提示词指南

ChatGPT 能做视频吗:它做完哪一段,剩下的交给谁渲染

聊天负责写镜头,渲染得交给另一件工具。把下面这段运动描述粘进去,再附上它描述的那张静帧,就是本页要讲的那次交接——对话里并不需要视频模型。

可选

JPG / PNG / WebP

这是 Ottermind 自己的输入框。填入描述和发送是两个动作,不继续进入 Studio 就不会生成任何视频。

2026年11月14日 · 11 分钟阅读

自己做不到,接上别的东西就能做到。 ChatGPT 能写脚本、写镜头表、写运动描述,也能生成一个镜头起始的那张静帧。它做不到的,是在没有别的工具接上的情况下渲染出一个能播放的视频文件——截至 2026 年 11 月 14 日,对话里没有官方自带的视频模型:OpenAI 的 Sora 网页版和 App 已于 2026 年 4 月 26 日停运,Sora API 随后在 2026 年 9 月 24 日关闭。

ChatGPT 图像功能也在逐步开放循环 GIF。若你的账号已支持,可以直接在对话中让静图动起来。要输出 MP4 等视频文件,仍需使用视频生成工具。 (OpenAI Help Center)

这一个事实把整件事重新排了一遍。有用的问题不是「ChatGPT 能不能做视频」,而是「视频里哪一部分由 ChatGPT 做完,剩下的交给谁渲染」。人之所以卡住,通常是因为在一个文本框里要一条成片,或者把一句想法扔进生成器,指望那些还没做的决定自己补上。这两种失败都出在交接上,不在模型身上。

本文的资料说明: OpenAI 帮助中心的《关于 Sora 停运需要知道的事》(2026 年 11 月 6 日更新)和《ChatGPT 中的插件》(2026 年 10 月下旬更新),于 2026 年 11 月 14 日读取,用于核对日期,以及插件的安装和付费方式。Pika 发布于 2026 年 10 月 16 日的插件公告,以及 Runway 在 OpenAI 站点上的插件条目,于同日读取。本文由 Ottermind 发布,下文流程里用到的渲染器也由 Ottermind 提供。封面、桌面那张场景图和三帧横图都是用 GPT Image 2.5 Flare 为本文生成的;它们是插图和一个示例素材,不是任何渲染器的输出,也不是 ChatGPT 的截图。本页顶部的输入框是真的,可以直接用。

你搜到的答案,大多已经过期

搜这个问题,仍然会撞见一些页面,把 ChatGPT 描述成一个能直接做视频的对话,或者把「ChatGPT 视频生成器」当成一个产品来列。它们大多写于 Sora 还在的时候,或者写于某个自定义 GPT 顶替它的时候。日期值得记一下,因为它决定了哪些说法今天还能照做:

日期结束的是什么对你意味着什么
2026 年 4 月 26 日Sora 网页版和 App独立入口没了;已有内容可以从 sora.chatgpt.com/sunset 导出
2026 年 9 月 24 日Sora API通过 API 也不会再有新的 Sora 渲染
2026 年 10 月插件目录还在扩张现在 ChatGPT 里的「视频」,指的是从对话里调用某家厂商的渲染器

OpenAI 的停运说明里还提到,已购买的 ChatGPT 或 Sora 积分仍然可以用于 Codex。截至 2026 年 11 月 14 日,OpenAI 的帮助页面里没有任何一处把视频模型写成 ChatGPT 自带的能力,所以看到承诺这一点的页面,先当成需要你在自己账号里核实的东西。

「做个视频」背后是四件不同的事

这句话至少盖住四件事,输入、成本和失败方式各不相同。动笔之前先选中一件,因为只有其中一件是从一张照片开始的。

你想要的视频ChatGPT 单独能做的谁来渲染文件坑在哪
从一个想法或一张静帧做成短片——一个镜头写描述、写连续性要点、写时间安排文生视频或图生视频渲染器,在插件里或在对话外难的是运动,而描述运动的词不是人平时用的词
一个说话的主播或数字人写脚本和口播提示数字人工具,通常要开厂商的付费账号脸是厂商授权的,套餐决定你能用多少分钟
从笔记、PDF 或文档做讲解片把素材拆成幻灯片、旁白和解说图规划一个插件或一家讲解视频服务你拿到的是排好的幻灯片,不是实拍素材;画面里不会有人出镜
剪辑你手上已经拍好的素材写剪辑清单和字幕一个剪辑器,通常是能接受对话指令的那种材料得先存在,对话才帮得上忙
一本口袋笔记本上画着三格手绘分镜,旁边是三张拍立得,拍的是窗台上同一只炻器马克杯

一张照片里的三件事:左边是写下来的,右边是拍出来的。笔记本是对话能填的那部分——景别、运动、什么不许变。照片是得由别的东西产出的那部分。本文的 AI 生成插图,不是截图,也不是渲染结果。

