PixAI v4.0 Preview 提示詞攻略— 從一張角色圖到一支 15 秒動漫短片

第一次接觸 v4.0 Preview 的人，建議先把整體能力地圖看過一遍 ── 它能做什麼、跟 PixAI 既有模型差在哪、音效生成跟參考影片又解鎖了哪些做法。這些概要我們另外整理在這篇：什麼是 PixAI v4.0 Preview？ →

如果你想橫向看清整個 PixAI 影片模型陣容，或想從 i2v 面板的每個設定項目逐一搞懂，這篇也很對胃口：PixAI 圖片轉影片完整教學 →（英文文章）。否則就直接往下讀。

在 PixAI v4.0 處理參考素材
— 圖片、影片、音訊

v4.0 Preview 在工作流中，會接受三種完全不同的參考素材。每一種對應的並不是「視覺品質」，而是模型在生成中要參考的「語意層級」。

參考圖片 ── 用來鎖角色，而不是鎖場景

越是「乾淨的圖」，得到的角色一致性越強。

提到「參考圖片」，很多人第一反應是「丟一張喜歡的圖讓 AI 模仿」── 但 v4.0 Preview 的設計不是這樣。它把參考圖當作角色身份的錨點：髮色、五官、服裝、配件、體型 ── 這些是它應該抓取的；至於姿勢、表情、鏡頭、光影、背景 ── 那是提示詞要決定的。

換句話說，你給的參考圖越單純 ── 像角色立繪、白底人物像、乾淨半身照 ── v4.0 越能精準抓住「角色本身」。如果你給一張背景複雜、姿勢戲劇化、後製濾鏡很重的構圖圖，模型容易把那些「環境元素」也當成角色特徵帶過去，結果就是角色一致性被稀釋掉。

在團隊內部我們有一個簡單的判斷準則 ── 「這張圖如果拿去做角色設定資料夾的封面，會不會合理？」如果答案是 yes，那就是好的參考圖。

參考影片 ── 拿來借鏡頭運動，不是借畫面

這裡最容易踩的雷，是把參考影片當成「截圖再生成」的素材。

v4.0 Preview 對「參考影片」的處理方式跟參考圖完全不同 ── 它不是要重現你給的畫面，而是抓住那段影片裡的鏡頭軌跡、節奏和氛圍密度，再把這個「運動骨架」套到你新場景的人物與環境上。

所以挑參考影片時，要看的是 ──「這段鏡頭怎麼動？是慢慢推近還是急速橫掃？節奏是緊湊還是悠長？情緒是壓抑還是奔放？」 而不是「畫面好不好看」。同一段「鏡頭緩慢推進、聚焦人物面部，主角微微回眸」的參考影片，套到日系教室、街頭、海邊、奇幻場景上，每次都會給出非常合適、卻完全不同的結果。

提示詞的寫法也對應這個邏輯 ── 借用 @video1 的鏡頭運動，用在 @image1 的角色身上，這比直接複製整段參考影片要精準得多。

參考音訊 ── 嗓音特質與配樂氛圍

用來處理文字描述不出來的音色質感。

v4.0 Preview 接受音訊檔做參考，鎖定特定的「聲音指紋」。你想讓角色說出某種嗓音 ── 那種文字寫不清楚的、需要用耳朵才能對齊的音色；或者你想讓 BGM 的氣氛跟編曲走某個方向 ── 都可以拿一個範本音檔做參考。

提示詞裡明確寫出你要借的是「什麼」── 借用 @audio1 的嗓音特質，或者 配樂氛圍跟編曲走 @audio1 的方向。這跟影片參考的邏輯相同。

不過要注意 ── 對白、環境音、音效（SFX）通常不需要音訊參考。這些直接寫進提示詞文字就夠了（後面會詳細說）。音訊參考的真正用處，是在處理「文字寫不清楚的音色」或「氛圍密度」這類需要耳朵對齊的問題。

動畫影片的文字提示詞寫法
— 分成兩種情境來處理

市面上多數提示詞教學丟一條「公式」就結束。但實際在工作流中，寫提示詞會分成兩種完全不同的情境 ── 對應的技巧也不一樣。

腦中已經有想做的鏡頭時

鏡頭已經清楚的話 ── 例如「鏡頭緩慢推進她的臉，櫻花瓣由左向右掠過，第二拍時她回頭」── 直接寫出來就行。

這裡最容易踩的陷阱是「看起來很電影、但其實很模糊的表述」。「鏡頭推近」對 v4.0 Preview 來說，遠遠不如「鏡頭隨著她回頭的動作緩慢拉近」精確。與其用「鏡頭運動」這種抽象詞，不如直接用實拍術語 ── push in（推進）、pull back（拉遠）、tilt up（上仰）、drift（漂移）、orbit（環繞）、pan（搖鏡）、dolly（軌道）。傳達動作順序時，「然後」、「接著」這類連接詞很重要。「她垂下視線，緩緩抬眼望向鏡頭，露出淡淡微笑」── 這樣寫，先垂眼 → 再望向鏡頭 → 最後微笑的時序就確立了。沒有連接詞，模型會把多個動作壓成一個靜止瞬間。

