要搞清楚的是，Pika生成的雨天街景视频里，人群可不是靠文字备注就能塞进去的。那些“目标受众”“面向XX人群”的抽象标签，Pika的训练数据里根本没出现过，它根本不认。唯一可靠的做法是，从一开始就把人群当作一个视觉元素嵌入提示词——也就是用看得见的服饰、动作、道具、构图位置来写。

换句话说，你提示词里写得越具体、越画面化，Pika生成的准确度就越高。

举个例子，与其写“target audience: white-collar workers”这种干巴巴的标签，不如直接写成这样：

“a young office worker wearing a translucent raincoat and holding a folded umbrella, walking briskly past wet shopfronts with reflections on pa vement”。

结构就是“人群身份 + 典型服饰 + 动作 + 环境互动”。Pika只认名词和动词，这种写法远比你写一堆抽象词有效。

如果想让画面里的人群更自然，还可以加上数量、年龄、衣着和微动作。比如写“three teenagers in hoodies huddled under one oversized umbrella, laughing while stepping over puddles”——“huddled”“stepping over puddles”这些动词让人群的动作跟雨天逻辑呼应，画面就不会显得生硬。

需要特别警惕的一个坑：尽量不要写“looking at camera”或“smiling at viewer”。Pika生乘人物面部细节时很容易崩，与其冒这个风险，不如直接用侧脸、背影、或者局部肢体（比如拎包的手、踩水的鞋）来表现人群，效果稳定得多。

用场景细节来“暗示”人群属性，而不是直接说

一个比较聪明的做法是，通过环境里的物理线索来反向框定人群。先想清楚你想展现的核心人群是谁，然后提取出他们日常场景里高频出现的东西。

比如说，如果是通勤族，那就加入地铁口栏杆、共享单车堆叠区、便利店暖光门帘。如果是学生，就放书包带子滴水的画面、校徽伞、湿漉漉的自行车篮。这些细节不需要你额外解释，Pika会自动把它跟相应的场景语境关联起来。

具体写提示词的时候，把线索压缩进句子，用逗号分隔就可以。例如：

“rainy downtown street, wet asphalt with oil-slick reflections, 【a half-open student backpack leaning against bus stop pole】, neon sign flickering, shallow puddle reflecting passing taxi lights”。

人群在画面里的占比也需要精细控制。直接写“crowd”“many people”，Pika经常会把它们糊成一团色块。改用具体的数量表述会更可控，比如“two silhouettes crossing frame left to right”或者“one person reflected in shop window”。

哪些关键词需要直接删除

第一，所有“target audience”“for [X] people”“intended for”这类元描述性质的短语，一律删掉。Pika模型没见过这些，写了等于没写。

第二，“diverse group”“inclusive scene”这类抽象概念也不行。它们没有可被渲染的视觉对应物，Pika无法识别，反而会稀释掉其他有效细节的权重。

第三，“man”“woman”单独出现时过于模糊，必须绑定至少一个可识别特征。比如“woman in yellow rain boots crouching to adjust child’s hood”，这样比写“a woman walking in rain”的生成准确率高——经验数据来看，高出三倍以上。