ai-short-drama

name	ai-short-drama
description	AI 短剧分镜脚本生产管线。从剧情头脑风暴 → 画风与人设建议 → 人物生图提示词（GPT Image / Nano Banana）→ 分镜拆解 → 中英双语台词 → 转场与运镜指导 → 产物归档。专为 AI 视频工具（Seedance、Runway、Kling 等）优化，规避真人版权、保证多镜头一致性、降低 AI 生成不确定性。触发词：「生成 AI 短剧脚本」「写个短剧」「做短剧分镜」「短剧角色画像」「打磨剧本」。

AI 短剧分镜管线 (AI Short Drama Pipeline)

把一个剧情创意，沉淀为可直接交付给 AI 视频工具与剪辑后期使用的工业级分镜台本。

核心目标：降低 AI 视频生成的不确定性（角色崩坏、布景漂移、嘴型不同步、字幕乱码、版权拦截），让分镜稿"开箱即用"。

---

触发词

触发词	行为
生成 AI 短剧脚本 / 写个短剧	启动完整流程：头脑风暴 → 画风人设 → 生图提示词 → 分镜
打磨剧本	与用户多轮迭代剧本（节奏、反转、人设、梗）
做短剧分镜	已有剧本，直接进入分镜拆解
短剧角色画像	生成可投喂 GPT Image / Nano Banana 的人物生图提示词
确定配音语言	根据剧情文化背景确定主配音语言与字幕语言
翻译台词	在主语言与字幕语言之间互译 + 标注情绪 Tone

---

存储规范

短剧产物独立于 content/，存放在 dramas/[slug]/：

dramas/[slug]/
├── brief.md              # 创意 brief（题材、基调、目标平台、关键事实）
├── script.md             # 文字剧本（多轮打磨的最终版）
├── art-direction.md      # 整体画风建议 + 配色 + 参考锚点
├── characters.md         # 角色人设卡 + 生图提示词（GPT Image / Nano Banana）
├── storyboard.md         # 分镜台本（最终交付物）
├── background.md         # 背景一致性方案（坐标锁定 / Seed / 绿幕底图）
├── prompts/              # 各分镜的 AI 视频提示词（按镜号）
│   ├── shot-01.txt
│   └── ...
├── assets/               # 用户生成回传的角色基准图 / 背景底图
├── footage/              # AI 生成回传的单镜视频素材（shot-NN.mp4）
└── final/                # 剪映整合后的最终成片

slug = 短剧主题英文短横线命名。

---

工作流（六步法）

📌 各步骤推荐模型 / 工具速查

步骤	推荐模型 / 工具	用途
Step 1 头脑风暴 + 剧本打磨	Gemini 3.1 Pro	长上下文 + 强创意推理，多轮共创
Step 2 画风 + 人设建议	Gemini 3.1 Pro / Claude	美学判断 + 角色设计推理
Step 3 人物生图	GPT Image / Nano Banana（Gemini 2.5 Flash Image）	角色基准图生成
Step 4 分镜脚本	Claude / GPT-5	结构化输出、严谨字段
Step 5 视频生成	Seedance / Runway / Kling	Image-to-Video 垫图
Step 6 后期整合	剪映 / CapCut	拼接、字幕、音效、调色、成片

Step 1：剧情头脑风暴与剧本打磨（与用户共创）

🤖 推荐模型：这一步的剧情发散、人物冲突设计、节奏打磨推荐使用 Gemini 3.1 Pro（长上下文 + 强创意推理 + 丰富的世界知识 + 强语言能力，多轮共创）。若当前对话不在 Gemini 3.1 Pro 上，建议提示用户切换模型后再进入此步。