這個情境相對簡單。如果你已經有清楚的鏡頭畫面，可以跳到 提示詞寫作習慣 那段。

有圖、但還不知道要讓它怎麼動

事實上，大部分影片生成都是從這裡開始的。你找到一張喜歡的插畫，想「把它動起來」，但具體要做什麼動作還沒想好。多數教學文章會跳過這個情境，因為它們假設你腦中已經有完成版的畫面。

這種情況下，真正有效的是下面這個迭代改進迴圈。

寫初稿 → 用輕量模型測 → 讀失敗 → 跑最終版本。這個迴圈，就是「真正吃透工具的人」做出來的影片，跟「第一次嘗試就交件」差別的根本。

在 v4.0 上要避開的 AI 影片提示詞錯誤

五種失敗模式，五個對應的修法。

前面說的迭代迴圈要真的能轉起來，必須能準確指出「什麼是失敗」。下面是我們最常遇到的五種失敗模式，以及實際有效的修正方法。

寫出乾淨輸出的提示詞習慣

跑得夠多之後，自然會看見一些共通的習慣。

整合起來看一下

實務上一次 v4.0 Preview 生成大概是這樣組成的：

三個參考、四句提示、一支電影感影片。關鍵在於 ── 真正承擔工作量的是參考素材，提示詞只負責勾勒動作與運鏡方向，剩下的就交給迭代迴圈來抓失敗、做修正。

v4.0 Preview 真正發揮的時候，工作流就是長這樣。

製作工作流
— Mio.2 前製作業 ＋ Edit Pro 漫畫

什麼時候用 Mio.2，什麼時候直接寫提示詞

實務上的影片製作多半是前者。所以工作流 1 才有存在的價值 ── Mio.2 是「我有一個喜歡的角色」變成「我有一支可以公開發布的 15 秒動畫」中間的那座橋。

用 Mio.2 跑 AI 影片的六階段前製作業

從角色 + 模糊想法，到 15 秒短片。

角色有了，想法也有，但要填滿 15 秒卻沒頭緒 ── 這時候才用得上這個工作流。六個階段全部跑在同一個 Mio.2 對話裡，這樣 Agent 才能保留前後脈絡，從提案到完成一氣呵成。

下面這個範例是真實案例 ──「她沒能交付的心意」，一支百合 × 悲劇短片。主角是一個銀髮、貓耳、戴眼罩的賭徒少女。

產出故事提案

先上傳角色圖，然後這樣對 Mio.2 說：

Based on the character in this image, suggest 5 short-form anime story pitches in the [genre/vibe] direction. For each pitch, include a one-line logline, the opening shot or first line, and what emotional reaction it's going for.

這樣寫的原因：在 [genre/vibe] 裡填上你想要的方向 ──「jirai-yuri tragedy（地雷系 × 百合 × 悲劇）」、「isekai villainess comedy（異世界 × 反派千金 × 喜劇）」、「casino gambling thriller（賭場 × 賭博 × 驚悚）」、「slice-of-life with one twist（帶一個轉折的日常）」。空著的話，就只會吐出泛泛、安全的提案。一旦明確指定氛圍跟類型，產出的提案就可以直接帶進製作流程。

▸ MIO.2 輸出 ▸ 5 個故事提案

挑一個提案來打磨

挑了喜歡的提案，給出明確的修改指示來打磨：

Develop pitch #[N]. Change: [what to adjust]. Keep: [what to preserve]. Rewrite the pitch with these changes, keeping the same emotional core.

這樣寫的原因：Change（要改的）/ Keep（要保留的）的結構可以避免 AI 把整個提案大規模改寫。沒有這個結構的話，AI 會在對話歷史裡偷偷覆蓋掉前一版的提案。

▸ MIO.2 輸出 ▸ 打磨後的提案

先做完整結構，再來壓縮

先做完整版：

Outline this pitch as a [15-second] anime short with a hook (first 2s), build (story beats with rough timing), and final image. Include the actual dialogue lines. The premise should be conveyed indirectly through visuals and subtext — never stated out loud.

這樣寫的原因：把你要的影片長度填進 [duration]。提示詞裡的「絕對不要用嘴巴講出來」是最關鍵的限制 ── AI 在壓縮短內容時很容易說明過頭。有這一條，對白就會以「潛台詞」而不是「說明」的方式運作。

▸ 結構 ── 第 1 部分

▸ 結構 ── 第 2 部分

產出分鏡表

Break this script into a shot list with a maximum of [number] shots. For each shot, specify timing, frame composition, what's in the frame, camera movement, key visual detail, and dialogue or on-screen text. If you produce more than [number] shots, compress to exactly [number] — each shot must do irreplaceable work.

