AI 生圖提示詞怎麼寫？中文描述、四層結構與範例教學

想用 AI 生圖，但不知道該怎麼描述，是不是一定要寫英文、堆一堆專業術語？答案是不用。現在不少中文介面的生圖服務會先把你的中文描述翻譯，再自動補上光線、構圖、品質等專業關鍵字才送進模型，所以新手真正該練的不是背英文咒語，而是把「畫面長什麼樣子」講清楚。這篇把提示詞拆成四層結構，附中英文對照寫法、實際示範、修改技巧跟檢查清單，照著套用就能用。

一定要用英文、堆關鍵字才能生出好圖嗎？

不是。像中文版的生圖服務，使用者直接輸入中文描述，系統會自動翻譯並補上光線、構圖、品質等專業關鍵字，完全不會寫 prompt（提示詞，也就是你輸入給 AI、描述要生成什麼畫面的那段文字）也能生出堪用的圖。這類服務通常每張收費不高，會優先用掉每日的免費額度，生成一張圖大多只要數十秒，畫面複雜或服務忙碌時會久一些。

真正會讓圖「歪掉」或跟想像差很遠的原因，多半不是沒寫英文，而是提示詞只交代了「要畫什麼」，卻沒講「長什麼樣子」。細節寫得越少，AI 自己決定的部分就越多，結果的變化也越大、你能控制的就越少——這點 Midjourney 官方也是這麼說的。同一句話每次生出來都不一樣，差別就在這裡：沒寫到的地方，AI 會自己補。

如果你擔心中文描述生出來的中文字會跑掉或出現錯字，可以看看站上另一篇 AI 生圖中文字怎麼選 的比較，裡面講了幾款工具在處理中文字上的差異。

寫提示詞的四層結構

把一句提示詞拆成四層來寫，每層各交代一件事，AI 要猜的空間就會變小，結果也會比較接近你腦中的畫面。

第一層：主體——不只是「要畫什麼」，還要「長什麼樣子」

提示詞最常見的問題,是只寫了主體是誰（一杯咖啡、一個女生、一隻狗），卻沒寫這個主體長什麼樣子。如果主體是人物，動作也要寫具體，例如「雙手捧著馬克杯、低頭看著杯子」會比單寫「一個人拿著杯子」更可控。如果畫面裡需要出現正確的文字（像海報上的標語、產品名稱），就直接把文字內容寫進提示詞裡指定要印什麼字，不要只靠 AI 自己猜。

中文寫法範例：「一杯手沖咖啡，杯身是白色陶瓷馬克杯，咖啡表面有淡淡奶泡」 英文對照："a cup of hand-poured coffee in a white ceramic mug, with light latte foam on the surface"

第二層：場景與構圖

場景要交代地點類型、主體在畫面中的位置、周邊有什麼物件、時間與天氣、環境的整體狀態。例如「木質桌面上，旁邊放著一本打開的筆記本，窗外是陰天」就比單寫「桌子上」完整得多。

構圖則要交代三件事：畫面範圍（景別）、拍攝角度、主體在畫面裡的位置。常用的景別詞有：大遠景（人很小、用來交代環境）、全景（拍全身）、中景（腰部以上）、近景（胸部以上）、特寫（臉或單一物件）、大特寫（眼睛、手指、產品細節）。角度詞則有：平視（和主體同高）、俯拍（從上往下）、仰拍（從下往上，主體會顯得高大）、正上方俯視（常用在擺盤和桌面商品拍攝）、側面、過肩。

例如「正上方俯視、近景」常用在拍桌面上的餐點或產品；「仰拍、全景」適合讓人物看起來更有氣勢。

第三層：風格、光線與情緒

光線至少要寫兩件事：光從哪個方向來、光的硬度。方向詞有順光、側光、逆光、頂光、底光；硬度詞有硬光（影子邊緣銳利）、柔光（邊緣柔和）、漫射光（幾乎看不到影子）。光源跟時間也可以直接寫進去，例如窗光、檯燈、霓虹燈、燭光，或清晨、正午、日落前後、日落後的藍調時刻。寫法像是「側光、柔光，窗光，日落前後」就比單寫「光線好看」具體很多。

情緒是最容易被忽略、卻直接決定一張圖能不能用的部分。畫面想傳達什麼感覺，其實可以直接換算成視覺語言：

想傳達的情緒	對應寫法
放鬆、療癒	柔光、暖色、低飽和、留白多、動作緩慢
緊張、懸疑	高對比、暗部多、近距離、仰拍或傾斜角度
孤單、失落	主體在畫面中很小、四周空曠、冷色調、陰天或夜晚
活力、熱鬧	高飽和、明亮順光、人物大笑或跳躍、畫面物件多
專業、信任	乾淨背景、平視角度、均勻柔光、眼神看向鏡頭

第四層：輸出規格——這張圖最後要拿去哪裡用

生成前先想清楚:這張圖的成品類型是什麼（海報、產品圖、社群貼圖），畫面上要不要印文字、印什麼字,以及有沒有不能碰的限制。如果要生出正確的文字,就把文字內容直接寫進提示詞裡指定,不要交給 AI 自己發揮。另外要留意,輸入內容不可以侵害他人著作權或肖像權，像指名要生成特定卡通角色或真實人物就不行。至於這張圖最後的版面該留多少空白、比例該方該長,通常是看實際要放的位置來倒推,沒有一體適用的答案,先想清楚用途再動筆寫會比較準。

