Dime Dime Baby AI 提示词：咬 concha、瞪镜头，复制粘贴就能用

想在可灵（Kling）、Seedance、Veo 或海螺（Hailuo）这类通用 AI 视频工具里做 Dime Dime Baby 视频？你需要一张照片和一段提示词。下面是一段可以直接复制的提示词、每部分的作用、宠物附加段，以及只靠文字会遇到的局限。

提示词要描述什么

这个梗是一段 9 秒的手持视频，拍摄于墨西哥的一场十五岁成人礼（quinceañera），由视频里的人 @eve.el.cholo 在 2025 年 7 月 24 日发布，2026 年 10 月被配上 KAROL G、Judeline 和 rusowsky 的 "BbY WOW"。完整来龙去脉见Dime Dime Baby 是什么梗。

视频模型不知道这段视频，所以提示词要一块一块描述清楚：

• 地点。 夜晚的十五岁成人礼派对大厅：派对灯光、装饰好的餐桌、身后穿着派对装的客人。
• 镜头。 竖屏 9:16 的手机手持镜头，你走过来时镜头保持不动。
• 按顺序写出各个节拍，并标上时间。 入场、咬一口、瞪镜头、跳走。给每段一个时间窗口，能帮模型守住顺序，不会草草带过瞪镜头。
• concha 甜面包。 写出名字并描述它：一种顶上有糖壳的圆形墨西哥甜面包。不然你会得到甜甜圈、汉堡或饼干。
• 眼神。 面无表情、腮帮子鼓鼓、嘴巴闭紧、在嚼、盯着镜头。模型喜欢自作主张加个微笑或眨眼，要明确说不要。
• 是你的脸，不是他的。 把舞者描述为"参考照片里的人"。不要写原视频里那个人的名字：你不是在复刻他，而是替代他。

Dime Dime Baby AI 提示词

把你的照片作为参考图上传（图生视频），然后粘贴下面这段。请保持英文，大多数视频模型对英文提示词的理解最好。

Vertical 9:16 handheld phone video, one continuous shot, 9 seconds, at a quinceañera party in Mexico at night:
a decorated party hall with colored party lights, round tables and guests in party clothes dancing in the background.
The person from the reference photo, with exactly their face, hair, skin tone and outfit, is the only dancer the camera follows.
0-2.5 s: they dance toward the camera from the back of the hall with loose, bouncy steps, shoulders moving to the beat,
holding a concha (a round Mexican sweet bread with a crackly sugar shell on top) in one hand.
2.5-3.5 s: right in front of the camera they lift the concha to their mouth and take one big bite.
3.5-5.75 s: close-up of their face: lips closed, cheeks full, chewing slowly, staring straight into the lens,
completely deadpan, no smile, no wink.
5.75-9 s: still chewing, they turn around and dance back into the crowd, back to the camera, one hand raised at the end.
Real phone-video look, slight shake, natural motion blur. Exactly one concha, two hands, five fingers on each hand.
No text, no captions, no logos, no celebrities.

每部分的作用：

• "9 seconds" 设定时长。很多模型单段最长 5 秒或 10 秒。如果你的只能做 5 秒，就去掉跳走，保留入场、咬一口和瞪镜头——瞪镜头才是笑点。
• "with exactly their face, hair, skin tone and outfit" 要求模型保留你，而不是凭空造一个新人。
• 时间窗口 让咬一口排在瞪镜头之前，并给瞪镜头本身留出两秒多。
• "lips closed, cheeks full, chewing slowly" 防止模型让你开口说话或唱歌。
• "Exactly one concha, two hands" 减少多出来的面包和多出来的手指，这是两种常见的穿帮。

宠物附加段

想让狗或猫来演，用一张拍到整只动物的照片，并在末尾加上这段：

The dancer is the animal from the reference photo, standing upright on its hind legs, with its own face, fur, markings and
natural body proportions. It holds the concha in its front paws, bites it and stares into the camera chewing. No human hands.

技巧

• 用清晰的正脸照片。 瞪镜头是特写，模糊或侧着的脸最容易走样。更多内容见照片指南。
• 先用低分辨率。 先用 480p 或最便宜的模型试，动作对了再生成要发布的版本。
• 每次只改一处。 如果咬得太早，只调时间，这样才知道是哪处改动起了作用。
• 发布时再加声音。 大多数视频模型生成的是无声视频或自己配的音乐。从 TikTok 的音乐库里添加 "BbY WOW"。详见Dime Dime Baby 是什么歌。
• 用你自己的脸。 或者已经同意的成年人的脸。很多工具都会拦截名人和儿童，我们也一样。

为什么动作参考比纯文字更好

提示词能给你一段"像这个梗"的视频，但给不了你这个梗本身。

• 每次的动作都是现编的。 模型读到 "dances toward the camera"，会自己编步伐、速度和路线。每次尝试，咬一口的时机都不一样。
• 镜头会变。 文字没法精确规定瞪镜头时镜头贴多近，也没法规定你跳走时镜头怎么动。
• 脸会走样。 在 9 秒的走动、转身和咀嚼中，脸常常会慢慢变成别人，尤其是背对镜头的时候。
• 每次尝试都要花钱。 每试一次都要花积分或时间，而大厅、灯光和面包每次都会不一样。

动作参考能解决前两个问题。不用去描述动作，而是直接把动作交给模型：一段让它逐帧跟随的视频。问题是，如果用原视频作为参考，模型也可能把原视频里那个人的脸或衣服复制到你的视频里。

所以我们的模板用的是原视频的深度图。深度图是视频的灰度版本，只显示每个点离镜头有多远。它保留形体、动作和镜头，但不包含任何关于"是谁"的信息。你的照片提供脸、发型和衣服，concha 留在场景里。

或者，干脆跳过提示词

在我们的首页上传一张照片，就能得到完整的 9 秒视频，跟随的正是那张深度图，自带热门音乐，没有水印。不用提示词，不用调参数，不用 CapCut。不注册单买一个视频 $4.99；用积分的话，高级 480p 是 15 积分。宠物请用猫狗版。

如果生成失败或照片被拒，款项或积分会自动退回。分步教程里有每一步的说明，Dime Dime Baby 生成器对比介绍了其他选择。

不写提示词直接做 →

Dime Dime Baby AI 是独立工具，与视频中的男子、KAROL G、Judeline、rusowsky 及其唱片公司以及 CapCut 均无关联。