为什么你的 Seedance 2.0 提示词总被标记（以及该怎么处理）

理解 Seedance 2.0 的输入系统

在做任何事之前，先弄清楚 Seedance 2.0 到底能接收什么，以及大多数人还没开始写提示词就已经走偏的地方。

• 图片： 最多 9 张。可用作首帧、角色参考、场景环境或风格锚点。
• 视频片段： 最多 3 段，合计时长不超过 15 秒。可用来参考镜头运动、复现动作，或作为待延长、待编辑的源素材。
• 音频文件： 最多 3 个，合计时长不超过 15 秒。可用于背景音乐、声音设计或旁白音色参考。
• 文本： 你的提示词，用自然语言写。

跨输入类型没有总数上限，所以没有什么能阻止你一次挂上九张图片。真正的功夫是克制：字节跳动建议总共 4 到 5 个素材，并且明确警告，用满配额只会让模型更难判断哪些特征重要，从而产生风格冲突和主体识别模糊。要砍先砍音频和次要视觉参考，因为这些恰恰是最容易用文字说清楚的东西。上传名额留给真正写不出来的内容：一张特定的脸、一个精确的镜头运动、一套具体的编舞。

有两个限制经常让人栽跟头：每个参考片段（视频或音频）都必须至少 2 秒长；而且只有文本加音频无法生成。音频永远需要一个视觉参考与它同行。

你的提示词被标记的真正原因

大多数人以为，被标记的提示词里一定藏着某个触发过滤器的词或短语。这个假设会把人拖进无止境的循环：换词、加免责声明、把提示词删到只剩骨架。而这些都解决不了问题。

Seedance 2.0 的内容过滤器不是这么工作的。它用一个语言模型把你的整段提示词当作一个完整场景来读，然后判断这个场景到底在表现什么。它评估的是意图和语境，而不是逐个扫描词汇。

可以把它想成电影制片厂门口的保安，和银行门口的保安。同一把道具枪，在制片厂门口会被直接放行，因为语境让它的用途一目了然。换到银行门口，情况就完全不同了。物件没变，变的是语境。

这在实践中意味着：一个孤立看起来敏感的词，放进一个结构完整的电影化提示词里，可能毫无问题。过滤器读的是整幅画面。而一个没有画面可读的提示词，没有场景、没有视觉目的、没有叙事逻辑，就等于什么都没给它。当过滤器无法确信你在做什么，它就会选择保守处理。

这几乎就是所有"本不该被标记却被标记"的提示词的核心原因。不是内容有问题，也不是创意有问题，只是这段提示词没有给过滤器足够的信息去理解。

真正的转变在于：读起来像导演在描述一个镜头的提示词，往往能通过；读起来像随手给朋友发的一条便条的提示词，往往会被标记。

有一类内容是硬性拦截，不是可以修好的标记。 有两类内容会在图片扫描阶段就被拒绝，甚至轮不到提示词被读，再多的电影化包装也过不去：

• 可辨识的真实人物的脸：名人、政治人物、公众人物
• 有名字的受版权保护的角色：品牌超级英雄、迪士尼角色、可辨认的虚构 IP

如果你的生成是因为上传了一张真人照片而失败，那是平台层面的限制，不是提示词的问题。

怎样写出让过滤器一眼看出是创作的提示词

[过滤器] 写整个场景，而不只是那个动作

被标记的提示词里最常见的结构，就是一个孤零零的动作，周围没有任何语境。事情发生了，但没有地点、没有视觉氛围、没有摄影机在场的理由。过滤器分不清这是片场，还是别的什么。

解法不是删掉那个动作，而是围绕它把场景搭起来，直到意图不言自明。

动作完全一样。第一句只给了过滤器一样东西去评估。第二句给了它一个战争语境、一个历史时期、一个机位，以及完整的视觉氛围。前者读起来像一份报案记录，后者读起来像一份影片拍摄说明。

从动作向外扩展，在提示词里回答这四个问题：

• 这发生在哪里？
• 它看起来是什么样的？
• 摄影机在做什么？
• 整体氛围是什么？

四个问题都回答了，大多数被标记的麻烦会自行消失。

[提示词] 把提示词当作一串视觉事实，而不是一个故事

导致被标记的一个不那么显眼的原因，是提示词写得偏情绪、偏叙事，而不是偏画面。下面这些元素只会带来模型必须绕开的解读噪音：

• 人物动机
• 戏剧性的前史
• 人物关系背景
• 情绪解释

过滤器关心的是：如果这个场景真的存在，摄影机会看到什么。它不需要知道为什么。

一个剧本有两层：场景描述和潜台词。Seedance 2.0 只需要场景描述。情绪暗流、前情往事、这个人为什么要跑，这些都是潜台词。它们该留在编剧脑子里，而不是写进提示词。

