Pika H3 Flex 提示词：五个可复制的音画分轨视频模式

Pika H3 Flex 有五种驱动方式——文生视频、首尾帧、多模态参考生视频、剪辑上传片段、音频分轨导出——每种方式对提示词的写法要求不同。下面五个模式可以直接复制：替换 [方括号] 里的内容，保留结构。无论用什么语言写提示词，方括号占位符都保持英文。上限依据 Pika 公布的规格，核查日期：2026-11-03。

写提示词之前：决定写法的上限

• 5 到 15 秒，只接受整数秒，24 fps。 镜头要按这个时长设计；需要 20 秒的提示词得不到 20 秒。
• 提示词最长 8000 字符。 长而具体的提示词是合法的，空间就用足。
• 最多 12 个参考素材——图片至多 9 个、视频至多 3 个、音频至多 3 个。视频与音频参考各长 2–15 秒。
• 原生分辨率只有 480p 和 768p；1080p、2K、4K 由 Pika 的任务内放大器精修同一条素材得到。
• 音频是原生的：立体声，对白、配乐、音效、拟音、环境声五条分轨可分别导出。

1. 带台词与声音设计的文生视频

写清景别、机位、按顺序的动作节拍，然后写声音——台词用引号，每一层声音都点名。模型只谱写你描述的内容；你没写的，由它自己选。

"黄昏的 12 秒 16:9 中远景：[a cyclist in a yellow rain jacket]沿湿漉漉的鹅卵石街下坡滑行，镜头在车把高度平行跟拍；她在面包店橱窗前刹车，单脚点地，说\"一个带籽的那种。]\"身后店门开时门铃一响；细雨敲在帽兜上；一段安静的钢琴配乐垫在底层。"

检查：台词与口型对上；雨声持续稳定不闪断；整条是一个连续镜头，没有暗藏的剪辑点。

2. 参考驱动的角色镜头

参考模式下，素材负责身份，提示词负责调度。先说明参考里有什么，再只调度要发生的事。不要用文字重新描述角色的长相——那是参考图的事。

"用附带的角色参考图呈现[the presenter]、产品参考图呈现[the bottle]：明亮厨房里的 10 秒 9:16 镜头。她拿起瓶子，看背标，向镜头点一次头，说\"说真的——和去年一个价。]\"机位固定；清晨窗光从左侧来；厨房环境声压低。"

检查：最后一秒的脸和服装与第一秒一样贴近参考；上镜被读到的标签文字没有变形。

3. 首尾帧

给 Pika 起始帧和结束帧，提示词写成两者之间的路径：什么在变、按什么顺序、什么节奏。帧输入是图片；提示词是动词。

"从首帧到尾帧：8 秒 21:9 镜头，潮水漫过[the beached wooden boat]周围，每一浪都比上一浪更往沙上推进；到尾帧时船身浮起。海鸥在镜头中段掠过一次；只有风声和浪声，无配乐。"

检查：渲染出的首尾两帧确实对上两张图；推进是单调的——潮水不应在中途回退。

4. 剪辑上传的片段

做剪辑时，上传源片段作为视频参考，把改动写成指令，再写明什么不能变。H3 Flex 会保留表演与节奏——提示词的职责是圈住改动范围。

"剪辑附带的片段：把[the gray hoodie]换成[a navy peacoat]，其余完全一致——同样的步态、同样的速度、同样的机位、同样的街道与天气。10 秒，音频不变。"

检查：步幅与节奏逐帧对上原片；场景里没有别的东西漂移——店面、路人、光线。

5. 分轨优先的音频写法

当音频比画面更重要——对白混音、多语言版本、后期换配乐——就按轨名逐轨调度。导出的分轨是五个 WAV：对白、配乐、音效、拟音、环境声。

"开店时段[a barista]在吧台后工作的 10 秒 16:9 镜头，镜头缓慢推近。对白：她说\"第一杯请客。]\"配乐：无。音效：磨豆机运转、手柄扣上手柄槽。拟音：围裙摩擦声、杯子放上碟子。环境声：安静的咖啡厅底噪，右声道有冰柜低鸣。"

检查：每条轨只包含它那一行点名的内容——磨豆机不该渗进拟音轨；对白轨单独拿出来也能用。

在哪里运行这些提示词

H3 Flex 通过 Pika 的 API 或产品（或自行部署权重）运行——它不在 Imgo 上。同样的简报今天就能在 Imgo 视频生成器中的 Seedance 2.0 上运行：支持图片、视频、音频参考，原生音频直接写进提示词，每次提交前实时报出积分。两个模型的费率与上限对比见 Pika H3 Flex 定价拆解。

资料来源：Pika 的 H3 Flex 模型页与发布文，核查于 2026-11-03。