这一步必须是对话式的，不要一次性出完整剧本。

第一轮：发散收集 向用户主动提问，收集以下要素（每次问 2-4 个，避免一次轰炸）：

• 题材方向：喜剧 / 悬疑 / 治愈 / 反转 / 黑色幽默 / 致敬向 / 科幻短篇 ……
• 核心冲突：故事的"钩子"是什么？一句话能不能说清？
• 人物设定：几个角色？关系是什么？谁是主视角？
• 场景设定：发生在哪？室内 / 室外？时代背景？
• 基调：纯搞笑 / 笑中带泪 / 反转惊喜 / 高密度梗
• 目标平台与时长：短视频（30-60s）/ 中视频（2-3min）/ 系列短剧
• 关键事实锚点：剧情依赖的硬事实（时事 / 行业梗 / 文化引用）
• 文化背景 / 语言基调：决定主配音语言与字幕语言（详见 Step 5 的语言决策矩阵）

第二轮：方向收敛 给出 2-3 个剧情走向方案让用户选，或在用户已有想法上提出几个"分叉口"。

第三轮：节奏打磨 确定方向后，按下面的结构推进剧本：

钩子 (0-5s)：抓住注意力的冲突 / 反差 / 悬念
铺垫 (5-30%)：人物登场 + 设定建立
冲突升级 (30-70%)：矛盾激化 / 误会加深
反转 / 高潮 (70-90%)：核心情绪释放点
余味 (90-100%)：留白 / 彩蛋 / 破功

打磨原则：

1. 每个主角至少绑定 2-3 个高辨识度的梗（视觉梗 + 语言梗）
2. 走心段落紧跟喜剧反差，避免说教
3. 台词尽量短，给 AI 配音和口型留余地
4. 每一场戏要能回答："这场戏为什么必须存在？"

→ 输出 brief.md 与 script.md。

---

Step 2：整体画风建议 + 人物塑造建议

剧本定稿后，基于剧情基调给出风格方案（不要先入为主，先读剧本再推荐）。

画风建议要包含：

维度	说明
风格大类	3D 卡通 / 2D 厚涂 / 赛博朋克 / 吉卜力水彩 / 黏土定格 / 像素艺术 / 写实电影感 ……
参考锚点	2-3 个公开作品风格类比（Pixar / Spider-Verse / Arcane / Studio Ghibli / Love Death + Robots ……）
配色基调	主色 + 辅色 + 强调色（暖色温情 / 冷色悬疑 / 高饱和喜剧 / 低饱和忧郁）
光影氛围	黄金时刻 / 霓虹夜景 / 顶光戏剧化 / 柔光日常
画幅与构图	9:16 竖屏 / 16:9 横屏 / 2.39:1 宽银幕；构图密度建议
细节密度	极简留白 / 中等细节 / 超精细纹理

→ 输出 art-direction.md。

🎨 强制产出：全局画风底词（Style Anchor Prompt）

art-direction.md 末尾必须固化一段 30-60 词的英文画风底词，作为后续所有生图 / 生视频 prompt 的强制前缀。这是防止跨镜风格漂移的"锚"。

底词结构：

[Style Tag], [Medium / Rendering], [Color Palette], [Lighting Mood], [Detail Density], [Aspect Ratio]

示例：

Pixar-style 3D animation, soft cinematic rendering,
warm amber and teal palette, golden-hour lighting,
medium detail with painterly textures,
9:16 vertical composition, consistent stylized look.

使用约定：

• 一旦写定，全剧不可改（改了就会跨镜漂移）
• Step 3 每个角色的生图提示词以此为首行
• Step 4 每条 shot-NN.txt 也必须以此为首行（详见 Step 4）
• 用户若中途想换风格 → 必须整剧重生，不允许局部替换

人物塑造建议要包含（每个角色一段）：

• 核心人设关键词（3-5 个标签）
• 外形辨识度设计：体型 / 五官夸张化方向 / 标志性特征
• 服装与道具：日常穿搭 + 至少一个标志道具（贯穿全剧）
• 配色暗示：用颜色强化身份（主角暖色 / 反派冷色等）
• 微表情默认态：常态情绪（自信 / 蔫坏 / 阳光 / 高冷）
• 梗资产：视觉梗 + 语言梗 + 人设反差梗

