它依赖的那套语法
一个画面本身不会自动变成主观的。把机位架在厨房里的眼高位置，你得到的只是一个厨房的中景。让它归属于某个人的，是它周围的剪辑：角色在看 → 他看到的东西 → 他的反应。这个三拍结构又老又结实，观众几乎察觉不到它的存在；而漏掉第一拍，正是第一人称视角失效最常见的原因。
反应那一拍承担的活比多数人以为的多。它回溯性地把中间那一帧分配给一双眼睛，同时告诉观众该怎么理解刚看到的东西。从一个门口切到微笑，那个门口就是欢迎；切到一个瑟缩，同一个门口就是威胁。
让「主观」成立的几个线索
- 眼高，而不是三脚架高度。 成年人站立眼高大约 1.5 到 1.7 米；孩子的视点在一米上下，光是改这一项，感觉立刻就变了。
- 画面边缘要有身体。 伸进来的手、一侧肩膀、呼吸在玻璃上的雾、枪管、方向盘 —— 任何只有从这个身体内部才能看到的东西。
- 运动要不完美。 轻微摆动、转身前的一顿、头比眼睛晚到一点。完全平滑的运动读起来是无人机，不是人。
- 遮挡。 门框、头发、起雾的眼镜、挡太阳的手。真实视觉大部分时间都是被部分挡住的。
- 看的动机。 画面应该朝一个人接下来真的会去看的东西移动，而不是均匀地扫过整个房间。
什么时候值得用
恐怖片用主观镜头把观众变成共犯或猎物。动作片把它用在头盔、驾驶舱和拳头上，要的是冲击而不是清晰。剧情片用得很省，通常只放在角色意识到某件事的那一刻，因为这个手法很响，用多了立刻贬值。短视频则把第一人称当默认机位而不是手法，这也是这个词今天有两种含义的原因。
在 AI 视频里怎么写提示词
视频模型看过海量的第一人称素材，所以这个「质感」很容易拿到，「含义」很容易丢。具体有效的做法：
- 用
first-person point of view开头，不要只丢一个缩写，尤其不要写成带冒号的POV:—— 冒号那种写法是字幕惯例，会稳定地把叠加文字带进来。 - 说清是谁的眼睛、在什么高度：
camera at the eye level of a seated child、helmet-mounted view、camera at eye level walking。 - 点名你要出现在画面里的身体部位。
own hands visible at the bottom of the frame reaching for a doorknob是让主观镜头「有身体」而不只是「广角」的最有效一句。 - 加
slight natural head-motion sway, handheld制造人味，焦段用广一点（24mm、18mm），因为人的余光很宽，长焦会把这个效果压平。
要预期的失败模式：画面里冒出一个正对镜头的人，前提直接崩掉；训练数据带来的字幕或水印渗进画面；以及你要求的手指数量出错，所以最好让手部分出画或者保持运动。还有一点必须接受：模型没法替你完成「看—见—反应」的剪辑，所以这段素材只有在和一张脸对切之后才真正成为主观镜头，那张脸得单独生成一段。