window peeper 提示词：5 段可以直接复制的 AI 视频 prompt

如果你已经在为某个通用 AI 视频模型付费，你不需要一个专门的 window peeper 网站——你需要一段能稳定产出五拍的提示词。这比听起来难，因为这个格式靠的是精确的时间：一段四秒的推近、一次停得太久的对视、一块结束场景的窗帘。

下面是我们在测模型时用的提示词，文本转视频和图片转视频两种形式都有，外加真正要紧的设置和失败模式。

提示词之前：五拍

每段提示词都得把同一个结构编码进去。如果只记一件事，记这个顺序：

1. 夜里的远景外景——一栋公寓楼，一扇窗亮着。
2. 慢推——镜头漂向那扇窗，不切。
3. 有人在吃——隔着玻璃看得见，毫无察觉。
4. 抬头——他们注意到镜头，嚼到一半停住，维持眼神接触。
5. 窗帘——一个动作拉上，场景结束。

做到 1–3 却跳过 4–5 的模型，产出的是气氛，不是这个趋势。把对视单独写出来，给它一句话，给它一个时长。

提示词 1：基线（文本转视频）

用在任何接受长提示词的模型上。它故意写得很平——形容词会让模型变得艺术，而这个场景绝不能艺术。

Vertical 9:16 video, 14 seconds. Night exterior of a plain six-storey
apartment block, shot from across a dark street. Most windows are dark;
one window on the second floor is warmly lit. The camera pushes slowly
toward that window over four seconds, no cuts, handheld but steady.
Inside, a person sits at a small table eating a burger, seen through
the glass. They look up, notice the camera, stop chewing, and stare
directly into the lens without moving for four seconds. They set the
burger down, reach up, and pull a curtain across the window. The video
ends on the closed curtain. Documentary realism, natural window light,
no music, no text.

为什么它有效：运镜那句（「over four seconds, no cuts」）拦住了模型切镜，而切镜是最常见的失败。对视有自己的时长。结尾是一个物理动作，模型处理动作比处理情绪好。

提示词 2：图片转视频（你的照片）

这个版本把具体的人放进窗里。上传一张正面肖像作为参考，然后用：

The person in the reference photo sits at a table in a warmly lit room
at night, seen from outside through a window. They are eating a burger.
Camera: exterior night shot of an apartment block, one lit window, slow
push-in toward the window, no cuts. The person looks up at the camera,
freezes mid-chew, and holds eye contact for four seconds. Then they pull
a curtain closed. Keep the person's face, hair and clothing from the
reference photo exactly. Vertical 9:16, 14 seconds, realistic, no text,
no music.

「keep the face, hair and clothing from the reference photo exactly」 这句在干重活。没有它，图片转视频模型两秒之内就会漂向一张大众脸。

提示词 3：长对视（喜剧剪辑）

如果模型总是太早切走，把中间那段单独拎出来：

Close exterior shot through a lit window at night. A person is eating,
sees the camera, stops chewing and stares straight into the lens. The
stare holds for six seconds. Their expression does not change. Slight
handheld drift. No cut, no zoom, no reaction from the camera. The video
ends while they are still staring.

这不是完整的趋势，但它是其中最好笑的六秒，而且对模型来说比五拍弧线好渲染得多。有些创作者就发这一段，然后在剪辑软件里把窗帘作为一刀接上。

提示词 4：窗帘结尾

最难的单拍。模型很爱淡出，而不是拉上窗帘。

Interior, night, warm lamp light. A person sits at a table with a
half-eaten burger, looking toward the camera. They stand slightly,
reach to the right, grab a fabric curtain and pull it across the window
in one continuous movement. The frame ends filled with the curtain
fabric. No fade to black, no cut.

把「no fade to black」明确写出来。没有它，你会得到一次溶解，那读起来是另一个类型。

提示词 5：换一个场景

为了变化，当汉堡已经被拍到烂：

Vertical 9:16, night exterior of a low apartment building. One lit
window. Slow push-in. Inside, a person in a dressing gown stands at a
fridge eating straight from a container. They notice the camera, freeze,
stare for four seconds, then pull the blind down. Realistic, handheld,
no text, no music.

同样五拍，换一个道具。格式扛得住这个替换；笑点在对视，不在食物。

真正有用的负向提示词

多数模型接受负向字段。这些值得加：

text, subtitles, watermark, logo, cartoon, anime, oversaturated,
studio lighting, camera cut, zoom blur, smiling at camera, waving,
multiple people, extra fingers

其中两条值得解释：

• 「smiling at camera」——模型默认友好。笑话要一张面无表情的脸；一个微笑就把它变成 vlog。
• 「camera cut」——没有它，模型会很高兴地切到一个新角度，而那会毁掉这个格式赖以成立的一镜到底的幻觉。

决定结果的设置

种子这条是这一页最有用的东西。如果一条渲染对了 90%——楼好、对视好、窗帘不对——留住种子，改一个从句。从零重摇，是你烧掉一个下午的方式。

为什么写提示词还是比预设难

三个提示词修不好的结构性问题：

1. 模型不数秒。 「四秒」是暗示，不是指令。你会得到两秒，或者七秒。

2. 人脸一致性会衰减。 图片转视频能把一张脸维持几秒；到第十秒，参考的影响就小了。镜头推近时窗会变小，这恰好把问题藏起来——但不总是。

3. 一次生成里塞五拍，要求太多。 每一拍都是一次失败的机会，而失败会叠加。这就是为什么专门的工具要把活拆开：场景是一条固定的流水线，你的照片是唯一的变量。

想写提示词就写。它成了的时候真的好玩，一段好提示词配一个好模型，在构图上能打赢预设。但要给重试留预算——一条干净的五拍弧线，生成三到八次是正常的。

写提示词 vs 用照片转视频工具

写提示词赢在灵活。预设赢在可靠。如果你要一条今晚发群里的片子，预设是理性的选择；如果你要一扇雨里的窗、两个人、一只猫，你需要提示词。

常见问题

window peeper 趋势最好的提示词是哪段？ 上面第 1 段，保留对视的时长和「no cuts」那句。这两个从句修掉大部分失败。

文本转视频的模型能用照片吗？ 只有图片转视频的模型接受参考图。纯文本模型里你是在描述一个人，那个人不会是你。

对视该持续几秒？ 14 秒的片子里四秒。单独把对视当一条发的话，六秒。

为什么我的成片总在笑？ 因为多数训练数据里，「有人在吃东西」是个愉快的场景。加一句「deadpan, does not smile」，再把「smiling at camera」放进负向字段。

需要指定某个模型吗？ 不需要。这些提示词是给通用模型写的；结果更多取决于提示词写得多严，而不是牌子。

能提示出一栋具体的公寓楼吗？ 你能描述它，但你得不到一个真实地点。要一栋认得出的楼，你得去拍。

---

如果你宁愿跳过重试，一张照片加四分钟 拿到的是同样五拍。想先弄懂每一拍在干什么、再自己写提示词，读 趋势拆解。