ltx-2.5-mlx提示词工程：文生视频Prompt写法完全指南（新手友好）-育师

ltx-2.5-mlx提示词工程：文生视频Prompt写法完全指南（新手友好）

ltx-2.5-mlx 是 Lightricks LTX-2.5 视频生成模型在 Apple Silicon（MLX 格式）上的转换版，支持文生视频、图生视频与音视频联合生成。本文面向新手，完整讲解文生视频提示词怎么写：从 5 要素公式、镜头语言词汇表、声音描述，到多镜头 keyframe 技巧与常见避坑清单，帮你快速写出高质感的视频 Prompt。

🚀 快速开始：提示词在哪里生效？

在 ltx-2.5-mlx 中，提示词通过--prompt参数传入，由内置的 Gemma-4 文本编码器（位于 gemma4-12b-ltx-v1/ 目录）理解后驱动 22B 的音视频 DiT 生成。官方 README.md 给出的示例长这样：

uv run ltx-2-mlx generate \ --model mlx-community/ltx-2.5-mlx \ --distilled \ --prompt "a red fox standing in deep snow, closeup wildlife photography, golden hour" \ -H 512 -W 768 -f 121 --frame-rate 24 -o fox.mp4

注意这条官方示例暗含了好几条技巧：a red fox（具体主体）、standing in deep snow（动作+环境）、closeup（镜头）、wildlife photography（风格）、golden hour（光影）——它本身就是本文后面 5 要素公式的活例子。

✍️ 文生视频 Prompt 的 5 要素公式

一个好用的视频提示词通常按这个顺序组织：

要素	作用	示例词汇（英文）
1️⃣ 主体 Subject	画面里是谁/什么	a red fox, an elderly fisherman, a glass water bottle
2️⃣ 动作 Action	它在做什么	standing, running through the field, slowly turning around
3️⃣ 场景环境 Setting	在哪、什么天气/时间	deep snow, a rainy neon city street at night, a misty pine forest
4️⃣ 镜头语言 Camera	怎么拍	closeup, wide shot, tracking shot, slow dolly in, aerial drone shot
5️⃣ 风格画质 Style	什么质感	wildlife photography, cinematic, 35mm film grain, soft diffused light

💡 新手最容易漏掉的是第 4、5 项。只写"主体+动作"也能生成，但加上镜头和风格后，成片质感会有明显差距。

🔍 镜头语言词汇表（可直接抄）

视频生成和文生图最大的区别就是"镜头"。以下英文词汇可以直接放进 Prompt：

英文写法	效果
`closeup`/`extreme closeup`	近景 / 大特写
`wide shot`/`establishing shot`	全景，交代环境
`medium shot`	中景，人物大半身
`tracking shot`	镜头跟随主体移动
`slow dolly in`/`dolly out`	缓慢推镜 / 拉镜
`handheld camera`	手持镜头，纪实感
`aerial drone shot`	航拍俯视
`static shot`	固定机位

光影氛围词同样值得背下来：golden hour（黄金时刻暖光）、blue hour（黄昏冷蓝）、neon lights（霓虹）、soft diffused light（柔和散射光）、cinematic color grading（电影调色）。

🎵 声音提示：LTX-2.5 的隐藏技能

LTX-2.5 是音视频联合生成模型（见 config.json 中的model_type: "AudioVideo"），音频 VAE 与声码器包含在 audio_vae.safetensors 和 vocoder.safetensors 中。这意味着你可以在提示词里直接描述声音：

ambient wind howling through the pines
distant city traffic and rain on pavement
soft piano music, close conversation voices

声音描述建议放在 Prompt 末尾，与画面描述并列即可，模型会尝试让音画同步。

🎬 多镜头与时长控制技巧

keyframe slots（关键帧槽位）：使用--num-generated-keyframes N参数时，模型会在视频内部均匀放置 N 个"自创关键帧"，在这些位置获得更细的像素细节。官方 README.md 特别提醒：它本身不会把"分镜脚本式"的提示词自动变成多段剪辑，多镜头叙事需要 DFR 流水线配合。

时长预测：仓库自带的 duration_head.safetensors 是一个"提示词→时长"预测器，它会读取你的 Prompt 来推断合适的视频时长。所以：

描述复杂、多动作的场景 → 模型倾向生成更长的内容
简单静态描述 → 时长偏短

想控制时长，除了写提示词，更直接的手段是--frame-rate与帧数-f参数。

⚠️ 新手 5 大常见错误

中英混杂：文本编码器基于英文语料优化，请全程使用英文书写 Prompt。
一句话太短：只写a cat等于把方向盘交给模型；至少覆盖主体+动作+环境。
风格词堆砌：cinematic, 4K, 8K, hyperrealistic, masterpiece一口气全写，模型会"平均用力"。选 1–2 个风格锚点即可。
写负面词：distilled 版固定 CFG=1（无引导差值通道），"no blur, no watermark" 这类否定描述基本无效——用正向语言描述你想要什么。
一次塞太多主体：a man, a woman, three dogs and a car同框会导致画面元素互相打架，聚焦 1 个主体 + 1 个配角。

🧪 两种模型：提示词脾气不一样

仓库提供两个 DiT 版本，对提示词的"服从度"略有差异：

文件	特点	提示词建议
transformer-distilled.safetensors	蒸馏版，固定 8 步、CFG=1，速度快	一次说准，关键词要精准简洁，多跑几遍不同 seed 对比
transformer-dev.safetensors	完整版（dev），生成步数更灵活	可以更详细地铺陈描述，对复杂场景容忍度更高

日常出片建议先用--distilled快速迭代提示词，定稿后视需要换 dev 版精修。

📋 即拿即用的 Prompt 模板

把下面三个模板里的占位词替换掉就能直接用：

模板一 · 人物纪实a young woman in a red raincoat walking through a rainy neon city street at night, tracking shot, cinematic, reflections on wet asphalt, ambient sound of rain and distant traffic

模板二 · 自然/动物a red fox standing in deep snow, closeup wildlife photography, golden hour, soft wind, birds chirping in the background

模板三 · 产品广告a glass water bottle on a marble countertop, slow dolly in, morning sunlight through a window, minimal commercial style, clean studio ambience