《Sora 2 官方提示词指南》

《Sora 2 官方提示词指南》 《Sora 2 官方提示词指南》 Modified October 10, 2025 Code block Plain Text Lighting + palette: soft window light with warm lamp fill, cool rim from hallway Palette anchors: amber, cream, walnut brown 使用图像输入以获得更多的控制 为了对镜头的 构图和风格 进行更精细的控制，你可以使用一个 图像输入 作为视觉参考。你可以使用照片、数字艺术作品或 AI 生成的视觉内容。这可以锁定角色设计、服装、场景布置或整体美学等元素。模型使用图像作为第一帧的锚点，而你的文本提示则定义接下来发生的事情。 如何使用 将图像文件作为 input reference 参数包含在你的 POST /videos 请求中。 • 图像必须与目标视频的分辨率（尺寸）相匹配。 • 支持的文件格式为： image/jpeg 、 image/png 和 image/webp 。 使用 OpenAI GPT Image 生成的输入图像 使用 Sora 2 生成的视频（已转换为 GIF） 下载此图像 提示： “她转过身来微笑，然后慢慢地走出画面。” 下载此图像 提示： “冰箱门打开了。一个可爱、圆滚滚的紫色怪物从里面出来了。” 实验技巧 如果你还没有视觉参考， OpenAI 的图像生成模型 是一个强大的创建它们的方式。你可以快速生成环境和场景设计，然后将它们作为参考传递给 Sora。这是一种测试美学并为你的视频生成美丽起点的绝佳方法。 对话和音频 对话必须直接在你的提示中描述。将它放在你的散文描述下方的块中，以便模型能清晰地区分视觉描述和 spoken lines。保持行简短自然，并尽量将对话限制在几句话内，以便时间能匹配你的片段长度。对于多角色场景，一致地标记说话者并使用交替的发言；这有助于模型将每行与正确的角色的手势和表情相关联。 你也应该考虑节奏和时机：一个4秒的镜头通常可以容纳一两个简短的对话，而一个8秒的片段可以支持更多。长而复杂的演讲不太可能很好地同步，并可能破坏节奏。 如果你的镜头是静音的，你仍然可以通过一个小的声音来暗示节奏，比如“远处车流嘶嘶声”或“清脆的啪嗒声。”把它当作一个节奏提示，而不是完整的配乐。 带对话的示例提示： Code block Plain Text A cramped, windowless room with walls the color of old ash. A single bare bulb dangles from the ceiling, its light pooling onto the scarred metal table at the center. Two chairs face each other across it. On one side sits the Detective, trench coat draped across the back of his chair, eyes sharp and unblinking. Across from him, the Suspect slouches, cigarette smoke curling lazily toward the ceiling. The silence presses in, broken only by the faint hum of the overhead light. Dialogue: Detective: "You’re lying. I can hear it in your silence." Suspect: "Or maybe I’m just tired of talking." Detective: "Either way, you’ll talk before the night’s over." 背景声音的示例描述： Code block Plain Text The hum of espresso machines and the murmur of voices form the background. 使用Remix功能进行迭代 Remix 用于调整，而非赌博。用它来做出可控的改动——一次一个——并说明你正在改变的内容：“同一镜头，切换到 85 毫米镜头，”或“相同光线，更换调色板：蓝绿色、沙色、锈色。”当结果接近时，将其设为参考并仅描述微调。这样，所有已经起作用的内容都会保持锁定。 如果镜头总是出问题，就简化它：冻结相机，简化动作，清理背景。一旦它起作用了，再逐步添加额外的复杂性。 原始视频 Remix 生成视频 原始视频 提示：“将怪物的颜色改为橙色” 原始视频 提示：“第二个怪物马上就出现了” 提示模版和示例 提示结构 编写提示的一个有效方法是分离模型要使用的不同类型的信息。这 不是万能的成功秘诀 ，但它为你提供了一个清晰的框架，并使你更容易保持一致性。并非每个细节都需要包含——如果某件事对画面无关紧要，你可以将其省略。 事实上， 将某些元素保持开放性将鼓励模型更具创造力 。你越是严格指定每个视觉选择，模型就有越多的空间进行解读，并给你带来意想不到但往往美丽的变体。