每写下一句话之前，先问自己一个问题：如果这是一场真实的拍摄，这句话会出现在分镜表上吗？如果不会，它几乎肯定不该出现在提示词里。

这条纪律还能显著提升生成质量。模型执行的是它能看见的东西，不是它需要推断的东西。密集、具体、有画面感的提示词，几乎每一次都胜过冗长的叙事型提示词。

多镜头序列要给提示词一个结构。字节跳动推荐的形式是用平实散文写成的逐镜头分镜：先把视觉基调一次性定下来，然后逐个镜头交代镜头运动、主体动作、位置、声音。

视觉基调（贯穿全片）：柔和的阴天光线，扩散的阴影，没有硬边。低饱和的自然色，冷调白，
去饱和的色调。35mm 颗粒，变形宽银幕镜头，高光处柔和的光晕。安静、孤绝、辽阔。

镜头1：固定大远景，低角度。一名骑手独自登上雪原的山脊线。
镜头2：从背后跟拍，手持质感。人与马在深雪中疾驰，骑手的斗篷在风中翻飞。
镜头3：完全固定的静态大远景。空无一人的雪原。一头狼一动不动地站在远处的山脊上。

请勿生成字幕。请勿生成水印。

在开头一次性确立视觉基调，就为整个序列定下了电影化的调子。之后每个镜头只需要描述摄影机此刻看到了什么。

不要给每个镜头分配时长。 给每个节拍写上 "duration": "3 seconds" 很诱人，而这正是人们把自己的输出弄糟的最常见方式。Seedance 对精确时间的处理并不稳定，把片段钉死在固定秒数上，往往会破坏生成，而不是让它更紧凑。排好镜头顺序，让模型自己找到节奏。

[提示词] 用制作术语确立这是什么类型的内容

有一个可靠的规律值得记住：含有电影制作词汇的提示词，评估时得到的余地，明显比用大白话写的提示词更宽。

原因很直白。当一段提示词里出现景别、镜头规格、布光方案和画幅比例，模型会把它理解成一份制作说明。电影制作是被允许呈现戏剧化、强烈、道德上复杂的素材的。这个语境会改变过滤器对内容的权衡方式。

它有点像在工地戴安全帽。帽子并没有改变你在做什么，但它立刻向周围所有人表明这是什么环境、规则是什么。提示词里的两三个制作术语起的是同样的作用：在过滤器评估任何别的东西之前，先把调性定下来。

这不是说要把每段提示词都塞满技术黑话，而是说要写进足够的制作语言，让定位毫不含糊。下面按类别给出一份参考清单：

景别

• 大远景、中景、特写、大特写
• 过肩镜头、主观视角、鸟瞰、双人镜头
• 低角度、高角度、倾斜构图

镜头运动

• 推进 / 拉出
• 跟拍、摇摄、俯仰、升降镜头
• 固定机位、低角度推进、环绕镜头、手持

镜头与画幅

• 35mm 颗粒、变形宽银幕镜头、2.39:1 画幅、1.85:1
• 老式镜头、柔和光晕、浅景深
• 镜头光晕、变焦换焦

这些是描述观感的词，不是输出设置。在提示词里写 "2.39:1" 是在告诉模型你想要什么样的画面；而你在设置里真正选的比例是 21:9，那是 Seedance 能输出的最接近的宽银幕格式。

布光

• 阴天扩散光、穿透雾霭的体积光
• 实用光源、侧逆光、有动机的阴影
• 黄金时刻、硬质定向光、轮廓光

色彩与调性

• 低饱和的哑光色板、高对比、漂白旁路
• 冷蓝色调、暖琥珀色、压暗的黑位
• 过曝的高光、平淡的低对比调色

从上面任意几个类别里挑两三个术语加进提示词，就能把制作语境交代清楚。很多时候，这就够了。

提示词里毫无敏感内容，为什么还是被标记

有时候生成被标记了，可提示词里没有任何一丁点敏感的东西。没有动作，没有戏剧冲突，没有难处理的题材。就是一个本该完全没问题的场景。

这是因为提示词太单薄了。一段简短、平铺直叙、没有电影化框架、没有场景语境、没有视觉细节的描述，只会给过滤器一幅残缺的画面。这就像把剧本中间的一句话单独发给别人，没有封面页，没有场景标题，也没有舞台提示。他分不清这是惊悚片、喜剧片，还是别的什么。残缺的画面不会被批准，只会被搁置。

