YouTube Shorts 的留人是第一秒决定的，不是前三秒，就是第一帧。开场帧如果没承诺”好奇 / 对比 / 明确回报”，观众会在主内容还没加载完就划走。下面 10 个模板都是”首秒开场”：单一视觉钩子、顶部留出字幕位、时长够短，让算法能把内容主体串起来。这些 prompt 按截至 2026 年 6 月创作者真正在用的几款 AI 视频模型写成——Google Veo 3.1、OpenAI Sora 2、快手 Kling 2.5——并默认你在后期合成屏幕文字，而不是交给模型生成。
太长不看 (TL;DR)
- 钩子放在第一秒；生成的片段控制在 2–4 秒，再剪进更长的 Short（YouTube 上限是 3 分钟 / 180 秒，但数据上的甜点区是 15–30 秒）。
- 一律出 9:16、1080×1920。方形或横屏会被安全区裁切，白白浪费 feed 版面。
- 五个 prompt 杠杆决定成败：镜头、光线状态、1 秒内的单一动作、高对比色板、短时长。
- 别让模型渲染字幕文字，它会扭曲。顶部留位，文字用 CapCut、Premiere 或 Descript 后期加。
- 模型选型（2026 年 6 月）：Veo 3.1 拍写实脸 + 同步微表情；Sora 2 拍风格化首帧对比；Kling 2.5 Turbo 单镜迭代便宜又快。
一个好钩子 Prompt 包含什么
5 个必备元素：
- 镜头：自然 50mm 或对镜 35mm；钩子千万别加 anamorphic 光晕
- 光线状态：窗光、环形灯平光、卧室暖灯；不要阴暗调
- 运动：1 秒内的单一显式动作——箭头点击、推镜、惊讶表情、倒数划动
- 色板：高对比色冲；不要灰调
- 时长克制：Shorts 钩子活在 2–4 秒，绝不超过 6 秒
哪个钩子配哪个模型（2026 年 6 月）
| 模型 | 最擅长 | 原生片段时长 | 原生音频 | 备注 |
|---|---|---|---|---|
| Veo 3.1（Gemini app、Flow） | 写实对镜、口型与微表情同步 | 约 8 秒以内 | 有（对白 + 音效） | 1080p；Google AI Pro 每月 $19.99 即可用；Ingredients-to-Video 让同一张脸在系列里保持一致 |
| Sora 2 | 风格化首帧对比、超现实 POV 开场 | 短片段 | 有 | 对大胆色彩和运动表现强；钩子是”一个表情”而非”一句话”时最好用 |
| Kling 2.5 Turbo | 单一连续镜的便宜快速迭代 | 5 秒或 10 秒 | 新版本支持口型同步 | 登顶 Artificial Analysis 榜；单次成本最低，最适合 A/B 测钩子 |
口型必须对上台词的”对镜权威钩”，优先 Veo 3.1。没有台词、只靠”静帧入动”的强冲击钩，Sora 2 或 Kling 迭代更省钱。
10 个可直接复制的 Prompt 模板
1. “看到最后”箭头
使用场景: 创作者开场、清单类 Shorts
Vertical 9:16, a young creator looks at camera in soft window daylight pointing toward an empty top-right area with a clear hand gesture as if a caption arrow lives there, plain pastel background, sharp focus on face and hand, room at top for caption, 3 seconds2. 3 秒好奇缺口
使用场景: 教育 Shorts、故事开场
Vertical 9:16, a young creator leans toward camera with a slightly raised eyebrow and a "wait until you see this" expression, soft ring light, plain warm wall behind, sharp focus on the eyes, room at top for caption, 3 seconds3. 前后分屏首帧
使用场景: 转变型 Shorts、健身、装修
Vertical 9:16, a clean side-by-side split frame holds a "before" room on the left and an "after" room on the right, slow tiny zoom in on the right side, soft daylight in both halves, plain neutral palette, room at top for caption, 4 seconds4. “你懂的”暗示揭幕
使用场景: 圈层共鸣 Shorts、轻喜剧钩子
Vertical 9:16, a young person in soft daylight gestures at an object beside them with a knowing smirk as if saying "you know what this means", plain warm wall behind, sharp focus on the face and object, room at top for caption, 3 seconds5. 对镜开口
使用场景: 创作者权威开场、观点 Shorts
Vertical 9:16, a creator looks directly into camera with calm confident expression and opens their mouth as if starting a sentence, soft ring light, plain pastel background, sharp focus on the eyes, room at top for caption, 3 seconds6. 屏幕大字提问
