AI 视频负面提示词指南：该排除什么（以及为什么常常失效）

负面提示词（negative prompt）是从图片生成时代传下来的老概念——一个”把不想要的都写进去”的魔法盒子。但到了 AI 视频，这个盒子的运作方式完全不同：有的模型给了独立字段，有的直接无视排除词，还有的会反着来——你写”不要水印”，它就给你印个水印。搞清楚 Veo 3.1、Kling 4.0、Wan、Hailuo、Seedance、Runway 各家到底怎么处理排除词、每家该怎么写，是提示词层面见效最快的升级。下面讲清楚原理、给出核实过的支持情况表、8 个高频翻车点的双解法，以及 3 条完整可复制的提示词。

为什么”不要水印”反而生出水印

文本编码器对实词的响应远强于否定词。”no watermark” 依然把注意力引向 watermark 这个概念——而在生成模型里，被提到的概念只会被渲染得更多，而不是更少。视频还有第二层问题：运动先验。负面词串里的 “warp”、”blur” 这类词，仍可能渗进模型对整段运动的规划里。

Runway 官方文档就把这件事写得很直白：示例里 “a man with no hair” 生出来的是有头发的男人，换成 “a bald man” 才对；并明确警告负面措辞”可能导致相反的结果”。跨模型都成立的可靠做法是：正面描述正确状态，负面字段只留给具体瑕疵（手指、文字、水印），绝不留给审美偏好。

公式：让排除真正落地

[有负面字段的模型]
Positive prompt: [完整镜头描述 — 主体、动作、运镜、光线、风格]
Negative prompt: 3–6 个具体瑕疵词 (extra fingers, watermark, text overlay…)

[没有负面字段的模型]
把排除改写成正面状态：
"no text on the bottle"  →  "the bottle label is plain matte glass — blank, unprinted,
                             with no lettering anywhere on the packaging"

写排除词的三条铁律：

1. 写瑕疵，不写审美。“extra fingers, duplicated objects, frame tearing” 有效；”bad quality, ugly, weird” 毫无作用——模型没有对应的视觉指代。
2. 正面提示词里绝不复读被禁的名词。主提示词里写了 “clean shot with no watermark”，等于亲手种下了 *watermark*。把词整个删掉，交给负面字段。
3. 最多 3–6 个词。二十行通用负面词组只会稀释注意力，还可能和正面提示词打架。只挑这条镜头真正会翻车的项。

各视频模型的负面提示词支持情况（2026）

已对照当前模型文档与平台指南核实——官方 App、API、第三方前端之间存在差异，以你眼前的界面为准：

总策略：意图只存一份，按模型编译。有字段的进字段，没字段的反转成正面描述。

8 个毁掉成片的问题 —— 每个给双解法

每个代码块里，第一段是负面提示词版本（适合 Veo / Kling / Wan），第二段是正面改写（所有模型通用）。

1. 多余手指、手指粘连

Negative prompt: extra fingers, fused fingers, deformed hands, duplicated limbs
Positive rewrite: close-up of hands with five clearly separated fingers resting on a
steering wheel, natural finger spacing, tendons visible, relaxed grip

适用场景：手部入镜的特写。手不入镜，永远比任何负面词都稳。

2. 文字乱码、假商标

Negative prompt: text overlay, subtitles, gibberish lettering, distorted logo
Positive rewrite: a storefront with a plain unlettered awning and blank sign panels;
all surfaces free of printed words, signage reads as clean colored shapes

适用场景：街景、包装、任何有招牌文字的画面。

3. 脸部漂移、五官形变

Negative prompt: face morphing, identity drift, asymmetric eyes, warped facial features
Positive rewrite: a single woman with consistent oval face and dark bob haircut holds
the same expression through the shot; camera stays on a slow push-in, no cuts

适用场景：人物近景长镜头；配合参考图效果更好。

4. 物理穿帮——手和道具穿过桌面

Negative prompt: object clipping, floating props, impossible physics, phase-through
Positive rewrite: a ceramic mug rests solidly on the wooden table as a hand lifts it
cleanly off the surface, weight and contact shadow visible throughout

适用场景：道具交互、放置/拿起动作。

5. 水印与叠加 UI

Negative prompt: watermark, logo overlay, timestamp, UI elements
Positive rewrite: clean cinematic frame with uninterrupted image area corner to corner,
no printed marks anywhere in the composition