描述性提示会产生更一致、更可控的结果，而较轻的提示则可以解锁多种感觉新颖且富有想象力的结果。描述性提示模板： Code block Plain Text [Prose scene description in plain language. Describe characters, costumes, scenery, weather and other details. Be as descriptive to generate a video that matches your vision.] Cinematography: Camera shot: [framing and angle, e.g. wide establishing shot, eye level] Mood: [overall tone, e.g. cinematic and tense, playful and suspenseful, luxurious anticipation] Actions: [Action 1: a clear, specific beat or gesture] [Action 2: another distinct beat within the clip] [Action 3: another action or dialogue line] Dialogue: [If the shot has dialogue, add short natural lines here or as part of the actions list. Keep them brief so they match the clip length.] 提示示例 示例 1 Code block Plain Text Style: Hand painted 2D/3D hybrid animation with soft brush textures, warm tungsten lighting, and a tactile, stop motion feel. The aesthetic evokes mid 2000s storybook animation — cozy, imperfect, full of mechanical charm. Subtle watercolor wash and painterly textures; warm–cool balance in grade; filmic motion blur for animated realism. Inside a cluttered workshop, shelves overflow with gears, bolts, and yellowing blueprints. At the center, a small round robot sits on a wooden bench, its dented body patched with mismatched plates and old paint layers. Its large glowing eyes flicker pale blue as it fiddles nervously with a humming light bulb. The air hums with quiet mechanical whirs, rain patters on the window, and the clock ticks steadily in the background. Cinematography: Camera: medium close up, slow push in with gentle parallax from hanging tools Lens: 35 mm virtual lens; shallow depth of field to soften background clutter Lighting: warm key from overhead practical; cool spill from window for contrast Mood: gentle, whimsical, a touch of suspense Actions: The robot taps the bulb; sparks crackle. It flinches, dropping the bulb, eyes widening. The bulb tumbles in slow motion; it catches it just in time. A puff of steam escapes its chest — relief and pride. Robot says quietly: "Almost lost it… but I got it!" Background Sound: Rain, ticking clock, soft mechanical hum, faint bulb sizzle. 