De flesta AI‑videor misslyckas av samma tråkiga skäl. Motiv byter form mitt i klippet. Kameran gör något ingen bad om. Produkten ändrar färg mellan sekund två och fyra. Resultatet är tekniskt ”en video” och praktiskt oanvändbart.
Efter att ha granskat tiotusentals riktiga AI‑videoprompter — både de som gav klipp folk faktiskt publicerade och de som blev skräp och raderades — framträder ett mönster. Bra prompter är inte längre eller mer poetiska. De är mer strukturerade. De talar om för modellen vad som förändras, hur kameran beter sig, vad som måste vara låst, och vad som absolut inte accepteras.
Det här är hantverkskompisen till vår datarapport om vad 40 000 AI‑videoprompter avslöjar om vad folk skapar. Det inlägget handlar om vad skapare genererar. Det här handlar om hur de bra skriver det. Fem mönster, varje med en svag version, en stark version, och varför skillnaden spelar roll.
Viktiga lärdomar
- Börja med motiv + handling + en tydlig förändring över tid — statiska beskrivningar ger statiska, livlösa klipp.
- Specificera kameran som om du regisserar en filmfotograf: bildstorlek, lins och en avsiktlig rörelse.
- Lås kontinuitetstokens (ansikte, produkt, färg, logotyp) så de överlever hela klippet utan att driva iväg.
- Matcha bildutsnitt och tempo till plattform och längd innan du genererar, inte efter.
- Begränsa med negativa instruktioner och en tydlig outputspec så modellen vet vad den ska undvika, inte bara vad den ska försöka.
Mönster 1: Börja med motiv, handling och förändring över tid
Video är rörelse. Den enskilt största skillnaden mellan prompter som ger levande material och prompter som ger en långsam inzoomning på ett fotografi är om du beskrev att något händer.
Svaga prompter beskriver en scen. Starka prompter beskriver en scen som förändras.
Svag: A coffee cup on a wooden table in a cafe.
Stark: A steaming coffee cup on a wooden cafe table; steam curls upward and drifts left as morning light slowly brightens across the surface over 5 seconds.
Den svaga versionen ger modellen en stillbild och tvingar den att hitta på rörelse — oftast en lat push‑in eller lite allmänt skak. Den starka versionen namnger motivet (kaffekopp), handlingen (ångan ringlar och driver) och förändringen över tid (ljuset ljusnar över klippet). Modellen får nu ett start- och slutläge att interpolera mellan — exakt det en videomodell är byggd för.
Lösningen är mekanisk. Fråga inför varje prompt: vad är den ena saken som är annorlunda i slutet av klippet jämfört med början? Om du inte kan svara kommer du få ett rörligt vykort. Baka in den förändringen i meningen. Även en liten — en huvudvridning, en dörr som öppnas, dimma som rullar in — ger modellen ett jobb över tidslinjen.
Mönster 2: Regissera kameran som en filmfotograf
Om du inte specificerar kameran väljer modellen en åt dig — och den väljer dåligt, ofta en generisk inåkning eller ett svajigt handhållet drift som skriker ”AI”. De bästa prompterna behandlar kameran som ett avsiktligt kreativt val, inte en eftertanke.
Du behöver tre saker: bildstorlek (vid, medium, närbild), lins eller bildkänsla (35mm, vidvinkel, kort skärpedjup) och en rörelse (långsam push‑in, orbit, statiskt lås). En rörelse. Inte tre.
Svag: A car driving down a coastal road, cinematic.
Stark: Wide tracking shot of a vintage convertible on a coastal highway, shot on a 35mm lens with shallow depth of field, camera tracks alongside the car at matching speed, golden hour.
”Cinematic” är en önskan, inte en instruktion. Den starka versionen berättar för modellen inramningen (vid tracking), den optiska karaktären (35mm, kort skärpedjup) och en sammanhängande rörelse (spårar bredvid i matchande hastighet). Den koherensen läser som professionell. Motstridiga kamerapåbud — ”orbit samtidigt som den zoomar och panorerar” — är där modeller faller isär och ger den där simmiga, instabila looken.
Om du är ny till kameratänk, bryter vår guide om hur du skriver AI‑videoprompter ner vokabulären. Genvägen: föreställ dig att du ger en enradig instruktion till en kameraoperatör som gör exakt det du säger och inget mer. Var så specifik.
Mönster 3: Lås dina kontinuitetstokens
Det här är mönstret som skiljer hobbyister från de som producerar användbart material. AI‑videomodeller driver. På några sekunder kan ett ansikte subtilt renders om till en annan person, en röd logotyp glider mot orange, en produkt får en knapp den inte hade. Kontinuitetstokens är de specifika, upprepningsbara fraser du använder för att spika fast dessa element.
En kontinuitetstoken är en kort, distinkt beskrivning du bestämmer dig för och återanvänder ordagrant — för subjektets identitet, produkten, färgpaletten och eventuell branding.
Svag: A woman in a red jacket walks through a city, then we see her closer up.
Stark: A woman with shoulder-length curly black hair and a bright crimson leather jacket walks through a neon-lit city; same crimson jacket and same hairstyle held consistent throughout the clip.
”A woman in a red jacket” är en inbjudan för modellen att hitta på henne på nytt. ”Shoulder‑length curly black hair and a bright crimson leather jacket”, upprepat och uttryckligen markerat som konsekvent, ger modellen ett ankare. När du genererar flera klipp till ett projekt, kopiera de exakta tokens i varje prompt — parafrasera aldrig. Parafraser är hur karaktären i tagning tre slutar se ut som karaktären i tagning ett.