這樣寫的原因：在 [number] 填入跟你打算用的參考圖數量一致。v4.0 Preview 最多接受 6 張參考圖，但實務上 3～4 張會比 6 張更穩定。參考越多，模型的注意力就越分散 ── 先讓 Mio.2 多列一點、再壓回少數幾個鏡頭，反而能挑出更好的構圖。

▸ MIO.2 輸出 ▸ 分鏡表

產出參考圖

給 Mio.2（或圖片生成 Agent）的提示詞：

Based on the shot list below, generate [N] storyboard images for video generation. Use the attached character reference image(s) to keep the character consistent across all shots. Do not include any text in the images. Match the art style of the reference.

[Paste your Stage 4 shot list here.]

這樣寫的原因：務必附上角色參考圖 ── Mio.2 會把它當作「鎖定角色一致性的基準」。「圖中不要出現任何文字」、「依照參考圖的畫風生成」── 這兩個限制可以保證產出的圖直接拿去當 v4.0 的參考素材時，狀態是乾淨可用的。

▸ 參考圖 ── SHOT A

▸ 參考圖 ── SHOT B

讓 Mio.2 寫出 v4.0 提示詞 ── 收尾

前面五階段的工就在這裡收成：

Based on the script and shot list from earlier in this conversation, write a v4.0 Preview video prompt for the [N] reference images you just generated. For each timestamped beat, include: time range, which @image to reference, action and camera description, dialogue (with the exact lines from the script), and SFX cues. Use em dashes for layered SFX. Keep total prompt length under 2000 characters.

Example output format:
0s–Xs: @Image 1 [Action description with camera movement]. [Character]: "[Exact line from script.]" SFX: [sound 1] — [sound 2] — [sound 3]
Xs–Ys: @Image 2 [Action description]. [Character]: "[Exact line.]" SFX: [layered sounds with em dashes]
[Continue for each beat. End with fade-to-black instruction if applicable.]

這樣寫的原因：「exact lines from the script（直接使用腳本對白原文）」這一條是關鍵。AI 在寫提示詞時很常把對白自行改寫一遍，這樣會把 Stage 3 仔細經營的潛台詞跟情緒層次直接弄掉。

Mio.2 輸出提示詞之後，把它複製、配上前面生成的 4 張參考圖，貼進 v4.0 Preview，跑生成。這次測試片用的最終提示詞：

0s–2s: The white-haired catgirl gambler spins a gold coin between her fingers, smirking confidently. Gold coins float around her in dramatic lighting. SFX: metallic spin — tense atmosphere

2s–4s: Cut to sailor catgirl across the table, her hand trembling, heart pendant catching light. She whispers: "You said you'd find me again. Even if it took everything." SFX: soft tearful voice

4s–6s: Back to gambler, leaning in with delighted grin: "Cute line. Did you rehearse it?" Cards slap down. SFX: playful tone — card impact

6s–10s: Match cut — the coin falls through memory space. Two catgirls on a cliff, heart pendant being clasped, promise whispered. Everything dissolves into golden dust as coin lands. SFX: warm wind — ethereal chime — distant promise

10s–13s: Gambler blinks, something behind her eyes going quiet. She looks up, studying the crying girl with genuine curious smile: "...sorry, kitten. Do I know you?" SFX: silence — single heartbeat

13s–15s: Sailor catgirl's hand closes around her heart pendant. She smiles through tears, soft: "Not yet. Deal again?" Fade to black. Coins fall. SFX: emotional catch — coin clatter — silence

4 張參考、6 個拍點、3 句對白、層次堆疊的 SFX。這 15 秒，不是一個提示詞憑空生出來的，而是六階段一步一步累積出來的故事。

▸ 最後一拍的參考圖

用 Edit Pro × v4.0 Preview 做動態漫畫

同人 PV 與會動的漫畫頁專用。

想把多格漫畫頁變成會動的工作流 ── 適合做動態反應、節奏鮮明的搞笑橋段、同人 PV 風格的成品。

Edit Pro 負責版面：分鏡配置、每格構圖、讀者視線順序，整合成一張完整的漫畫頁。把這張圖丟給 v4.0 Preview，配上下面這段提示詞：

Present the comic story from top to bottom in a [tone] style, with smooth storytelling and expressive character reactions. Add adorable anime-style sound effects throughout the scenes, such as "boing," "bam," "wah," and "sparkle," to enhance the atmosphere and make the comic feel lively and dynamic.

在 [tone] 填入你想要的氛圍 ──「cute and humorous（可愛、搞笑）」、「elegant（優雅、細膩）」、「dramatic（戲劇張力）」。我們從 2 格梗到 6 格構成都測過，同樣這套模板都能 cover。

常見問題

延伸閱讀