示例 2 Code block Plain Text Style: 1970s romantic drama, shot on 35 mm film with natural flares, soft focus, and warm halation. Slight gate weave and handheld micro shake evoke vintage intimacy. Warm Kodak inspired grade; light halation on bulbs; film grain and soft vignette for period authenticity. At golden hour, a brick tenement rooftop transforms into a small stage. Laundry lines strung with white sheets sway in the wind, catching the last rays of sunlight. Strings of mismatched fairy bulbs hum faintly overhead. A young woman in a flowing red silk dress dances barefoot, curls glowing in the fading light. Her partner — sleeves rolled, suspenders loose — claps along, his smile wide and unguarded. Below, the city hums with car horns, subway tremors, and distant laughter. Cinematography: Camera: medium wide shot, slow dolly in from eye level Lens: 40 mm spherical; shallow focus to isolate the couple from skyline Lighting: golden natural key with tungsten bounce; edge from fairy bulbs Mood: nostalgic, tender, cinematic Actions: She spins; her dress flares, catching sunlight. Woman (laughing): "See? Even the city dances with us tonight." He steps in, catches her hand, and dips her into shadow. Man (smiling): "Only because you lead." Sheets drift across frame, briefly veiling the skyline before parting again. Background Sound: Natural ambience only: faint wind, fabric flutter, street noise, muffled music. No added score. OpenAI GPT Image 下载此图像 下载此图像 OpenAI 的图像生成模型 使用图像输入以获得更多的控制 为了对镜头的 构图和风格 进行更精细的控制，你可以使用一个 图像输入 作为视觉参考。你可以使用照片、数字艺术作品或 AI 生成的视觉内容。这可以锁定角色设计、服装、场景布置或整体美学等元素。模型使用图像作为第一帧的锚点，而你的文本提示则定义接下来发生的事情。 如何使用 将图像文件作为 input reference 参数包含在你的 POST /videos 请求中。 • 图像必须与目标视频的分辨率（尺寸）相匹配。 • 支持的文件格式为： image/jpeg 、 image/png 和 image/webp 。 使用 OpenAI GPT Image 生成的输入图像 使用 Sora 2 生成的视频（已转换为 GIF） 下载此图像 提示： “她转过身来微笑，然后慢慢地走出画面。” 下载此图像 提示： “冰箱门打开了。一个可爱、圆滚滚的紫色怪物从里面出来了。” OpenAI GPT Image 下载此图像 下载此图像 使用 OpenAI GPT Image 生成的输入图像 OpenAI GPT Image 使用 OpenAI GPT Image 生成的输入图像 OpenAI GPT Image 使用 Sora 2 生成的视频（已转换为 GIF） 使用 Sora 2 生成的视频（已转换为 GIF） 下载此图像 下载此图像 下载此图像 下载此图像 提示： “她转过身来微笑，然后慢慢地走出画面。” 提示： “她转过身来微笑，然后慢慢地走出画面。” 下载此图像 下载此图像 下载此图像 下载此图像 提示： “冰箱门打开了。一个可爱、圆滚滚的紫色怪物从里面出来了。” 提示： “冰箱门打开了。一个可爱、圆滚滚的紫色怪物从里面出来了。” 实验技巧 如果你还没有视觉参考， OpenAI 的图像生成模型 是一个强大的创建它们的方式。你可以快速生成环境和场景设计，然后将它们作为参考传递给 Sora。