大多数人问这个问题,指的是第一行:一个短镜头,常常从一张产品图或一张人像开始。这一行也正好是交接最容易做对的一行,因为图生视频渲染器要的,恰好就是对话最擅长产出的两样东西——一张静帧和一段写好的描述。

在这件事上,对话真正擅长什么

写描述不是什么安慰奖。大多数烂片就是在这一步定下来的;模型面前摆着你的素材时,有四件事它做得不错:

  • 点名什么不许变。「把手留在右边、釉面不变、咖啡液面不变」这句话,你自己多半会忘记写,而正是这句话拦住了产品慢慢变形。
  • 把一个想法拆成节拍。 一个六秒镜头,一个动作加一次运镜,能活;一个六秒镜头塞三个动作,活不了——而对话在你要求短版本之前,两种都乐意写。
  • 算时间。 二十秒旁白,按自然语速大约是 45 到 55 个口语词。对话可以一边改写一边把这个数守住。
  • 让描述可以搬走。 同一段话,下周换一个渲染器也得能用。对话能把它压短,同时不丢掉身份锁定。

它也能做那张静帧。ChatGPT 的图像生成是官方自带的能力——见 Images 2.5 改了什么——所以手里没有照片的读者,可以在同一个对话里生成一张参考帧,再把那张帧交给渲染器。这条链确实有用,本指南搭的就是它。

对话做不到的一件事,是看你的渲染结果。它不会盯着这条片子告诉你哪一帧坏了;你得把错在哪说清楚。下面每一段提示词都是按这个前提写的:你汇报,它改写。

提示词不是镜头描述

「给我的产品做个视频」失败的原因很无聊:它把八个决定留给渲染器,渲染器就把这八个决定全在看不见的地方做完了。镜头描述会按一个固定的顺序把它们定下来,而顺序比措辞更重要。

栏位它定下什么跳过它会怎样
素材这一帧是你给的静帧,还是从文字里编出来的场景渲染器编出一个不是你的产品
身份锁定必须活下来的那两三个细节——标签、把手在哪一侧、咖啡液面图生视频最常见的失败:主体悄悄换了
动作画面里唯一的那一个动作几个小动作互相抢戏,片子看起来发飘
相机推、拉、摇、环绕、固定,以及幅度多大镜头动得太快看不清,或者根本不动
光线方向、质感,以及它变不变情绪在两条片子之间漂移,越拍越对不上
时间时长,以及开头和结尾各发生什么最后一帧不能用,这条片子就没法剪
画幅比例,以及什么必须留在安全区内把手或字幕在投放平台上被裁掉

下面八段描述,每段只控制一件事,所以两条片子之间的差异可以追到某一句话上。八段用的是同一个主体——木窗台上的一只斑点炻器马克杯——因为主体固定,两次尝试才比得了。

1. 运动描述:一个素材,一次运动

提示词
把这张照片——木窗台上的斑点炻器马克杯——做成四秒的动态镜头。杯子保持照片里的样子:同样的轮廓、同样的釉面斑点、把手在右侧、杯里的咖啡液面高度不变。加一层热气,从杯口慢慢升起,略微向左飘。四秒内镜头向前推大约百分之十——不横移、不环绕、不拉远。窗光保持柔和偏冷;不偏色、不换背景、不添加物体、不出现手、不出现文字、不出现标识。

这一段同时管住了动作和身份锁定。判断方法是冻住第一帧和最后一帧:两只杯子应该是同一只,变的只有距离。

2. 只动相机:画面里什么都不动

提示词
同一张图,同一个时刻:只有相机在动。从整个窗台开始,杯子略偏画面中心右侧;然后用四秒向左、略向下移动,像一位摄影师探身去看那只杯子,结束时杯子落在画面左三分之一。杯子不动,热气的节奏不变,窗台上树枝影子的形状也不变。不缩放,不拉焦,不出现文字。

这一段只管相机行为。如果按第一段拍出来的片子跑偏了,再跑第二段,就能判断问题出在相机还是主体。

3. 三个节拍,一个主体

提示词
为一段六秒的短片写一个三节拍分镜:早上九点,木窗台上的一只斑点炻器马克杯。节拍 1,0 到 2 秒:全景,杯子静止,热气刚刚起来,窗光冷淡而平。节拍 2,2 到 4 秒:同样的构图,热气升起,晨光从左侧进来,把釉面照暖。节拍 3,4 到 6 秒:同一只杯子更近的视角,热气卷曲,一道柔和的树影扫过窗台。每个节拍都给出景别、什么在动、什么必须保持一致,以及一句我能直接粘进图生视频工具的运动指令。杯子的形状、釉面、把手在哪一侧和咖啡液面,在三个节拍里必须完全一致。