實際走一次:從一句話到一組可用的提示詞

假設你要生一張社群貼圖用的產品配圖,起手通常會先寫一句很短的話,例如「一杯咖啡放在桌上」。這句話幾乎沒有交代場景、光線、構圖跟情緒,結果自然會很不穩定——AI 會自己決定桌子長什麼樣、光從哪來、要拍全景還是特寫,每次生出來都不一樣。

把四層結構補齊之後,寫法會變成類似:「一杯手沖咖啡放在木質桌面上,近景、正上方俯視,窗光、柔光從左側照入,旁邊散落著咖啡豆,整體氛圍溫暖放鬆」。這句話交代了主體（咖啡）、場景（木質桌面、散落咖啡豆）、構圖（近景、正上方俯視）、光線（窗光、柔光、左側）跟情緒（溫暖放鬆）,AI 要猜的空間變小,出來的結果也會比較接近你心裡想的畫面。

差別不在提示詞寫得多長,而在你有沒有先把四件事想清楚:地點有沒有交代、光線有沒有方向、畫面範圍清不清楚、想傳達的感覺有沒有寫出來。提示詞寫得好不好,關鍵往往不是背了多少專業詞彙,而是你自己有沒有先看清楚腦中那張圖。

想換背景、只改局部,提示詞要怎麼下

做局部修改時,最常遇到的狀況是:你只想換背景,結果連桌面的色調、物件的擺放都跟著變了。這其實跟修改提示詞的寫法有關——如果只寫「把背景換成海邊」,AI 不知道「只有背景要改」,很容易把整張圖的色調、光線都重新算一次。

比較穩的寫法是把「只修改」「保留」「不要」三件事分開寫,例如:「只修改背景,換成海邊場景;保留桌面的木質色調跟杯子的擺放位置;不要改變咖啡的顏色跟份量」。這樣明確區分要改的跟要保留的,AI 才比較不會連不該動的地方一起改掉。如果是分好幾輪慢慢調整,重要的特徵（像人物的臉、產品的顏色）建議每輪都重新寫一次,不要只假設「跟上一張一樣」就會自動保留下來。

這方面近期的 ChatGPT Images 2.5 版有做強化,生成跟編輯能力都提升、速度也變快,對理解複雜指令、保留人物特徵、處理光線材質跟透明背景都更穩定,修圖時也更能控制修改範圍,盡量只動指定的部分,其他細節維持不變。實際測過兩款生圖工具（ChatGPT Images 和 Nano Banana Pro)做繁體中文海報、產品構圖跟局部修改,日期是 2026 年 9 月 23 日的測試:兩款都能達成文字跟物件數量的要求,但視覺取向不太一樣,ChatGPT 對原有桌面色調的保留表現較好——這也印證了局部修改時,「保留什麼」如果沒講清楚,確實容易被改動。

交稿前的檢查清單

圖生出來之後,先別急著用,照著幾個項目檢查一遍:

• 文字對不對:畫面上如果有印文字,逐字核對有沒有錯字、缺字或排版跑掉。
• 物件數量對不對:提示詞裡寫了幾個東西,畫面裡就該有幾個,數量不對通常代表提示詞交代得不夠具體。
• 比例跟留白符不符合要放的版位:這張圖最後要貼在哪裡,版面上有沒有留夠空間給文字或 LOGO。
• 四件事有沒有交代到:地點有沒有講、光線有沒有方向、畫面範圍清不清楚、想傳達的感覺有沒有寫出來。只要有一件沒交代,結果通常就會跟預期差一點。

常見失敗案例對照表

常見失敗	多半缺了什麼	該補的敘述
畫面空泛、看起來很普通	場景跟光線細節太少,AI 自己亂補	補上地點、周邊物件、時間天氣,再補光線方向跟硬度
多輪修改後風格跑掉	沒有重新講風格跟關鍵特徵,只假設 AI 會記得上一張	每輪修改都把要保留的風格、顏色、特徵重新寫一次
人物變形、動作怪異	動作描述太模糊,只寫了主體沒寫動作	把人物的具體動作寫清楚,修改時用「只修改／保留／不要」分開寫

給開發者:如果要用 API 生圖

如果你是要把生圖功能整合進自己的產品,OpenAI 提供兩種介接方式:Image API 用於單張生成或編輯,Responses API 可以在對話中生成圖片、支援多輪編輯跟串流生成。模型則分成 gpt-image-2.5-sunburst（精確編輯用）跟 gpt-image-2.5-flare（快速、適合日常生成）。這部分比較技術向,官方文件會寫得更完整,這裡不展開。

最後:挑一個真正要用的畫面開始練

入門最有幫助的練習方式,不是背一堆萃取好的「神奇提示詞」,而是挑一個你真的要用的具體用途——社群貼圖、產品配圖、簡報插圖都好——照著四層結構把它寫出來,跑過一輪調整,完成一張真正用得上的圖片。工具本身的差異,可以參考站上的 AI 繪圖工具怎麼選 跟 AI 生圖中文字怎麼選 這兩篇比較,挑一個順手的開始練就好。