动作提示词别乱写：给 Wan2.2-Animate 写“动作指令“的 18 个实用套路

动作提示词别乱写给 Wan2.2-Animate 写动作指令的 18 个实用套路【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14BWan-Animate-2 是阿里通义实验室开源的端到端角色动画框架模型权重Wan2.2-Animate-2-14B以 Apache 2.0 协议发布。和输入一句话就生成一段舞蹈的通用视频生成模型不同它的核心设计是直接消费驱动视频参考图提供外观驱动视频提供动作文本提示词负责外观描述、动作锚点与机位控制。仓库里 README.md 的 Introduction 写得很清楚——框架通过重新设计的 Diffusion Transformer 直接吃进驱动视频彻底移除了中间运动提取器并额外引入文本驱动的视角控制把输出机位与驱动视频解耦。这意味着一个很多人没意识到的真相动作不是写出来的是喂进去的。提示词里堆再多跳舞、挥手、转身也创造不出动作真正决定动作上限的是驱动视频而文本提示词是在做锚定、对齐、再创作。不理解这个分工就会陷入提示词越写越长画面越来越崩的循环。本文基于仓库源码与官方推理配置拆解动作提示词的四要素骨架给出 18 个可直接套用的写法以及一套从崩坏到可用的迭代心法。一、为什么你的动作指令总在崩坏先读懂输入分工Wan-Animate-2 的推理入口见 README.md 的 Quick Start有三个关键输入--refer-img-file参考图锁定人物外观--refer-video-file驱动视频提供全部动作--prompt文本提示词与--prompt-ref官方默认值人物动作的参考视频一起构成语义上下文。仓库配套模型目录也印证了这一分工videomodel/Wan-AI/下同时挂载了umt5-xxl文本编码器、xlm-roberta-largeCLIP 文本侧、vae.pth与models_t5_umt5-xxl-enc-bf16.pth。注意umt5-xxl的text_len为 512意味着提示词上下文是有限且宝贵的——写得越碎锚定越弱。由此得到三条铁律外观段禁用动作词。官方在 README.md 中给出了一个必须先做的步骤用 LLM如 Qwen3.7-Plus按固定范式生成图片描述范式明确要求人物外观描述不描述动作行为背景描述忽略主观评价和情绪推测。外观段掺入动作词会让模型在参考图与文本之间产生冲突信号。动作靠驱动视频 动作锚点文本双通道。动作细节由视频给文本只需做语义锚定——告诉模型这段视频里的人在做什么动作、什么节奏、什么幅度。机位是文本唯一能凭空创造的维度。官方框架支持文本驱动的视角控制把输出相机视角从驱动视频中解耦这是提示词最能出彩的地方。二、动作提示词的骨架动词 幅度 节奏 镜头任何一条动作指令都可以拆成四个槽位缺哪个补哪个多则删要素作用词库示例常见错误动词定义动作本体跳、转、挥、走、击掌、鞠躬、推门用做动作表现力强等空词幅度定义位移与力度轻微、中幅、大幅度、挥至头顶、转身 90°只写形容词不给参照物节奏定义时间分布匀速、急促、先慢后快、结尾定格、顿挫节奏词与视频帧率不匹配镜头定义机位与运动正面、侧面、俯拍、缓慢推近、环绕、静止机位抽象词更有电影感一个完整的动作锚点长这样人物正在跳一支完整的爵士舞步伐中幅先慢后快正面机位缓慢推近。它同时填满了四个槽位且主语明确人物、时态明确正在、动作单一一支舞。三、18 个实用套路以下套路按五个场景分组编号即套路名可直接复制修改。组一把外观和动作拆开写1–4套路 1官方 LLM 画像范式生成外观段。直接复用 README.md 给出的提示词让 LLM 输出人物外观描述 背景描述两段式画像。注意它明令禁止描述动作这正是为了把文本通道的职责收敛到外观上。套路 2升级 prompt_ref把默认锚点改成具体动作名。推理脚本中--prompt-ref的默认值是人物动作的参考视频这是一个弱锚点。把它升级为视频中人物正在跳一支完整的爵士舞步伐中幅等于提前告诉模型参考视频的动作语义是什么对齐成本大幅下降。套路 3动作锚点用现在时态 完整动作名。写人物正在做 X不要写人物好像/似乎在/应该在做 X。模型对确定性陈述的跟随远好于推测性语言。套路 4一句话只装一个动作主谓宾完整。谁 做什么 幅度/方向是标准句式。多条动作请拆成多轮生成或用分句隔开切忌一句里塞三个动作。组二动作动词的细化5–9套路 5动词加类别限定。