För varumärkesjobb är detta icke‑förhandlingsbart. Lås det exakta namnliknande hex‑färgspråket, logotypens placering och produktens definierande drag i varje prompt. Om din plattform stödjer en bildreferens eller text‑till‑video med en startbild, använd det — men stöd det med låsta texttokens, eftersom beskrivningen bär identiteten genom rörelsen, inte bara in i första rutan.
Mönster 4: Matcha bild till plattform och längd
En prompt som är fantastisk för en 12‑sekunders YouTube‑hero är fel för en 4‑sekunders TikTok‑hook, och skillnaden är inte bara bildformat. De bästa prompterna designas baklänges från var videon ska leva.
Tre beslut tas innan du skriver ett ord: bildformat (9:16 vertikalt för flöden, 16:9 för YouTube och landningssidor), längd (och därmed hur mycket som faktiskt kan hända) och tempo (en lugn takt för en kort loop, en tydlig båge för ett längre klipp).
Svag: An energetic montage of a fitness product with lots of quick cuts and text, for social media.
Stark: 9:16 vertical, single continuous 5-second shot: a runner laces up bright orange sneakers and pushes off frame-left into a sprint, fast-paced, punchy, designed as a TikTok hook with the action landing in the first 2 seconds.
Att be om ”många snabba klipp” i en enda kort generering är att be om trassel — de flesta modeller producerar en sammanhängande tagning per generering, så begäran motarbetar verktyget. Den starka versionen respekterar formatet: vertikalt, en tagning, en handling riggad för att landa inom de första två sekunderna där plattformen kräver det. Du får ofta bättre resultat genom att generera flera rena singeltagningar enligt denna spec och klippa ihop dem, än att försöka pressa in en redigering i en prompt.
Längden styr också hur mycket förändring du kan be om. På fyra sekunder landar en tydlig handling. På tolv kan du bygga en liten båge. Att be om en treakts‑berättelse på fyra sekunder smetar bara ihop allt.
Mönster 5: Begränsa med negativa instruktioner och en tydlig outputspec
Det sista mönstret är det nästan ingen använder, vilket gör det till ett övertag. Att tala om för modellen vad du inte vill ha är ofta kraftfullare än att hälla på mer av vad du vill ha. Para ihop det med en explicit outputspec och du slutar lämna de oglamorösa besluten åt slumpen.
Två grepp: negativa instruktioner (artefakter och klichéer du vägrar — skeva händer, textgibberish, extra lemmar, flimmer, oönskad långsam inzoomning) och en outputspec (bildfrekvenskänsla, ljussättning, stämning och bildformat tydligt angivna sist).
Svag: A chef plating a dish in a restaurant kitchen.
Stark: A chef precisely plating a dish in a warm restaurant kitchen; medium shot, soft key light from the left, calm and deliberate pacing, 16:9. Avoid: distorted hands, extra fingers, floating utensils, on-screen text, fast camera movement.
Den negativa listan gör verkligt jobb. Händer är där videomodeller gör bort sig, så att namnge ”distorted hands, extra fingers” säger åt modellen att lägga kraft där. ”Avoid on‑screen text” dödar gibberishbokstäver modellen gärna hallucinerar. Och att avsluta med outputspecen — bildstorlek, ljusriktning, tempo, bildformat — gör att du inte hoppas att modellen gissar din avsikt; du har uttalat den.
Håll din negativlista snäv och relevant. Tio generiska negativa försvagar signalen. Tre–fyra som siktar in sig på just den här promptens troliga felpunkter vässar den. Olika modeller har olika svagheter, så det lönar sig att veta vilken du använder — vår AI‑modellernas styrkekarta visar var varje modell glänser och var den tenderar att gå sönder.
Så kombinerar du alla fem i en prompt
De här mönstren är inte en meny — de bästa prompterna staplar alla fem. Här är ordningen de faller naturligt i:
- Motiv + handling + förändring (”a chef plates a dish; steam rises as she sets the final garnish”)
- Kamera (”medium shot, 50mm, slow push‑in”)
- Kontinuitetstokens (”same chef in a white double‑breasted jacket throughout”)
- Plattform + längdspec (”16:9, 8 seconds, calm pacing”)
- Negativt + output (”warm key light from the left. Avoid: distorted hands, on‑screen text”)
Läst uppifrån och ner är det en enda sammanhängande instruktion en modell kan genomföra med självförtroende. Varje klausul besvarar en fråga modellen annars skulle besvara själv — och ”själv” är där dålig AI‑video kommer ifrån.
Du behöver inte börja från ett tomt blad varje gång heller. Ett bibliotek med kopierbara promptmallar ger dig beprövade stommar för vanliga tagningstyper; du byter in ditt motiv och dina tokens och du kör redan alla fem mönstren utan att tänka på det.
Ditt nästa steg
Välj en prompt du skrivit som gav ett svagt klipp. Kör den genom de fem mönstren: Nämner den en förändring över tid? Regisserar den en tydlig kamerarörelse? Är dina kontinuitetstokens låsta och upprepade? Är den specad för en verklig plattform och längd? Säger den vad modellen ska undvika?
Fixa de två svagaste svaren och generera igen. Den enda redigeringsrundan är oftast skillnaden mellan ett klipp du raderar och ett klipp du publicerar.
När du är redo att sätta mönstren i arbete, öppna text‑till‑video i appen och skriv din första prompt på det strukturerade sättet — motiv, kamera, tokens, spec, negativt. Och om du vill ha datan bakom vad som faktiskt funkar i skala, läs den kompletterande analysen av vad 40 000 AI‑videoprompter avslöjar. Hantverk plus evidens är hur du slutar gissa och börjar regissera.