这是一种测试美学并为你的视频生成美丽起点的绝佳方法。 OpenAI 的图像生成模型 对话和音频 对话必须直接在你的提示中描述。将它放在你的散文描述下方的块中，以便模型能清晰地区分视觉描述和 spoken lines。保持行简短自然，并尽量将对话限制在几句话内，以便时间能匹配你的片段长度。对于多角色场景，一致地标记说话者并使用交替的发言；这有助于模型将每行与正确的角色的手势和表情相关联。 你也应该考虑节奏和时机：一个4秒的镜头通常可以容纳一两个简短的对话，而一个8秒的片段可以支持更多。长而复杂的演讲不太可能很好地同步，并可能破坏节奏。 如果你的镜头是静音的，你仍然可以通过一个小的声音来暗示节奏，比如“远处车流嘶嘶声”或“清脆的啪嗒声。”把它当作一个节奏提示，而不是完整的配乐。 带对话的示例提示： 背景声音的示例描述： 使用Remix功能进行迭代 Remix 用于调整，而非赌博。用它来做出可控的改动——一次一个——并说明你正在改变的内容：“同一镜头，切换到 85 毫米镜头，”或“相同光线，更换调色板：蓝绿色、沙色、锈色。”当结果接近时，将其设为参考并仅描述微调。这样，所有已经起作用的内容都会保持锁定。 如果镜头总是出问题，就简化它：冻结相机，简化动作，清理背景。一旦它起作用了，再逐步添加额外的复杂性。 原始视频 Remix 生成视频 原始视频 提示：“将怪物的颜色改为橙色” 原始视频 提示：“第二个怪物马上就出现了” 原始视频 原始视频 Remix 生成视频 Remix 生成视频 原始视频 原始视频 提示：“将怪物的颜色改为橙色” 提示：“将怪物的颜色改为橙色” 原始视频 原始视频 提示：“第二个怪物马上就出现了” 提示：“第二个怪物马上就出现了” 提示模版和示例 提示结构 编写提示的一个有效方法是分离模型要使用的不同类型的信息。这 不是万能的成功秘诀 ，但它为你提供了一个清晰的框架，并使你更容易保持一致性。并非每个细节都需要包含——如果某件事对画面无关紧要，你可以将其省略。 事实上， 将某些元素保持开放性将鼓励模型更具创造力 。你越是严格指定每个视觉选择，模型就有越多的空间进行解读，并给你带来意想不到但往往美丽的变体。描述性提示会产生更一致、更可控的结果，而较轻的提示则可以解锁多种感觉新颖且富有想象力的结果。描述性提示模板： 提示示例 示例 1 示例 2 🔗 原文链接： https://cookbook.openai.com/example... https://cookbook.openai.com/example... 提示前 将提示想象成向一个从未见过你的故事板的电影摄影师简报。如果你遗漏了细节，他们会即兴发挥——你可能得不到你设想的结果。通过具体说明“镜头”应该实现的目标，你为模型提供了更多的控制力和一致性来工作。 但保留一些细节同样可以非常有效。给予模型更多的创作自由可以带来令人惊喜的变化和意想不到的美妙诠释。两种方法都是有效的： 详细的提示让你掌控并保持一致性，而较轻的提示为创意结果留出空间。 合适的平衡取决于你的目标和期望的结果。将你的提示视为一份创意愿望清单，而不是一份合同。就像 ChatGPT 一样，使用 相同的提示多次会得到不同的结果 ——这是特性，不是缺陷。每一次生成都是全新的尝试，有时第二或第三个选项会更好。 最重要的是，准备好迭代。对相机、光线或动作的微小改动都可能显著改变结果。与模型合作：你提供方向，模型提供创意变化。 这不是一门精确的科学——将下面的指导视为我们从与模型合作中学到的有益建议。 API参数 提示词控制视频内容，但某些属性仅由 API 参数管理。您无法在文本中请求它们，必须在您的 API 调用中明确设置： • 模型 : sora 2 或 sora 2 pro . • 尺寸 : 形式为 {宽度}x{高度} 的字符串。支持的分辨率取决于模型选择： ◦ sora 2 ▪ 1280x720, 720x1280 ◦ sora 2 pro ▪ 1280x720, 720x1280 ▪ 1024x1792, 1792x1024 ◦ sora 2 ▪ 1280x720, 720x1280 ▪ 1280x720, 720x1280 ◦ sora 2 pro ▪ 1280x720, 720x1280 ▪ 1024x1792, 1792x1024 ▪ 1280x720, 720x1280 ▪ 1024x1792, 1792x1024 • 秒 : 视频长度，支持值：“4”，“8”，“12”。默认值为“4”。 这些参数是视频的容器——分辨率、时长和质量不会根据“让它更长”之类的文字描述而改变。请在 API 调用中明确设置它们；你的提示词控制其他所有内容（主题、动作、光照、风格）。 视频分辨率 视频分辨率直接影响 Sora 中的视觉保真度和动作一致性。高分辨率能更准确地生成细节、纹理和光照过渡，而低分辨率会压缩视觉信息，常常导致模糊或出现伪影。 视频长度 模型在较短的片段中通常更可靠地遵循指令。为了获得最佳效果，请尽量使用简洁的镜头。如果您的项目允许，您可以通过编辑将两个4秒的片段拼接在一起，而不是生成一个8秒的片段，这样可能会看到更好的效果。 能起作用的提示结构 清晰的提示就像您在故事板上绘制镜头一样描述。说明摄像机构图，注意景深，以节拍描述动作，并设定光照和调色板。用几个独特的细节锚定您的主体，使其保持可识别性，而一个合理的单一动作使镜头更容易跟随。 