跳舞升级为跳一支完整的爵士舞挥手升级为举起右手向镜头挥手致意。动作类型越具体与驱动视频的匹配检查越容易。套路 6幅度给参照物。大幅度挥手不如手臂挥至头顶或手臂从身体侧面摆至正上方可执行。角度、肢体位置、位移方向都是好参照物。套路 7部位定向。动作指定到部位右手握拳、左手自然下垂腰部带动身体向左转。部位词能显著减少肢体错位类崩坏。套路 8方向与轨迹。向右转身 90°向镜头走近两步绕圈一周。方向词要可验证——生成后逐帧看轨迹是否符合描述。套路 9空间交互动作。坐下推开门拿起桌上的水杯与同伴击掌。交互动作比孤立动作更容易产出物理上合理的画面因为空间约束会倒逼模型保持体态一致性。组三节奏与时序10–12套路 10节奏词控制时间分布。匀速、缓急交替、先慢后快、结尾定格这类词会改变动作在时间轴上的能量分配适合把驱动视频的平淡节奏重新演绎。套路 11记住帧数与帧率预算。仓库推理配置中默认frame_num为 37、sample_fps为 16演示脚本默认clip_len81、fps24。短片段下一个动作的可控性远高于一段完整剧情——节奏词必须与片段时长匹配。套路 12微动作与表情收尾。眨眼、嘴角上扬、轻微点头这类微动作放在动作描述末尾作为体态细节的补充锚点能显著提升活人感。组四机位与镜头13–15套路 13机位词用确定性坐标。正面、侧面、斜 45°、俯拍、仰拍比有电影感有效得多。这正是 Wan-Animate-2 文本驱动视角控制的主场机位可以脱离驱动视频自由指定。套路 14镜头运动单独成句。静止机位缓慢推近环绕人物一周跟拍人物移动。镜头运动与人物动作是两条独立通道分开写、分开验证。套路 15写清人物-环境关系。坐在沙发上站在落地窗前面向观众。关系词同时锚定了空间位置与朝向能减少人物悬浮朝向漂移类问题。组五多人、负面与参数16–18套路 16多人动作对齐句式。官方支持单人驱动到多人、多人到多人的动画范式。写清主从关系所有人同步做同一动作或主角做动作 X配角做出反应 Y。多人同框时每增加一个人物动作锚点就少写一层细节。套路 17负面提示词直接复用官方清单并加动作项。仓库内置的负向提示词覆盖了静态、静止不动的画面、形态畸形的肢体、手指融合、倒着走等见推理配置中的sample_neg_prompt生成时可整体复用并针对动作场景追加动作僵硬、肢体错位、鬼影、关节扭曲。套路 18参数与提示词要配套调。Base 版默认 40 步、sample_guide_scale3.0蒸馏版只需 10 步、guidance_scale1.0、flow_solvereuler见 README.md 的 Diffusers 推理示例。CFG 越强文本对动作的拽得越狠蒸馏版 CFG 近乎为零文本更像是描述者而非控制者——同样的提示词在两套参数下表现不同迭代时先锁定参数再改词。四、从崩坏到可用一套可复现的迭代流程把常见崩坏现象做成诊断表对号入座只改该改的崩坏现象根因处方动作几乎不动或幅度极小驱动视频本身动作幅度小换驱动视频不要改提示词人物不像、外观漂移外观段混入动作词/机位词用官方 LLM 范式重写外观段肢体扭曲、多手多腿动作锚点过载多动作多部位多人拆成单一动作、单角色机位不听指挥机位词太抽象换成确定性机位坐标词画面糊、有鬼影未挂负面提示词复用官方负向词清单动作与描述对不上文本锚点与驱动视频冲突让 prompt_ref 与视频内容完全一致迭代的核心纪律是单变量法固定随机种子--seed从 -1 改为固定值每次只改一个要素动词、幅度、节奏、机位、负面词中的一项输出对比后决定保留还是回退。种子固定后任何画面差异都可以归因到提示词改动上这是从玄学调参走向工程调参的关键一步。再叠加一条双通道对齐检查因为动作主体来自驱动视频先确认视频本身动作符合预期再检查文本锚点是否与视频语义一致。文本与视频打架是大部分崩坏的真正来源——不是模型不行是两条输入通道互相矛盾。最后给一个可复用的完整工作流① 用官方 LLM 范式生成外观段只描外观与背景→ ② 人工写动作锚点段动词幅度节奏单动作单句→ ③ 追加机位段确定性机位词镜头运动→ ④ 挂上官方负面清单 → ⑤ 固定种子单变量迭代三到五轮。这一套流程跑下来Wan2.2-Animate 的输出稳定性会有质的提升——前提始终是那句被低估的话动作质量的上限由驱动视频决定提示词的职责是把这条上限准确地翻译给模型。【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考