Kling 3.0 提示词指南：更稳定地做出电影感结果

Kling 3.0 是目前能力很强的 AI 视频模型之一，也是对提示词结构很敏感的一类模型。提示词写得含糊，和写得有镜头逻辑，差别不是细微调整，而是视频能不能直接用、要不要反复重生三次的差别。

这篇 Kling 3.0 提示词指南会讲清楚三个问题：Kling 3.0 到底怎么理解提示词、什么样的结构更稳定，以及社区里哪些写法已经被反复验证过。

Kling 3.0 如何理解你的提示词

Kling 3.0 不是简单地从文本里抓几个视觉关键词，再拼成一段画面。它更像是在解析一个场景：主体是谁、主体之间是什么空间关系、镜头在哪里、动作怎么发生、时间上怎么推进。

所以，Kling 3.0 提示词更像导演写给镜头组的 shot note，而不是一串形容词。模型实际在回答的是四个问题：这是谁或什么、现在发生了什么、镜头在哪里、整个场景如何运动。你的提示词如果把这四件事讲明白，输出通常会更受控；如果留白太多，模型就会自己补全，而那个默认答案未必是你想要的。

社区里有个很有参考价值的观察：为 Kling 3.0 写得比较成熟的提示词，往往也能迁移到 Seedance 2.0，反过来也成立。真正能跨模型复用的，不是某几个花哨词，而是这种按场景层级组织信息的写法。

四段式提示词结构

一条稳定的 Kling 3.0 提示词，通常都能拆成四个部分：

主体块：谁或什么，以及它当前的外观、状态
动作块：正在发生什么，动作节奏如何
镜头块：机位、景别、运镜方式
风格块：光线、质感、审美参考

并不是每次都必须四块写满，但你少写一块，就等于把那一维交给模型自己猜。

Weak: A woman walking in rain

Strong: A young woman in a dark wool coat walks slowly through a rain-slicked city street at night — medium tracking shot following from behind at eye level, neon signs reflected in puddles, shallow depth of field, cinematic color grading, muted tones with warm highlights

第二条并不是“堆了更多词”，而是把模型原本要自己猜的事情提前说清楚了：人物距离、运动节奏、镜头行为、灯光质感，以及整体画面处理。

写文生视频提示词时要抓住什么

T2V 最吃提示词质量，因为你是从零开始生成，模型几乎完全依赖你的文字。

一定要把运动方向和运动气质写出来。 Kling 3.0 对镜头语言的理解比较细。真正有用的，不只是“镜头在动”，而是它怎么动、动得快还是慢、那种运动带来的情绪是什么。

• slowly pushes in 对比 cuts quickly to
• tracking smoothly from behind 对比 handheld, urgent
• crane shot rising to reveal 对比 locked wide establishing shot

在 Kling 3.0 里比较稳定的摄影术语：

• Push in / pull out / dolly
• Tracking shot / follow cam
• Rack focus（最好写清 near-to-far 或 far-to-near）
• Low angle / high angle / eye level
• Crane up / overhead descend
• Handheld（通常会带出更急促、更纪实的感觉）

社区里一个常被提到的产品视频示例：

这类提示词之所以有效，不在于句子多长，而在于它把镜头旋转、材质表现、蒸汽细节和灯光逻辑都压进去了。这样一来，Kling 3.0 更容易在完整运镜里保持物理和质感的一致性。

写 15 秒多镜头提示词时，别把它当成一段单场景描述

多镜头是 Kling 3.0 最有辨识度的能力之一。写法上不要把它当成“更长的一句提示词”，而要当成 shot list。

建议结构：

Shot 1: [Description + camera + duration hint]
Shot 2: [Description + camera + transition logic]
Shot 3: [Description + camera + resolution]

示例：

Kling 3.0 会尽量在镜头之间维持角色外观、场景逻辑和光线方向的一致性。转场逻辑写得越明确，结果通常越干净，后面也越不容易出现角色“变脸”或空间突然跳掉的问题。

图生视频提示词该怎么写

I2V 的逻辑和 T2V 不一样。你给了参考图以后，Kling 3.0 已经拿到了主体和场景的静态信息，提示词的重点就不再是“画面里有什么”，而是“接下来哪里会动、怎么动”。

I2V 的常用公式： [What moves] + [Camera behavior] + [Pacing and quality] + [Environmental changes if any]

**最常见的误区：**把图里已经能看到的东西重新描述一遍。那会浪费提示词预算，也会让模型收到重复、甚至互相打架的信息。既然首帧已经锁住，提示词就该集中写运动和变化。

社区示例（Midjourney → Kling 3.0 I2V）：

图像内容：一位扎高马尾的女性，工作室人像光。

I2V prompt:

这类提示词好用，是因为它只说变化，不重写静态画面。模型会把重点放在表情、视线和头发的小幅运动上，动作自然得多。

另一个社区示例（插画风风筝）：

图像内容：一本儿童绘本摊开在桌上，书页里画着一只风筝，一只真实的手正捏着风筝线。

I2V prompt:

这条提示词的关键在于，它没有停留在“风筝飞起来”这种笼统描述，而是把二维插画转成三维实体这件事拆开讲，让模型知道应该怎样处理这个物理过渡。

在 Kling 3.0 里比较好用的镜头语言

Kling 3.0 对专业摄影术语的理解相对稳定。下面这些词，通常都能比较直接地映射成你预期的画面：

最常见的提示词错误

把提示词写成标签堆。
像 "cinematic, dramatic, 4K, award-winning, professional" 这种并排堆形容词的写法，看起来信息很多，实际没有把场景讲清楚。Kling 3.0 更需要连贯的场景描述，而不是关键词列表。

完全不写镜头。
不写镜头并不代表“交给模型自由发挥”，而是把最关键的一维控制权直接放掉。很多时候，只要补上一句镜头距离或运镜方式，结果就会稳定很多。

在 I2V 里重复描述参考图。
既然图里的人物、背景、服装已经固定，就不要再浪费篇幅重写这些静态元素。把提示词预算留给动作、节奏和环境变化。

期待模糊提示词也能直接出电影感。
Kling 3.0 的上限确实高，但它回报的是结构化输入。想要更像导演调度出来的画面，提示词本身就得先像导演在写。

从别的模型提示词迁移过来，可以怎么改

如果你以前已经在别的工作流里写出过稳定提示词，不需要从头重来。Kling 3.0 和 Seedance 2.0、Cinema Studio 3.0 这类场景级提示词体系有不少共通点，很多旧提示词可以直接拿来试。

更实际的做法是：先保留原来的主体和动作结构，再把镜头语言替换成 Kling 3.0 更容易理解的词，比如 tracking shot、push in、low angle、rack focus 这一类。通常不需要大翻修，重点只是把镜头调度讲得更清楚。

直接在 kling3.pro 里测试你的 Kling 3.0 提示词，会比只看范例更快建立手感。