⚠️ 规避版权三原则：

1. 不写真实姓名 / 品牌 / 作品名（用"特征 + 配色"暗示）
2. 放大单一辨识度特征（让形象"动画化但可辨认"）
3. 所有画面内文字（书名、UI、字幕）一律后期合成，不让 AI 画字

---

Step 3：人物生图提示词（投喂 GPT Image / Nano Banana）

基于 Step 2 的人设建议，为每个角色生成一份可直接复制粘贴的生图提示词，并明确告诉用户去哪里使用：

💡 使用方式：把下面每个角色的提示词复制到 GPT Image（ChatGPT 内置图像生成） 或 Nano Banana（Google Gemini 2.5 Flash Image） 上生成 4-6 张候选基准图，挑一张满意的保存到 dramas/[slug]/assets/character-[代号].png，后续所有视频镜头都用 Image-to-Video 模式垫这张图。

生图提示词结构（每个角色一份）：

[全局画风底词，与 art-direction.md 一致],
a [体型] [年龄] [性别] character with [核心辨识特征],
[五官夸张化描述],
wearing [服装 + 配色],
holding / accompanied by [标志道具],
[默认表情], [姿势], [构图：full body portrait / half body / close-up],
neutral background, studio lighting, character sheet style,
high detail, 8k, consistent character design.

生图提示词检查清单：

• 全局画风底词与其他角色一致（保证全剧风格统一）
• 五官特征唯一化（"a thick mustache" 比 "handsome face" 有用 100 倍）
• 服装颜色明确（用色卡词，不用模糊词）
• 不出现真人姓名、品牌名、版权 IP
• 标注 character sheet style / neutral background 便于后续抠图
• 同一角色生成多视角时复用同一提示词，只改 pose 与 angle

→ 输出 characters.md（含每个角色的生图提示词块 + 使用说明）。

告知用户的下一步操作：

1. 把每个角色的提示词复制到 GPT Image / Nano Banana
2. 每个角色生成 4-6 张候选
3. 挑选并保存为 assets/character-[代号].png
4. 回到对话告知"角色图已准备好"，进入 Step 4

---

Step 4：分镜脚本生成

⚠️ 单镜头物理限制与拆镜红线 目前主流 AI 视频生成工具（Kling, Runway Gen-3, Sora 等）的最大物理生成时长上限为 15 秒，但超过 8~10 秒后人物一致性与画面的稳定性会有较大崩溃风险。 强制规则：

• 单个 Shot 时长物理绝对不可超过 15 秒（强烈推荐保持在 4~8 秒的最佳稳定区间）。
• 当遇到人物长篇台词或复杂动作时，必须通过以下手法进行“拆镜（Split Shots）”：
  • 正反打 (Shot Reverse Shot)：镜头切向对话另一方的反应。
  • 特写切入 (Cut-in)：如“震惊时近景推成脸部大特写”、“拍桌子时手部震动特写”。
  • 动作匹配 (Match on Action)：换角度接续同一连续动作。
  • J-Cut / L-Cut（声音引导）：声音先于画面切入下一镜。
• 在计算每个镜头的总时长 (🕘 总时长) 时，必须根据台词语速或动作物理耗时逆推，超出 15s 必须强制打碎成 a/b 两个 shot（超过 10s 也强烈建议打碎）。

基于 Step 1 的剧本 + Step 2 的画风 + Step 3 的人设，输出工业级分镜。

分镜节奏：

• 单镜基础时长 4-8 秒（AI 视频甜区）
• 优先多人同框（2-Shot / 3-Shot），少切碎镜
• 关键情绪点用单人特写（推镜头 + 静音留白）

⚠️ 时长必须由台词时长反推（关键原则）：

分镜时长不是"先定 5 秒再塞台词"，而是**"先算台词需要几秒，再加缓冲定分镜时长"**。否则 AI 配音会把台词压成机关枪语速，毁掉表演节奏。

台词时长估算公式（基于自然口语语速）：

⚠️ 语速不是常量，必须由"剧情场景 + 人物特点 + 当下语气"三要素决定。同一个角色在追问时可能 6 字/秒，在告白时可能 2 字/秒。下表是基准档位，每句台词都要先判档再估算。