同一件物品，读出来的意思完全不同。第一句只给了过滤器一个物体和一个动作。第二句给了它一个环境、一个目的、一个制作语境，还有一段摄影机描述。

修法很简单。哪怕是最普通的场景，加上这几样也会更好：

• 一个具体的场地和时代
• 一个氛围或情绪的描述词
• 一个机位或景别
• 一两个制作术语，用来交代语境

@ 引用系统：为什么上传的文件会悄无声息地失效

Seedance 2.0 相当一部分问题根本不是过滤器的问题，而是引用的问题。用户上传了图片和视频片段，指望模型自己看懂每个文件是干什么的，而模型不会做任何假设。

上传一段视频，它不会自动成为镜头参考。上传一张图片，它不会自动成为首帧。这就像把一叠没贴标签的照片递给片场的导演。他能看清每张照片里有什么，却完全不知道你想把哪一张当首帧，哪一张是服装参考，哪一张只是背景灵感。没有标签，他只能猜。Seedance 2.0 也一样。每个上传的文件，都需要在提示词里用 @ 标签明确说明它的角色，否则它只会被含糊地处理。

在提示词输入框里输入 @ 即可激活 @ 标签（会弹出一个引用选择器），也可以点击工具栏里的 @ 图标。然后在描述动作之前，先说清楚每个文件是干什么用的。

同时使用多个参考时，把所有角色分配写在提示词的最前面，放在任何场景描述之前。没有明确角色的 @ 标签，是导致输出不稳定或出乎意料的最可靠原因之一。

Seedance 2.0 如何读取上传的图片（以及它在哪里失灵）

[图片] 上传角色图之后，就让它自己发挥作用

上传了角色参考图之后，人们很自然地还想在提示词里再把这个角色描述一遍。忍住。图片已经完成了这项工作。在文字里重复一遍并不会强化输出，反而引入了第二层与之竞争的信息，让模型不得不去调和。

提示词该做的是把场景说清楚：

• 这个镜头里正在发生什么
• 摄影机的位置在哪里
• 环境是什么样子
• 镜头怎么运动

图片负责外观。提示词负责摄影机看到的一切。

被标记的问题也在这里变成图片的问题。Seedance 2.0 对任何可能被理解为未成年人的角色，都会施加更严格的评估。带有"儿童""小孩""年轻""男孩""女孩"这类年龄信号的词，会让整段提示词的审查标准全面提高，而不只是它们出现的那一句，并且与你上传的图片显示了什么无关。

更干净的做法，是按角色在场景中的功能来描述人物。图片负责他们是谁，提示词负责发生了什么、摄影机看见了什么。

第一句里的"小"和"男孩"抬高了整段提示词的敏感度阈值。第二句让上传的图片去承载角色的身份，提示词只描述摄影机看见的东西。

[图片] 还没提交就被拦下？问题出在图片本身

Seedance 2.0 有一层独立于提示词过滤器的图片评估机制。如果上传的图片里有一张清晰可见的脸，它可能在模型读到任何文字之前就触发拒绝。这解释了那种"反复改提示词却毫无差别"的情况：提示词根本没被读到。

绕开它的办法：

• 让脸背向镜头。 从背后或从看不到面部特征的角度取景。服装、姿态、发型和环境，对大多数参考用途来说已经承载了足够的信息。
• 拉远。 把景别拉到人物只是剪影或画面里的一个小元素，而不是占主导的主体。
• 用插画代替照片。 把摄影参考换成插画或风格化的图像。评估标准不同，插画类图片通过率更高。
• 改变参考的用途。 让图片去负责服装、场地、色板或空间构图，而不是脸和身份。

如果生成反复失败，而提示词那边找不出明显原因，先调整图片，再去改文字。

值得掌握的进阶技巧

[进阶] 延长已有素材

先说明你要往哪个方向延长，再描述新片段的内容。延长是双向的：你可以生成片段之后发生的事，也可以生成它之前发生的事。

生成 @Video 1 之后的内容。[新片段的描述。]

将 @Video 1 向前延长。[引出它的内容描述。]

这里不要写"参考 @Video 1"。 这是一个编辑任务，不是参考任务，而"参考"这个词会把模型推向参考任务的分类，于是它不会延续你的片段，而是生成一条只是长得像的新视频。就用 @Video 1 直接称呼这个片段。

原始素材不会被重新生成，所以你已经满意的部分会原样保留。有两件事要提前规划：接缝处可能出现小幅跳变（在剪辑软件里修：从出画片段的末尾裁掉约六帧，从入画片段的开头裁掉一帧），以及反复串联延长会导致画质衰减，最先表现为人脸上斑驳的色块。把链条控制得短一些。