使用场景: 提问型 Shorts、投票
Vertical 9:16, a creator points up and to the left as if a large question caption lives there, soft window daylight, plain warm wall behind, sharp focus on the face and hand, ample empty area at top for caption, 3 seconds7. 惊讶定格
使用场景: 反应类 Shorts、故事回报
Vertical 9:16 close-up of a young creator going from neutral to wide-eyed open-mouth shock in under 1 second, soft daylight, plain background, sharp focus, room at top for caption, 3 seconds8. 3-2-1 倒数开场
使用场景: 清单、教程钩子
Vertical 9:16, a young creator holds up three fingers facing camera and slowly drops to two and one in a smooth single beat, soft window daylight, plain pastel background, sharp focus on the hand and face, room at top for caption, 4 seconds9. “POV: 你刚刚”场景
使用场景: 共鸣 Shorts、喜剧
Vertical 9:16, a first-person view from the doorway of a small messy kitchen as if you just walked in, slow forward step, soft warm interior light, plain frame, room at top for caption, 4 seconds10. “没人提”反差钩
使用场景: 洞察 Shorts、反共识观点
Vertical 9:16, a creator looks at camera with a slightly conspiratorial expression and gestures toward an empty space beside them, soft warm interior light, plain wall behind, sharp focus on the face, room at top for caption, 3 seconds容易踩的坑
- 钩子超过 4 秒——观众会在回报到来之前划走
- 色板偏灰——Shorts 要在快速滑动的 feed 里”跳出来”，靠的是对比
- 让模型渲染屏幕字幕——文字逐帧扭曲，用 CapCut / Premiere / Descript 在 1080×1920 下后期合成
- 一秒内出现两个表情——只能一次切换，不能连续切
- 镜头抖动或 anamorphic 光晕——像”电影”不像”Shorts”
- 上传非 9:16——方形和横屏会被安全区裁切，浪费 feed 版面
下一步怎么改得更好
- 模板 1（箭头）和 6（提问）后期再加真实字幕——模型负责留位，你负责加字
- 模板 3（分屏）和 7（惊讶）的后帧颜色与前帧明显不同时效果最好
- 权威 Shorts（模板 5）让创作者居中、视线直对镜头；眼神飘移会破坏留人，这里优先用 Veo 3.1 保证口型和视线精度
- 系列策略：锁定背景 + 灯光 + 镜头，只换创作者的动作，频道感才统一。Veo 3.1 上把同一张参考图喂进 Ingredients-to-Video，可让多集人脸保持一致
- 便宜试、精致收：先在 Kling 2.5 Turbo 上（5 秒、单次成本低）A/B 测几条钩子，再把胜出的那条在 Veo 3.1 上重渲，作为最终成片
- 3 秒最稳；只有把第二拍（推镜或倒数掉值）写进 prompt 时，才推到 4 秒
常见问答 (FAQ)
Q: 生成的片段该多长？和整条 Short 是什么关系？
A: AI 生成的钩子片段控制在 2–4 秒，剪到整条 Short 的最前面。YouTube 允许 Shorts 长到 3 分钟（180 秒），但互动甜点区是 15–30 秒；钩子只要撑过第一秒就行。
Q: AI 能渲染屏幕字幕吗？
A: 在 Veo 3.1、Sora 2、Kling 上都不可靠——文字会逐帧漂移、扭曲。让模型留出顶部空位，字幕用 CapCut、Premiere 或 Descript 后期加，在 1080×1920 下才清晰。
Q: 怎么判断钩子有没有效？
A: 在 Studio 里看 YouTube Shorts 的 3 秒留存曲线。如果跌得快，钩子失败了；只迭代第一秒，不动正片。
Q: 最佳分辨率和画幅？
A: 永远 9:16、1080×1920。方形（1:1）和横屏上传会在 feed 里被安全区裁切，明显丢版面。
Q: 截至 2026 年 6 月，对镜说话哪个模型最稳？
A: Veo 3.1 拍写实脸 + 同步微表情（Google AI Pro 每月 $19.99 即可用）；Sora 2 拍风格化首帧对比；Kling 2.5 Turbo 适合长一点的单镜、且迭代成本最低。
Q: 必须开付费版才能做吗？
A: 三家都有免费路径（Veo 走 Gemini / Google Labs 免费额度，Kling 有免费积分），但批量测钩子时免费额度都偏紧。Google AI Pro 每月 $19.99 可稳定用上 Veo 3.1；截至 2026 年 6 月，Kling 付费档约从每月 $6.99 起。