏上的倒影也能达到同样的效果，而且看起来像是有意为之，而不是在躲闪。

**遮挡。** 蒸汽、门框、前景的绿植、虚化的肩膀。任何挡在镜头和脸之间的东西，都能为你换来一份宽容。不完整的信息，远比完整却错误的信息更容易让人相信。

## 当需求不允许你藏起这张脸

品牌商单、口播讲解、一个「你的脸*就是*产品」的品牌——你不可能每次都绕开它。那就谈条件，而条件永远围绕两件事：景别与时间。

往后退。一个脸只占画面一小部分的中远景或远景，比特写要安全得多，因为观众的注意力会分摊到身体和空间上。把它写进提示词：*中远景，主体在画面中占比小，全身可见，房间清晰。*

让脸动起来。走路、转头、歪头、从某个东西后面经过——一张在动的脸，它的错误会被读作运动，而不是畸变。固定不动的静态人像是最坏的情况；把它们控制在很短的时长内。

永远不要在一个镜头里把一整句话说完。在转头、呼吸、手势的瞬间切走。两秒说话的脸，然后切手，然后切反应，再切回来。观众永远得不到足够长的时间去仔细端详，而这样的剪辑读起来是能量，而不是权宜之计。

只照亮半张脸。一侧横贯一道硬阴影、一道强烈的逆光、主体一半在门框外——轮廓与明暗对比能完成像素做不到的事，而且看起来像是摄影师的主动选择。

重新设计镜头。如果重点在产品，镜头就是手放在产品上。如果重点是一句主张，镜头就是那张脸在听别人说出这句话时的反应。一个反应镜头，比一段讲话更容易以假乱真。

## 剪辑本身就是一件对口型的工具

我见过的大多数「口型对不上」的抱怨，其实都不是渲染失败——而是剪辑失败。观众最容易察觉到不匹配的时刻，是镜头在他们开始寻找破绽之后还迟迟不放。在那之前就切走。切出镜头不是遮掩，它是节奏，也正是问题悄然消失、无人察觉它曾经存在的方式。

先做音频。录制或生成人声轨，再照着它来搭画面。先写好视觉提示词、再指望模型自己发明出一段相匹配的表演，等于让错误的部件去干最难的那份活。

### 为什么偏偏只有嘴看起来不对劲？

因为那是唯一在现实世界里有着参照点的一部分。你的观众知道*这一句话*在一张嘴上是什么样子，而模型产出的是*某一句话*的样子。脸上的其他一切靠感觉来判断；只有嘴，是靠比对来判断的。

### 我能在后期修好口型吗？

有时候可以，用那些把嘴部区域重新与音频对时的工具——但你等于把力气花在了整条片子里风险最高的那一个镜头上。不如花五分钟改一下机位。这样更便宜，效果也更好。

### 口播视频真的需要一张脸吗？

不需要。我今年做过的最令人信服的人物内容，有声音、有手、有一个空间，还有一道剪影。撑起故事的从来不是脸，而是表演。

### 如果我的观众就是想看见我呢？

那你面对的是一段关系，而不是一个渲染问题。用一个大景别、打光充分、带运动的镜头露面，把特写留给你不说话的时刻，把话放在手和空间上。只要声音和取景保持一致，老观众会原谅很多事。

## 接下来该做的一件事

打开你的提示词文件，删掉每一处「直视镜头，特写」。把第一处换成过肩镜头，把第二处换成手。然后看看，那种诡异感里，究竟有多少从来就跟模型无关。

我给自己留了一个小小的镜头骨架库——背影、手、插入镜头、剪影——把它们写成一堆可复用的提示词模块，而不是一叠自己凌乱的笔记；而这套结构，我一直是从 [Awesome Prompts](https://awesome-prompts.com) 上收集的那些视频与图像提示词集里借鉴来的。把格式借走，保留你自己的镜头清单，别再花一下午反复重抽一张从一开始就撑不住的脸。