这一段管的是跨镜头的连续性。检查点在于第三个节拍里把手是不是还在同一侧——如果渲染器换了边,要在描述里修,不是在渲染结果里修。

4. 装得进时长的镜头表

提示词
把这个想法做成一条十五秒竖版产品片的镜头表,输出一张五列的 markdown 表格:镜号、时长(秒)、景别、发生了什么、锁定了什么。主体还是木窗台上那只斑点炻器马克杯,光线从清冷的早晨过渡到温暖的日光,竖版画面必须始终让把手和咖啡液面留在画内。五个镜头,时长加起来正好十五秒,每个镜头不短于两秒。表格之后,列出渲染器最可能弄坏的三处细节,以及我该往每个镜头里加的那句话,用来保住它们。

这一段管时间预算,顺手把护栏也产出来。镜头表加起来正好 15 秒,区别在于你拿到的是能配乐剪出来的片子,还是一堆用不上的散帧。

5. 配得上剪辑的旁白

提示词
为杯子这条片子写一段十五秒的旁白,不超过三十八个口语词,这样按自然语速放得下。把它分到上面表格里的五个镜头上,每一句给出起始秒数和词数。声音:平静、具体,不用形容品质的形容词,不用感叹号。然后把同一份稿子做成屏幕字幕卡,每张不超过六个词;再告诉我,如果渲染回来短了一秒,先删哪一句。

这一段管节奏,同时给你一个退路。删句顺序要明确说,不然你会在赶时间的剪辑里删错那一句。

6. 给失败片子的返修描述

提示词
上一版片子的错误是:杯子的把手跑到了左侧,热气变成一道实心的白条,推镜过头,到第四秒杯口被裁出了画面。我原来的描述里写的是「杯子保持照片里的样子」「热气慢慢上升」「向前推大约百分之十」。重写这段描述,让每处错误都有自己的一句话来回应,不要加任何新指令。修正按这个顺序放:身份锁定、热气行为、相机距离。然后告诉我,如果下一条只能修三处中的一处,先改哪一句。

这一段管的是返修卫生:一个错误,一句话,不许夹带新想法。修前三处的时候又塞进第四条指令,正是片子一边变糟、一边看起来更详细的原因。

7. 可以搬走的段落

提示词
把已经通过的杯子描述改写成一段话,让另一个视频生成器在没有原始对话的情况下也能读懂。它必须按这个顺序说明:素材图是什么、什么不许变、那一个动作、相机怎么动、光线、时长、画幅比例,以及什么不许出现。不写工具名,不超过一百一十个词。然后输出一个六十词的版本,仍然保住身份锁定和那个动作。

这一段管的就是交接本身,也是本页最有用的一段提示词。只活在一个对话里的描述,没法复用、没法比较,也没法搬到一个更适合这个镜头的渲染器上。

8. 从一个通过的镜头做画幅变体

提示词
从已通过的宽屏杯子描述出发,做两个变体:一个 9:16 竖版,用于社交平台发布;一个 1:1 方版,用于信息流。每个变体只重述变化的部分——构图、杯子在画面里的位置、留多少顶部空间、相机向前推多少。光线、热气和身份锁定与宽屏版保持一致。不要改时长。

这一段管输出形状。只重述差异,才不会让一个镜头的三个版本变成三个互不相干的镜头。

按钮会把第一段描述填进本页顶部的输入框。它只负责填,发送是另一个动作;在你到 Studio 里继续之前,什么都不会生成。

三张并排的照片,同一只炻器马克杯放在窗台上,从一张冷调的宽画面到一张暖调的近画面,画面下方有薄荷绿箭头

一个站得住的镜头:宽而冷,然后阳光进来变暖,然后更近,杯子还是那只。三帧,一个主体,一个运镜方向。本文的 AI 生成插图;这几帧展示的是一段描述应该保住什么,不是某个渲染器的实际输出。

哪里会出错

九种失败,基本盖住了大多数人会怪到模型头上的烂片。其中七种是描述本身的错误,这算好消息:描述一分钟就能改。

你看到的为什么会这样怎么修
产品悄悄变了——把手在哪侧、标签、比例身份锁定只在心里想过,没写成字点名两三个细节,并在每条片子的描述里重复它们
热气、烟或头发变成一道实心的条描述写的是结果,不是行为描述运动的曲线:慢慢升起、向左卷、靠近顶部时变薄
相机冲过头,把主体裁掉了「向前推」没有距离,也没有结束位置给一个百分比和一个终点:大约百分之十,杯子落在左三分之一
几样东西同时动,一样都看不清一句话里要了两个动作一个镜头一个动作;其余的挪到下一个镜头
片子看着还行,但最后一帧没法用没人写结尾发生什么明确写出结束帧,并在那里停半秒
画面里冒出文字——价格、单词、水印描述留了空白,而文字在对话别处出现过加上「不出现文字、不出现标识、不出现水印」,屏幕上的字样留到剪辑时再加
竖版导出把脸或把手切掉了比例是渲染之后才定的写描述之前先定画幅,并让主体待在中段
拿一个普通的视频生成器,指望出个说话的人这件事属于表格里另外三行之一走数字人或讲解视频那条路,并把账号成本算进去
对话在描述步骤,而不是给出文件对话上没有挂任何渲染器装一个插件,或者把描述拿到图生视频工具里去——见下文