适用场景：需要干净素材做后期合成时。

6. 快速运动的拖影与闪烁

Negative prompt: frame tearing, flicker, jitter, motion smear
Positive rewrite: a cyclist moves at a steady pace with crisp rolling wheels and stable
shutter, each frame sharp, smooth 180-degree shutter motion blur only on the spokes

适用场景：运动跟拍、快节奏镜头。

7. 背景路人融化变形

Negative prompt: distorted background faces, extra people, duplicated crowd figures
Positive rewrite: the background holds three clearly formed pedestrians walking away,
faces turned from camera, bodies intact and separated in space

适用场景：城市街景、人群背景。

8. 调色过饱和、塑料感

Negative prompt: oversaturated colors, HDR glow, plastic skin, over-sharpening
Positive rewrite: natural muted color grade, soft filmic contrast, real skin texture
with pores, gentle highlight rolloff, 35mm film look

适用场景：写实人像、纪录质感镜头。

3 条完整提示词（含负面词版本）

1. 咖啡萃取（产品 b-roll）

Close-up slow-motion shot of espresso pouring from a brass portafilter into a clear
glass cup, thick golden crema forming, steam curling upward, dark walnut counter,
morning window light from the left, shallow depth of field, premium commercial
grade, warm amber and brown palette, calm mood.
Negative prompt: text overlay, watermark, extra fingers, deformed hands, gibberish
lettering, oversaturated colors.

适用模型：Veo 3.1 / Kling 4.0（负面词放字段）；Runway 去掉负面行、改写正面即可。适合电商产品短片。

2. 雨夜街巷漫步（人物场景）

Medium tracking shot of a woman in a cream trench coat walking through a rainy Tokyo
alley at night, neon signs reflecting in wet asphalt, she slows, looks up at the rain,
and smiles faintly, camera follows behind and slowly pushes in, cinematic 35mm look,
f/2.8, cool blue and magenta palette, bittersweet mood, soft rain audio.
Negative prompt: face morphing, identity drift, distorted background faces, text
overlay, flicker, frame tearing.

适用模型：Veo 3.1（原生音频同步出色）、Kling 4.0。适合情绪短片、叙事开场。

3. 黎明海岸线（建立镜头）

Aerial drone shot gliding forward over volcanic sea cliffs at sunrise, low mist
hugging the rock faces, waves exploding white against dark basalt, a lone lighthouse
at the headland, golden hour light raking across the ridges, naturalistic documentary
grade, serene epic mood, wind and ocean audio.
Negative prompt: watermark, UI elements, jitter, object clipping, oversaturated
colors, letterbox text.

适用模型：全模型通用；Seedance 2.5 / Hailuo 3 删掉负面行、保留正面描述。适合纪录片式空镜。

3 个保持画面干净的日常习惯

1. 先修镜头，再修字符串。构图规避（手出画、脸背对镜头）比任何负面词都管用。
2. 按模型记录翻车日志。“失败也是训练数据”——记下哪个词在哪台模型上治好了哪个瑕疵，下次直接复用组合。
3. 先重roll，再加词。换一次种子往往胜过拉长负面清单；只有可复现的失败才值得动列表。

FAQ

负面提示词在 AI 视频里到底有没有用？ 有用——但只在带独立字段的模型上（Veo 的 negativePrompt、Kling 的负面字段、Wan 的参数），具体瑕疵类词汇确实能明显清干净画面。没有字段的模型，把排除改写成正面状态才有效。

为什么加了负面词反而更糟？ 被排除的词依然进入了文本编码。”no text” 反而把注意力拉向文字；Runway 官方文档明确警告负面措辞”可能导致相反的结果”。反转成正面描述吧。

有没有最安全的通用负面词清单？ 没有。只写 3–6 个与本条镜头真实风险相关的词——手入镜就写手指类，场景里有招牌就写文字类。二十行通用词组只会帮倒忙。

同一串负面词能给 Veo、Kling、Runway 通用吗？ 不能。Veo / Kling / Wan 放进字段；Runway、Hailuo、Seedance 编译成正面改写。意图存一份，按模型编译。

排除词放在提示词什么位置？ 有字段就放字段。没有就别在描述中间乱插——直接把对应句子改写成正面表述（”the label is blank matte glass”），而不是在结尾堆愿望清单。

干净的素材只是成片的一半，另一半是把它铺出去。生成的视频素材可以配合 FLOWNIB 这类多平台分发工具铺开到各个渠道。想看真实场景里哪些排除词真正有效，可以到 VideosPrompt 浏览成千上万条真实提示词——看结果、抄提示词、改成你自己的。