视频反推提示词 API 是异步任务接口,它不会直接一次性返回最终提示词,提交视频链接后先拿到 task_id,再通过轮询或者回调查询任务结果,成功返回里最核心的就是 content 文本字段,我们要做的就是用 Python 读取、拆分、结构化这段 content,存入本地或者数据库做成可以反复调取的提示词库,用来复刻镜头、运镜、光影风格,不用每次手动写镜头描述。很多新手踩坑点就是直接拿原始 content 丢给视频生成模型,效果不稳定,因为原始 content 是长文本混着分镜、光线、风格描述,没有结构化,拆解后按镜头、光影、构图、主体分类,才能在提示词库里单独调用某一类参数。
一、视频反推提示词 API 完整返回结构
接口整体返回标准 JSON,分提交任务返回和查询任务返回两套结构。
- 提交任务(POST 请求)返回
{
"code":200,
"msg":"任务创建成功",
"data":{
"task_id":"vp_xxxx",
"status":0,
"schedule":"PROCESSING",
"max_duration":600,
"power_prepaid":10
}
}
status 含义:0 = 处理中,1 = 成功,2 = 失败
2. 查询任务返回(重点)
{
"code":200,
"msg":"success",
"data":{
"status":1,
"content":"分镜描述、运镜、光影、色调、风格的长文本",
"duration":15,
"power_cost":8,
"fail_reason":""
}
}
- content:字符串类型,就是反推出来的原始提示词文本,一般包含逐秒分镜、镜头类型、运镜方式、光线、色调、画面质感、氛围,是我们解析的目标;任务失败时 content 为空
- duration:识别出来的视频时长(秒)
- power_cost:实际消耗点数
- fail_reason:失败原因,比如视频解析失败、链接失效
二、content 原始内容长什么样
content 是自然语言 + 分镜清单混合文本,示例:
光线:柔和室内自然光,暖调,低对比度,虚化背景
分镜:
1)0-3s 固定中景,人物缓慢抬手,表情放松
2)3-7s 缓慢推镜头,特写手部细节
3)7-12s 环绕运镜,全景展示环境
风格:生活化 vlog,干净画面,4K,竖屏 9:16
三、Python 实战:拉取 API、解析 content、存入提示词库
整体流程:调用 API 提交视频→循环轮询查询状态→status=1 拿到 content→正则拆分 content 为结构化字典→写入 json 文件 /sqlite 提示词库。
import json
import time
import re
import urllib.request
API_ENDPOINT = "https://xiaoapis.com/api/video/prompt"
API_KEY = "你的key"
def submit_video_task(video_url:str):
payload = json.dumps({"key":API_KEY,"video_url":video_url}).encode("utf-8")
req = urllib.request.Request(API_ENDPOINT,data=payload,headers={"Content-Type":"application/json"},method="POST")
resp = urllib.request.urlopen(req,timeout=30)
return json.loads(resp.read())
def get_task_result(task_id:str):
payload = json.dumps({"key":API_KEY,"task_id":task_id}).encode("utf-8")
req = urllib.request.Request(API_ENDPOINT,data=payload,headers={"Content-Type":"application/json"},method="POST")
resp = urllib.request.urlopen(req,timeout=30)
return json.loads(resp.read())
def parse_content(raw_content:str):
解析content,提取光线、分镜、风格三大模块
res = {"raw_prompt":raw_content,"light":"","shot_list":[],"style":""}
light_match = re.search(r"光线[::](.?)(?=\n分镜|\n风格|$)",raw_content,re.S)
if light_match:
res["light"] = light_match.group(1).strip()
style_match = re.search(r"风格[::](.?)(?=\n|$)",raw_content,re.S)
if style_match:
res["style"] = style_match.group(1).strip()
shot_items = re.findall(r"\d+)(.?)(?=\n\d+)|\n风格|$)",raw_content,re.S)
for s in shot_items:
s = s.strip()
if s:
res["shot_list"].append(s)
return res
def save_to_prompt_lib(struct_data,lib_path="prompt_lib.json"):
try:
with open(lib_path,"r",encoding="utf-8") as f:
lib = json.load(f)
except:
lib = []
lib.append(struct_data)
with open(lib_path,"w",encoding="utf-8") as f:
json.dump(lib,f,ensure_ascii=False,indent=2)
if __name__ == "__main__":
video_link = "目标短视频链接"
submit_ret = submit_video_task(video_link)
taskid = submit_ret["data"]["task_id"]
print("任务已提交,task_id:",taskid)
轮询
while True:
ret = get_task_result(taskid)
st = ret["data"]["status"]
if st == 1:
content_txt = ret["data"]["content"]
parsed = parse_content(content_txt)
save_to_prompt_lib(parsed)
print("解析完成,已存入提示词库")
break
elif st ==2:
print("任务失败:",ret["data"]["fail_reason"])
break
else:
print("处理中,等待3秒...")
time.sleep(3)
四、解析后的提示词库使用思路
解析之后,提示词库里面分成了原始全文、光线参数、分镜数组、风格标签。做视频生成的时候,可以自由组合:只拿光线 + 风格,替换主体内容;或者单独挑选某一个分镜的运镜描述,不用整段复制 content。还可以给库增加标签字段,比如 “产品展示”“短剧”“vlog”,后续支持关键词检索。
【相关 FAQ】
问题 1:视频反推提示词 API 的 content 字段一定会返回结构化分镜吗?
回答 1:不一定,content 是模型生成文本,部分视频反推结果格式杂乱,没有固定分镜标题,写 Python 解析逻辑的时候要加容错,如果正则匹配失败,直接保存原始 content 到提示词库,避免程序报错中断。
问题 2:视频反推提示词 API 返回的 content 可以直接给可灵、即梦这类视频模型使用吗?
回答 2:可以直接使用原始 content,但是效果不如解析后的结构化提示词,解析后我们可以过滤冗余描述、调整语序,适配不同视频模型的提示词偏好,提示词库的价值就在这里。
问题 3:Python 解析视频反推提示词 API 的 content 存入提示词库,用 json 存储还是数据库更好?
回答 3:少量测试用 json 文件做提示词库最简单,代码改动最小;如果大批量采集视频、需要标签检索、多用户调用,建议换成 sqlite 或者 mysql 存储解析后的 content 结构化数据。
【参考资料】
[2026-11-19](视频反推提示词 API 返回什么?把 content 解析成可复用提示词库 (Python 实战))阿里云开发者社区
[2026-11-15](视频反推提示词 API 是异步任务:task_id 轮询与 notify 回调的 Python 实现)阿里云开发者社区
[2026-11-09](视频反推提示词 API 实战:把一条爆款视频拆成可复用的生成提示词)阿里云开发者社区
[2026-11-05](视频提示词逆向生成 --AI 数据湖服务)火山引擎文档中心
【免责声明】
本文仅为技术实战演示,文中 API 接口、返回字段、计费规则以接口官方最新文档为准;调用第三方视频反推提示词 API 请遵守平台协议、版权法规,不要解析无授权的他人视频;示例 Python 代码仅用于学习 content 解析逻辑,不承诺在所有环境、所有服务商接口直接稳定运行。