语速三要素决策：

维度	偏快（连珠炮档）	常态	偏慢（情绪化档）
剧情场景	吵架 / 吐槽 / 解释 / 追问 / 喜剧爆梗 / 紧急情况	日常对白 / 信息陈述	告白 / 悼念 / 威胁 / 思考 / 顿悟 / 临终
人物特点	急性子 / 话痨 / 推销员 / 程序员吐槽 / 北方话密	正常人设	老人 / 高冷 / 大佬 / 文艺青年 / 喝醉
当下语气	兴奋 / 慌张 / 不耐烦 / 阴阳怪气	平静叙述	沉重 / 哽咽 / 故作神秘 / 居高临下

判档规则：三要素若有 ≥2 个偏快 → 喜剧档；≥2 个偏慢 → 情绪化档；其余 → 常态。

语言	自然语速	估算方法
中文（常态）	4-5 字/秒	字数 ÷ 4.5，再 +0.3s 起停缓冲
中文（情绪化 / 慢）	2-3 字/秒	字数 ÷ 2.5（适用煽情、思考、威胁）
中文（喜剧 / 快）	5-6 字/秒	字数 ÷ 5.5（适用吐槽、连珠炮）
英文（常态）	2.5-3 词/秒	词数 ÷ 2.8，再 +0.3s 起停缓冲
英文（情绪化 / 慢）	1.5-2 词/秒	词数 ÷ 1.8
英文（喜剧 / 快）	3.5-4 词/秒	词数 ÷ 3.8

🎙️ Tone 字段必须显式标注语速档（如 语速：慢 / 哽咽、语速：快 / 不耐烦），TTS 配音或真人录音才能据此执行；不要假设配音演员能"猜到"节奏。

分镜总时长 = Σ(每句台词时长) + 句间停顿 + 表演留白 + 进/出场缓冲

• 句间停顿：常态 0.3-0.5s，反应停顿 0.8-1.5s
• 表演留白：标志性表情、视线转移、动作铺垫各预留 0.5-1s
• 进出场缓冲：分镜首尾各 0.3s（也用于后期裁掉畸变帧）

示例：

台词："你以为我没看见？"（8 字，常态语速）→ 8 ÷ 4.5 ≈ 1.8s 接一个反应停顿（瞪对方）1.0s + 句间停顿 0.4s + 首尾缓冲 0.6s ≈ 3.8s 若想让"看见"二字加重处理（慢语速）→ 估算应 +0.5s，分镜定 4.5-5s

避坑要点：

• 严禁过度抽象/总结剧情：分镜台本必须100% 像素级对齐原剧本的台词、动作说明与情绪细节。不要在转化分镜时为了追求结构化和简短，而丢掉原剧本中嘲讽、压迫等关键文本颗粒度。
• 单镜台词超过 12 字（中）/ 8 词（英）应考虑拆分到两个镜头或加镜内停顿
• 多人对话镜：每个角色台词时长分别估算后相加，再加 0.5-1s 接话间隙
• 情绪转折点（停顿、叹气、苦笑）必须显式标注秒数，不要默认 AI 会留白
• 若分镜时长被迫超过 8s（AI 生成质量下降区），优先拆镜而非压缩台词
• 字段 ⏱️ 时序必须显式写明每句台词起止秒数，例如 00:00.3-00:02.1 角色 A: "..."

无台词分镜（空镜 / 默剧 / 反应镜）的时长设计：

不是所有分镜都有台词。无台词镜的时长由"画面要传达的信息密度 + 情绪节拍"决定，不要默认 4-8s。

镜头类型	推荐时长	设计要点
建立镜（Establishing Shot）	3-5s	让观众看清环境、时间、空间关系；广角缓推
空镜 / 转场镜	1.5-3s	一物一意，过长会拖；用于章节切换或情绪过渡
反应镜（Reaction Shot）	1.5-3s	单一表情变化（瞪眼 / 嘴角抽搐 / 苦笑）；过长会僵
情绪特写 / 默剧高潮	4-8s	微表情递进（震惊→泪盈→破涕为笑）；配 BGM 撑住
动作镜（无对白打斗 / 追逐）	4-6s	一个完整动作单元（一次出招 / 一次回头）
氛围长镜 / 蒙太奇单格	2-4s	节奏感优先，与 BGM 鼓点同步
结尾留白镜	3-6s	给观众回味；过短显得仓促，过长显得拖沓

