当前位置:首页 > 文章列表 > AI提示词 > 画画 > 高山月雾手机壁纸提示词怎么写

高山月雾手机壁纸提示词怎么写

来源:17golang原创 2026-10-06 22:44:28 0浏览 收藏

高山月雾手机壁纸的关键不是把山、月亮和雾都堆满画面,而是先固定竖屏层次:上方留出锁屏时间区域,中部放月亮与远山,下方用较暗的前景山脊托住雾气。这样生成的图更像可长期使用的壁纸,而不是一张横向风景海报。

要点速览
  • 主图用冷蓝银灰,月亮放在上方偏中位置,山体压在画面中下部。
  • 中文提示词与英文提示词都要写明 9:16、锁屏留白、三层纵深和无文字约束。
  • 变体只替换色温、月亮位置和雾层密度,保留高山月雾这个主题骨架。

冷蓝月雾主壁纸:先把锁屏留白留出来

第一张适合偏冷的系统主题。月亮不要贴近顶部边缘,山峰也不要顶到时间区域;最稳妥的安排是让上四分之一保持干净,中段出现月亮和远山,下半段逐层加深前景。下面这张是原创主壁纸预览,不含文字、标志和设备边框。

高山月雾冷蓝银灰手机壁纸,顶部留出锁屏时间空间,中下部为月亮、远山和分层雾气
图1:高山月雾冷蓝主壁纸的纵向构图示意。

下载这张手机壁纸

中文和英文提示词要把同一组约束写完整

如果只写“高山、月亮、雾”,模型容易生成主体过满、月亮贴边或带标题的海报。提示词至少要同时交代画幅、锁屏留白、主体位置、光线、纵向层次和排除项。中文版本可以直接使用:

9:16竖屏手机锁屏壁纸,宁静的高山山脉被月光雾气包裹,夜晚的分层山峰与山谷薄雾;上方四分之一保持干净留白,中上方一轮浅银色满月,中下方清晰的远山轮廓,下方较暗的前景山脊,前景到远景三层纵深;冷蓝、银白、板岩灰配色,柔和体积雾,克制的月晕,电影感自然风景质感;无文字、无标志、无水印、无二维码、无设备边框、无人、无建筑、无海报排版

对应的英文提示词如下,主体和约束不要随意删减:

9:16 portrait smartphone lock-screen wallpaper, a quiet alpine mountain range wrapped in moonlit mist, layered peaks and valley fog at night; keep the top quarter clean for the lock-screen clock, a pale silver full moon in the upper middle, a crisp distant ridgeline in the middle, a darker foreground ridge below, three layers of depth from foreground to distant peaks; midnight navy, alpine blue, silver white and muted slate gray, soft volumetric mist, restrained moon halo, cinematic natural landscape texture; no text, no logo, no watermark, no QR code, no device frame, no people, no buildings, no poster layout

暖灰紫变体:只换关键变量就能拉开差异

想做第二张时,不必另起一个完全无关的主题。把月亮改为上方偏右的小月亮,把月光从银蓝换成暖象牙色,再让雾气带一点灰紫,视觉就会从“冷静夜景”变成“蓝调入夜”。前景山脊从左下斜向中部,能避免两张图只是换滤镜。

高山月雾暖灰紫手机壁纸,右上方小月亮、左下前景山脊和紫灰雾层形成明显变体
图2:暖灰紫月光变体的色彩与雾层差异示意。

下载这张变体壁纸

英文变体提示词可在主提示词基础上替换为:warm gray-purple moonlight, a smaller amber-white moon toward the upper right, an elegant foreground ridge rising from the lower left, dusty lavender valley fog, three clear depth layers, visibly different palette and moon placement。中文里对应写成“暖灰紫月光、右上方较小的象牙白月亮、左下向中部升起的前景山脊、灰紫山谷雾气、三层清晰纵深”。

生成后按四项清单调整,不要只反复加细节

检查项出现的问题调整方向
主体位置月亮或山峰压住时钟区增加“top quarter clean”,把主体下移
雾层密度山体全部被抹平改为 valley fog、soft mist,保留远山轮廓
色彩差异主图和变体像同一张图整体替换冷蓝银灰与暖灰紫,不只提高饱和度
画面干净度出现文字、边框或界面补充 no text、no device frame、no poster layout

锁屏实际使用时,先看顶部是否能承载时间,再看图标区域有没有过亮的小细节。宁可减少星点和山体纹理,也要保住雾的层次与留白;这比继续追加“超高清”更能改善可用性。

相关问题

为什么高山壁纸容易生成成横图?

只描述风景没有明确设备构图,模型会采用常见横向景别。把“9:16 portrait smartphone lock-screen wallpaper”和主体纵向分层放进提示词。

月亮应该放在正中吗?

正中更稳定但容易呆板。主图放上方偏中便于留白,变体放右上并配左下山脊,既保留主题又能形成差异。

如何避免壁纸带字?

在中英文提示词结尾同时写明 no text、no logo、no watermark、no poster layout,并在构图描述里明确这是干净锁屏壁纸,而不是封面或海报。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go Reader 返回 n 大于零和 EOF 时应该先处理哪个Go Reader 返回 n 大于零和 EOF 时应该先处理哪个
上一篇
Go Reader 返回 n 大于零和 EOF 时应该先处理哪个
Redis MEMORY STATS 里的 allocator_frag_ratio 怎么理解
下一篇
Redis MEMORY STATS 里的 allocator_frag_ratio 怎么理解
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    354次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    414次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    422次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    377次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    199次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码