AI-Wiki

定义

Seedance 2.0 提示词结构，是 Seedance 2.0 提示词指南在“文本指令的基础公式”中给出的基础写法，用来组织视频生成提示词中的主要信息层次。

该公式写作：

主体 + 运动 + 环境（非必须） + 运镜/切镜（非必须） + 美学描述（非必须） + 音频（非必须）

它不是要求每次都把所有字段写满的固定模板，而是一种可按目标灵活增删的自然语言结构。其成立前提是 Seedance 2.0 具备较强的自然语言逻辑遵循能力，能够“深度遵循自然语言逻辑”，并尽可能还原提示词中提供的具体信息。

在本文档中的语境

在原指南中，这一结构被放在“基础撰写技法”之下，作为编写文本指令的起点。文档先强调 Seedance 2.0 拥有较强的语义理解与多模态交互能力，然后给出这套基础公式，说明用户可以围绕若干信息维度来组织提示词，以提升生成结果的确定性与还原度。

这一结构不仅适用于纯文本描述，也构成了 Seedance 2.0 多模态参考指代控制的文本骨架：当用户再叠加图片、音频、视频等参考素材时，仍然需要用清晰的自然语言说明“参考什么”以及“最终要生成什么”。

关键组成与作用分工

主体 + 运动：生成逻辑的基石

文档明确指出，“主体 + 运动”是生成的逻辑基石，用于明确“谁”正在进行“什么动作”。

也就是说，提示词最基本、最不能缺失的，通常是：

主体：画面中的核心对象是谁，例如人物、动物、商品、器物等。
运动：这个主体正在做什么，例如走路、说话、奔跑、拿起物品、转身、吃东西、对话等。

如果没有这两部分，模型就很难稳定判断画面主角与核心事件，生成目标也会变得模糊。正因如此，这一结构中虽然很多部分都标注为“非必须”，但“主体 + 运动”被单独点出为基础中的基础。

环境 + 美学：定义空间、光影与整体格调

文档将“环境 + 美学”作为另一组关键描述维度，用于定义画面的整体格调。

其中包括但不限于：

空间背景：主体处于什么场所或场景中，如咖啡店、草原、未来都市、山野、餐厅、办公室等。
光影细节：例如暖色调、夜晚过渡到黎明、浅景深、霓虹闪烁、光线氛围等。
视觉风格：例如手绘漫画风格、3D赛博朋克科幻动画风格，或“美观高级”这类整体审美要求。

这部分并不直接说明“谁在做什么”，而是补足“在哪里、以什么视觉状态发生”，因此主要影响空间感、氛围感、质感与风格一致性。

运镜 + 音频：进阶控制层

文档把“运镜 + 音频”明确归为进阶指令。

它们的作用分别是：

运镜/切镜：描述镜头如何调度，例如推近、拉远、横摇、固定镜头、切到近景、切回中近景、转场、定格等。
音频：描述声音层面的内容，例如对白、旁白、氛围声效、背景音乐、字幕与音频节奏同步等。

原文强调，加入这类进阶信息后，可以实现镜头调度或氛围声效控制，从而达到“视听高度协同”的沉浸式产出。换言之，如果只写主体和动作，模型能生成事件；如果进一步补充运镜和音频，就能更细致地控制观看体验。

结构的使用方式

这套结构的关键不是机械套公式，而是按照需求组合元素。

文档明确说，用户可以“根据需求灵活组合以下元素”。这意味着：

可以只写主体 + 运动，先把核心事件说清楚。
可以在此基础上追加环境，限定场景空间。
可以再加入美学描述，限定画面格调、光影与风格。
对镜头语言要求更高时，再补充运镜或切镜。
对声音、对白、旁白、背景音乐有要求时，再加入音频信息。

因此，这不是“六项都要写”的清单，而是“以主体和运动为中心，按目标复杂度逐步增加控制维度”的结构。

细节与边界

并非所有元素都必须出现

原公式中，环境、运镜/切镜、美学描述、音频都被明确标注为“非必须”。这说明该结构允许简写，不要求每次生成都提供完整的场景、镜头、美学和声音信息。

边界在于：可省略的是扩展控制项，不代表提示词可以没有清晰主干。文档单独强调“主体 + 运动”的基础地位，意味着即便精简，也应优先把主体与动作说清楚。

自然语言逻辑优先，而非固定标签语法

文档使用的是自然语言表达方式，而不是参数表或强制字段名。它强调的是 Seedance 2.0 对自然语言逻辑的深度遵循能力，因此用户可以用自然句子组织内容，只要逻辑清楚、指向明确即可。

这也是为什么该结构既能用于纯文本，也能无缝延伸到多模态提示：用户不必改用特殊语法，只需继续在自然语言中补充参考对象与控制要求。

可作为多模态参考的基础骨架

在同一文档中，“文本指令的基础公式”之后紧接着就是“多模态参考的指代控制”。这表明多模态不是对文本结构的替代，而是在其基础上进一步增强。

例如，当加入图片、音频、视频参考时，仍然需要围绕以下问题来表述：

主体是谁，参考的是哪一个对象。
动作是什么，动作是否需要对齐参考素材。
场景和风格是什么，哪些部分来自参考，哪些部分由文本新增。
是否需要指定镜头语言或音频协同。

因此，Seedance 2.0 提示词结构可以理解为所有提示编写方式的底层骨架，而多模态输入是建立在这套骨架上的增强控制层。

在实际编写中的理解方式

可把这套结构理解为从“事件”到“视听成片”的逐层扩写：

先用“主体 + 运动”定义事件核心，即谁在做什么。
再用“环境 + 美学”定义事件发生的空间条件与视觉格调。
最后用“运镜 + 音频”定义镜头如何展示、声音如何配合。

这样组织后，提示词通常会比只堆砌关键词更稳定，因为它符合模型更擅长理解的自然语言逻辑顺序。

Seedance 2.0 提示词结构

定义