无台词镜的时长估算公式：

时长 = 主体动作时长 + 镜头运动时长 + 情绪留白 + 首尾缓冲

• 主体动作时长：实际动作需要多久（开门 1s、转身 0.8s、拿起杯子 1.5s）
• 镜头运动时长：推/拉/摇/移镜本身的时长（缓推 2-3s、急推 0.5s、横摇 2s）
• 情绪留白：动作完成后保留几秒让观众消化（关键情绪 1-2s、普通过渡 0.3-0.5s）
• 首尾缓冲：仍各预留 0.3s 用于裁畸变帧

示例：

一个无台词反应镜——角色看到信息后表情从平静到崩溃： 微表情递进 2.5s + 缓推近景 1s + 崩溃后定格 1s + 首尾缓冲 0.6s ≈ 5s

无台词镜避坑：

• 不要为了"凑够 5 秒"硬塞内容，短而精比长而空更有力
• 节奏型蒙太奇（多个 2-3s 短镜连切）要在 storyboard 标注与 BGM 鼓点对齐
• 默剧表演镜务必配 BGM / 环境音，纯静音 > 3s 会让观众以为视频卡了
• ⏱️ 字段写作 00:00-00:03 (无台词) 动作描述 + 镜头运动 形式

每个分镜必须包含的 8 个字段（格式参考下方示例）：

1. 🕘 总时长
2. 📍 布景（引用 background.md 的某个坐标方案）
3. 👔 服装（每个出场角色，每镜复述一次防 AI 遗忘）
4. 🎬 动作与表情（微表情 + 肢体语言。必须 100% 还原剧本中的细节描写，严禁概括缩写）
5. ⏱️ 说话顺序与时序（精确到秒，标注谁先说、谁静音）
6. 🎙️ 台词，声调与字幕（必须一字不落地搬运原剧本所有台词文本；含语气指导 Tone；语言选择见 Step 5）
7. 🎥 运镜（机位、景别、推拉摇移）
8. 🔄 转场（向下一镜的衔接方式）

💡 分镜输出格式示例（单镜）：

### Shot 01 (00:00 - 00:05)
**🕘 总时长**: 5s
**📍 布景**: 赛博朋克面馆，霓虹灯牌闪烁 (坐标方案 A)
**👔 服装**: 主角A (黑色夹克)，配角B (红色围裙)
**🎬 动作与表情**: A 猛地拍桌子，面汤溅出；B 吓得战术后仰。
**⏱️ 时序**: `00:00.0-00:01.5` B 放下面碗 (无台词)；`00:01.5-00:04.5` A 说话；`00:04.5-00:05.0` A 怒视定格。
**🎙️ 台词**: 
  - 主角A: "老板，这面里怎么有螺丝？" (语速: 偏快 / 愤怒质问)
  - [字幕]: Boss, why is there a screw in my noodles?
**🎥 运镜**: 中景 (Medium Shot)，机位随 A 拍桌子动作轻微震颤。
**🔄 转场**: 硬切 (Smash Cut)

⚠️ 强烈警告：不可删减原案！ 以上示例仅为版式演示。实际生成分镜时，🎬 动作与表情与🎙️ 台词字段中，绝对不允许为了保持版面清爽或“结构化”而私自压缩、概括原 script.md 中大段的长对白、脏话梗和极致的情绪描写！ 原剧本怎么写，这部分必须一字不落地吃进分镜里。

生成视频提示词 (Video Prompts)： 输出完 storyboard 之后，必须为每个镜头对应生成一条可直接喂给 Kling / Runway / Seedance 的英文视频提示词并存入 prompts/shot-NN.txt。