第九行才是让人以为自己操作错了的那一行。他们没做错:一段纯文字对话,在装上或打开某个东西之前,是没有渲染器的。OpenAI 的插件帮助页也写明,安装或使用单个插件取决于你的套餐、工作区、角色和地区,所以你读到的那个插件,在你的账号里可能根本不可用。

这几条路都别指望的东西

  • 没有固定的生成时间。 插件也好,渲染器也好,都不承诺一条片子在多少秒内完成。
  • 没有固定的输出规格。 时长、分辨率和音频支持,取决于你用的工具;如果是插件,还取决于厂商自己的服务。
  • 没有能靠二手信息算出来的积分。 插件通过厂商的账号和积分渲染——比如 Pika 自己的公告就把插件生成绑定在 Pika 积分上——所以成本属于那家厂商当前的定价,不属于 ChatGPT。
  • 没有权利上的捷径。 生成出来的片子不等于产品、脸、标识或音乐的授权。发布之前分开去核对。
  • 没有代替你看一遍的办法。 总得有人把片子播一遍,检查产品、边缘、最后一帧和声音。

从描述到渲染出来的片子

描述有了之后,选渲染器就是一个选工具的决定,Ottermind 的两条路覆盖了常见的情况:

  • Image to Video ——你上传一张参考图,描述运动、镜头感觉、氛围和画幅。页面自己的说法是,每条片子由你回看并逐步调整,这正好就是上面那段返修描述的用处。手上已经有静帧的时候用它:产品照、人像、已确认的视觉稿。
  • Photo to Video AI Free ——同一件事的照片专用版本,附一次免费试用;该页目前写的是注册送 60 积分、每天 20 积分,下载不带水印。按这些条款规划之前,先去那页读一遍当前条款;额度会变。

发送之前有两件事值得知道。第一,本站不承诺固定的生成时间、固定的分辨率或固定的积分消耗,看到哪篇文章承诺了,就当它说的是另一个产品。第二,你带过去的那份描述,应该是第 7 段提示词里的那个可搬走的段落,不是整段对话记录。渲染器读的是那段话,它不读你的思考过程。

如果静帧还不存在,先做出来:ChatGPT 的图像生成可以给你那一帧,ChatGPT 图像提示词写法讲了光照和参考的选择,那些决定了这一帧能不能当素材用。如果你更想从一张已经信得过的静帧开始,图生视频提示词教程把运镜语言讲得更细,不出镜短视频讲的是等你攒够五条风格一致的片段之后,拿它们做什么。

几个值得回答的问题

ChatGPT 现在还有 Sora 吗?

没有了。OpenAI 的帮助中心写明,Sora 的网页版和 App 于 2026 年 4 月 26 日停运,Sora API 于 2026 年 9 月 24 日停用。已有内容可以从 sora.chatgpt.com/sunset 导出,已购买的 ChatGPT 或 Sora 积分仍然可以用于 Codex。

ChatGPT 能从照片做视频吗?

不能自己渲染。它能读这张照片、写出运动描述、把身份细节理清楚,然后由渲染器把照片和这段描述变成片段。在本站,这一步是 Image to Video。

能免费用吗?

一部分可以,但不在一个地方。对话这一半——脚本、镜头表、描述——包含在你本来就在用的 ChatGPT 套餐里。免费额度在渲染那一半,而每一份都有自己的条款:插件的免费层归厂商,渲染器的试用归那个渲染器。在依赖某个数字之前,先读一遍当前的页面。

一定要装插件吗?

不用。插件这条路把一切都留在一个对话里,素材本来就在的时候很方便。手上有一张参考图、又想把同一个镜头的几条片子放在一起比的时候,把描述拿到专门的图生视频工具里往往更合适——而且当你的套餐或地区用不了插件时,它照样能用。

老实一点的总结:对话负责写,别的东西负责渲染。写描述的时候把身份锁定和结束帧写进去,让它能搬走,然后用同样那两三个细节去判断每一条片子。就是这个顺序,把「看起来像你的产品」和「只是有点像」分开。

下载桌面端与移动端 App

随时随地访问 Ottermind。

电脑