如果您需要涵盖一个序列，在单个提示中描述多个镜头也是有效的。当您这样做时，请保持每个镜头块独立：一次一个摄像机设置，一次一个主体动作，一次一个光照配方。这为您提供了灵活性，可以根据您的项目生成简短的独立片段或更长的连续时刻。将每个镜头视为一个创意单元，您可以将它们在编辑中拼接在一起，或者一次性作为一个序列播放。 • 简短的提示词给予模型更多的创作自由。期待令人惊讶的结果。 • 较长、更详细的提示词会限制模型的创造力。它会尝试遵循你的指导，但可能并不总是可靠地做到。 这里有一个简短提示词的例子： 这个提示很可能效果很好： • 90 年代纪录片 设定视频风格。模型将相应选择相机镜头、灯光和色彩等级等变量。 • an old Swedish man sits in a study 以简略的细节描述主题和场景，让模型在人物和场景的外观上有创意的自由度。 • and says, "I still remember when I was young." 描述对话。Sora 很可能能够完全遵循这一点。 这个提示将可靠地生成符合这些要求的视频。然而，由于许多细节留有开放空间，它可能无法完全符合你的愿景。例如，提示没有描述一天中的时间、天气、服装、基调、角色的外观和年龄、摄像机角度、剪辑、场景设计以及其他许多因素。除非你描述这些细节，Sora 将会自行想象。 进入超精细模式 对于复杂的电影镜头，你可以超越标准的提示结构，并使用专业制作术语指定外观、摄像机设置、调色、音景，甚至镜头拍摄的理由。这类似于导演向摄影组或特效团队简报的方式。对镜头、滤镜、灯光、调色和运动的详细提示有助于模型锁定非常具体的美学风格。 例如，你可能需要描述 观众最先注意到的事物 、 摄像机平台和镜头 、 光线方向 、 色彩搭配 、 纹理质感 、 画外音 以及 拍摄时机 。当你想要匹配真实的电影摄影风格（例如，IMAX 航拍、35 毫米手持拍摄、复古 16 毫米纪录片）或保持镜头间的严格连贯性时，这种方法效果很好。 示例 引导外观的视觉提示 在撰写提示时， 风格是引导模型朝向预期结果的最有力杠杆之一 。描述整体美学——例如， “1970 年代电影，” “史诗级 IMAX 规模场景，” 或 “16 毫米黑白电影” ——会设定一个视觉基调，为所有其他选择提供框架。尽早确立这种风格，以便模型能够始终如一地保持它。 相同细节的呈现方式会根据你要求的是精良的好莱坞剧情片、手持智能手机片段，还是颗粒感强的复古广告而截然不同。一旦基调确立，再逐步加入镜头、动作和光线等具体细节。 清晰度胜出。不要使用模糊的提示，如 “一条美丽的街道，” 而应写 “湿漉漉的沥青、斑马线、霓虹灯反射。” 不要使用 “快速移动，” 而应具体化为 “跑三步并在路缘处停下。” 指向可见结果的动词和名词将始终为你提供更清晰、更一致的输出。 薄弱的提示 强力提示 “夜晚的美丽街道” “湿漉漉的沥青路面，斑马线，霓虹灯在积水中反射” “一个人快速移动” “骑自行车者蹬踏三次，刹车，停在人行横道” “电影感” “变形镜头2.0倍，浅景深，体积光” 薄弱的提示 薄弱的提示 强力提示 强力提示 “夜晚的美丽街道” “夜晚的美丽街道” “湿漉漉的沥青路面，斑马线，霓虹灯在积水中反射” “湿漉漉的沥青路面，斑马线，霓虹灯在积水中反射” “一个人快速移动” “一个人快速移动” “骑自行车者蹬踏三次，刹车，停在人行横道” “骑自行车者蹬踏三次，刹车，停在人行横道” “电影感” “电影感” “变形镜头2.0倍，浅景深，体积光” “变形镜头2.0倍，浅景深，体积光” 摄像机方向和构图塑造了镜头的观感。从上方拍摄的全景镜头会强调空间和背景，而与视线平齐的特写镜头则会聚焦于情感。景深增加了另一层层次：浅景深可以使主体在模糊的背景中突出，而深景深则使前景和背景都保持清晰。光线同样强烈地设定了基调。柔和温暖的主光创造了一种吸引人的氛围，而带有冷色调的单点硬光则推向戏剧性。 在引入角色时，要预期一些不可预测性——措辞的微小变化可以改变身份、姿态或场景本身的焦点。保持跨镜头的描述一致性，重复措辞以保持连贯性，并避免混合可能相互竞争的特质。 弱 强 一些好的框架指令示例： • 广角远景，视线水平 • 广角镜头，从左到右跟随冲锋 • 空中广角镜头，略微向下倾斜 • 中景特写，从稍后的角度拍摄 一些好的摄像机运动指令示例： • 缓慢倾斜摄像机 • 手持 ENG 摄像机 控制动作和时机 动作往往是最难把握的部分，所以保持简单。每个镜头应该有一个清晰的摄像机移动和一个清晰的主体动作。当用节拍或计数来描述动作时效果最佳——小步骤、手势或停顿——这样它们会更有时间感。 “演员走过房间”没有提供太多可用的信息。像“演员向窗户走四步，停顿，并在最后一秒拉上窗帘”这样的描述使时间精准且可实现。 弱 强 灯光和色彩一致性 光线与动作或场景一样，对情绪的塑造同样重要。光线均匀分布的画面显得平静而中性，而单一强光源则制造出鲜明的对比和紧张感。当你需要将多个片段剪辑在一起时，保持光线逻辑的一致性是使剪辑无缝衔接的关键。 描述光线的质量以及强化这种光线的色彩锚点。不要使用宽泛的描述如“光线充足的房间”，而应具体说明光源的混合和色调：“柔和的窗户光，搭配暖色调的灯光填充，以及走廊传来的冷色调边缘。”命名三到五种颜色有助于保持镜头间调色的稳定性。 弱 强