强制构成公式（顺序不可调整）：

[STYLE ANCHOR 全局画风底词，逐字复述自 art-direction.md],
[Setting 布景，复述自 background.md 坐标方案],
[Character Base Prompt，复述自 Step 3 角色卡的关键辨识特征 + 服装],
[Action & Expression 单一动作描述],
[Camera Movement 运镜],
[Lighting & Color Reinforcement 再次强调主色调 + 光影]

为什么每镜都要复述画风底词与角色特征：

• AI 视频工具每次生成是独立 session，没有跨镜记忆
• 即使用 Image-to-Video 垫图，运动过程中的色调、光影、笔触仍会偏移
• 复述是唯一的锚定手段，宁可冗余也不要省略

注意事项：

• 不要把台词写进视频提示词里，AI 视频工具听不懂台词
• 不要写"like the previous shot"这种相对引用，AI 看不到上一镜
• 每条 prompt 控制在 80-120 词以内，过长会被截断或权重稀释
• 若使用 Midjourney/SD 工作流，在底词后追加 --seed [固定seed] --style raw 进一步锁定

转场设计原则（双向考量）：

🔄 字段不是当前镜头的"收尾装饰"，而是当前镜结尾 ↔ 下一镜开头的衔接器。设计转场时必须同时读两个镜头，问三个问题：

1. 节奏对比：当前镜是慢节奏还是快节奏？下一镜呢？
   • 慢 → 快：Smash Cut / Whip Pan（制造冲击）
   • 快 → 慢：Cross Dissolve / Fade（情绪沉淀）
   • 同节奏：硬切（保持惯性）
2. 空间/时间跳跃幅度：
   • 同一场景同一时刻 → 硬切 / 视线匹配 (Eyeline Match)
   • 同场景但有时间流逝 → 叠化 / 闪白
   • 跨场景跨时空 → J-Cut（用下一镜音效预入）/ Match Cut（形状/动作匹配）
3. 下一镜的开头是什么（最容易被遗漏）：
   • 下一镜开头是动作高潮（如砸门、爆炸）→ 当前镜尾用 Crash Zoom 或骤停留白蓄势
   • 下一镜开头是特写情绪（如流泪、震惊）→ 当前镜尾留 0.5s 静默 + Eyeline Match
   • 下一镜开头是环境建立镜 → 当前镜尾可用 Fade / Dissolve 给观众喘息
   • 下一镜开头有关键音效（手机响、玻璃碎）→ 必须用 J-Cut 提前 0.3-0.5s 引入

强制规则：每个 🔄 转场字段写法必须包含衔接逻辑说明，而非只写转场名词。

• ❌ 不够：Smash Cut
• ✅ 标准：Smash Cut → 下一镜开场是反派冷笑特写，本镜尾在主角说完"不可能"的瞬间硬切，制造情绪反差

背景一致性方案（三选一，写入 background.md）：

方案	适用场景	操作
A. 坐标锁定提示词	镜头数少（< 6）	每条 prompt 固定光照方向、关键道具位置、构图坐标
B. Seed 固定	Midjourney / SD 工作流	第一张选定后获取 seed，后续全部复用 --seed xxx
C. 绿幕合成（工业级）	镜头数多 / 严格一致	角色加 green screen background，统一底图后期合成

→ 输出 storyboard.md，详见 references/storyboard-template.md。

---

Step 5：双语台词 + 转场运镜 + 产物归档

配音语言决策（按剧情文化背景）

主配音语言 = 故事中角色实际使用的语言。不要默认英文配音，配音语言要跟着剧情走。

剧情文化背景	主配音语言	字幕语言	说明
欧美 / 国际化场景（硅谷、好莱坞、欧洲都市……）	英文	中文	角色说英文，中文字幕辅助
中国本土 / 中华文化场景（武侠、都市、家庭、国风奇幻……）	中文	英文（可选）	角色说中文，英文字幕用于海外分发
日韩文化场景	日文 / 韩文	中文 + 英文	强文化背景下优先原语言
跨文化对话场景	按角色身份分配	双语字幕	不同角色说不同语言，字幕同时呈现
架空 / 奇幻世界	中文（默认母语优先）	英文（可选）	无现实文化锚点时默认中文