[进阶] 用生成的中段桥接两个片段

在 @Video 1 和 @Video 2 之间生成一段衔接场景。过渡部分展示[描述连接两个片段的动作、环境或运动]。

生成的片段会被插入到两个上传片段之间，所以要把它当作一场独立的短场景来描述。

[进阶] 从参考片段中复制镜头风格

上传任何带有你想要的运动风格的片段，然后直接点名：

参考 @Video 1 中的所有镜头运动，包括低角度环绕镜头和推进特写。

这里用"参考"是正确的，因为这确实是一个参考任务：你在做一条新视频，借用它的镜头风格。只有当你在编辑或延长上传的片段本身时，才需要去掉这个词。

模型会从参考片段里提取运动的节奏、构图逻辑和转场的快慢。精确的技术名词有帮助，但不是必需的。不过每个镜头仍然只做一个运动：把推进、环绕和摇摄堆进同一个镜头，是让画面失稳的可靠办法。

[进阶] 让剪辑与音乐同步

（节奏与速度来自 @Audio 1。）场景转换落在节拍上。每次剪切时应用视觉风格的变化。

Seedance 2.0 可以让剪切、光线变化和场景转换与上传音轨的节奏同步。用节拍，而不是秒数来描述同步。模型对精确时间码（"在第 6 秒剪切"）的处理并不稳定，把事件钉死在具体秒数上，往往会让输出变差而不是更紧凑。把每次剪切写成独立镜头，让节拍去承担时间。

[进阶] 直接使用已有视频片段里的音频

如果你已经在引用的片段里就带着你想要的声音，就不需要另外上传音频：

使用 @Video 1 中自带的音频作为背景配乐。

[进阶] 约束词：排除没人要的杂质

与内容过滤器无关，还有一类失败是：生成成功了，但输出里出现了你从没要求过的东西：烧进画面的字幕、莫名其妙的 logo、别的平台的水印。字节跳动自己的建议就是用明确的约束句给提示词收尾：

请勿生成字幕。避免生成任何文字或字幕。

请勿生成 logo。请勿生成水印。

角色的面部保持一致，不出现变形。运动流畅，不卡顿、不闪烁。

对这能带来什么要有现实的预期。约束句降低出现杂散字幕和水印的概率，但不能消除它。有两件事比这些文字更管用：

• 上传前把参考素材里的文字去掉。 如果参考图或参考片段里有你不需要的文字，先把它去掉。输入里有文字，是输出里出现文字的最可靠途径。
• 条件允许就用横版生成。 杂散字幕在横版里出现的频率明显低于竖版。如果成片是竖版的，往往值得先按 16:9 生成，之后再裁切。

约束要写得短，并且只针对你实际遇到的问题。一长串把所有可能出错的情况都列一遍的通用清单，往往会被稀释或忽略。

[社区] 有人在尝试的一个做法

一些用户反馈说，把场景描述用中文写、而把台词或画面文字保留为英文，通过率会更高。理由是 Seedance 2.0 最初就是在很强的中文语料上开发的，所以中文写的提示词，过滤阈值可能略有不同。

这不是万灵药，效果因人而异。但如果一段构建良好、电影化框架扎实的提示词依然反复被标记，这是个成本很低、值得一试的办法。把场景描述丢进任意翻译工具，台词保留英文，看看输出有没有变化。

有一个已知的代价要一并权衡。 字节跳动的指引明确说，除专有名词外，应避免在同一段提示词里混用中英文，尤其台词的语言必须保持一致。所以"中文场景描述加英文台词"恰恰是模型方警告的那种混用，代价通常表现为口白发音变差。如果你的视频没有台词，风险很低。如果有台词，先测试，再决定要不要依赖它。

生成之前：一份快速检查清单

• 我用的是 All-in-One Reference 模式吗？（只要混用输入类型就必须用）
• 每一个 @ 标签都在提示词里写明了角色吗？
• 提示词描述的是一个视觉场景，而不是叙事或前史吗？
• 我至少写进了一个制作语言元素吗：景别、镜头运动或布光描述？
• 每一句话都在描述摄影机看到的东西，或在建立电影语境吗？
• 提示词是按角色功能而不是按年龄来称呼人物的吗？
• 我的参考图里没有显眼的人脸，或者已经裁切过、改成插画了吗？
• 我的参考图里没有可辨识的真实人物或有名字的版权角色吗？
• 我用的参考素材，是这个镜头真正需要的最少数量吗？（推荐区间是 4 到 5 个；虽然没有总数上限，但用满配额会让结果变差）
• 我的镜头是按顺序排列的（镜头1、镜头2），而不是打了时间码吗？
• 我用约束句给提示词收尾了吗？（"请勿生成字幕。请勿生成水印。"）