特殊提醒：AI 视频口型同步现状

• 英文配音的口型同步质量最佳
• 中文配音口型同步仍较弱，可用规避手段：
  • 多用侧脸 / 背身 / 远景镜头（避开正面特写）
  • 让角色边说话边做大幅动作（注意力转移）
  • 关键中文台词用画外音 (V.O.) / 旁白 (Narration) 形式
  • 正面特写时配静音表情 + 字幕代替对白

翻译与字幕原则

1. 译为地道口语（避免书面翻译腔与机翻味）
2. 保留双关与文化梗，必要时本地化改写而非直译
3. 每句标注 🎙️ Tone（语速 / 音调 / 情绪关键词）
4. 字幕语言单独成行，作为后期叠加素材（不交给 AI 生成）
5. 中译英时避免过度直白；英译中时避免翻译腔（"哦，我的老伙计"绝对禁止）

常用转场术语对照：

术语	中文	适用场景
J-Cut	声音前置引导	用下一镜的音效提前 0.5s 切入做引导
Smash Cut	情绪反差硬切	喜剧反差（感动 → 破功）
Crash Zoom	极速推镜头	进入设备屏幕 / 引爆情绪
Cross Dissolve	叠化过渡	走心段落 / 时空共鸣
Eyeline Match	视线匹配	两个空间的角色"对视"
Motion Match	动势匹配	物体飞过 / 动作延续
Whip Pan	甩镜过渡	高能段落 / 快节奏切换
Fade to Black	黑场淡出	结尾收束

反派音效清单（打破煽情用）：

• 通知提示音 / 信息送达音
• 玻璃杯倒地 / 物体掉落
• 突兀的电子音效
• 环境音瞬间消失（绝对静音）

归档检查清单：

• brief.md / script.md / art-direction.md / characters.md / storyboard.md / background.md 齐全
• 每个镜头有对应的 prompts/shot-NN.txt
• 角色基准图存入 assets/
• 镜头清单总时长符合目标平台要求

---

Step 5.5：分镜回看与迭代（视频回传后必经）

用户用 AI 视频工具生成完素材后，会有一部分镜头不可用（这是常态，不是异常）。Agent 必须主动进入"诊断 → 改 prompt / 改基准图 / 改分镜"的循环，而不是默认"一次过"。

生成实践建议：

• 每个镜头默认生成 3-4 个 take（candidates），命名 shot-NN-take1.mp4 … 挑最佳的命名为 shot-NN.mp4，其余移入 footage/discarded/
• 关键情绪镜（高潮、特写）建议生成 5-6 个 take

问题归因决策树（用户反馈某镜不可用时按此排查）：

问题表现	根因层	修复动作
角色五官 / 体型崩坏	基准图层	回 Step 3 重生基准图，换 seed 或加强辨识特征
角色服装 / 配色与设定不符	Prompt 层	改 shot-NN.txt，把服装颜色写得更具体
动作不到位（如"拍桌子"变"摸桌子"）	Prompt 层	改用更具体的动作动词 + 强度副词（slams violently 而非 hits）
嘴型与中文配音不同步	分镜层	回 Step 4 改运镜（侧脸 / 远景 / 改画外音）+ 后期字幕补救
画风与其他镜头明显漂移	画风层	检查 Style Anchor 是否被遗漏，逐字补回 shot-NN.txt 首行
时长不够 / 配音过快	分镜层	回 Step 4 重新按语速档估算时长，必要时拆镜
多次重生仍崩	分镜设计层	此动作 AI 当前能力不支持，改写分镜（拆动作 / 换景别 / 改运镜）

迭代原则：

• 从最便宜的修复试起：改 prompt（秒级） → 重生基准图（分钟级） → 改分镜（重新生成）
• 同一镜不要无限重生：3 次失败仍不可用 → 必然是分镜设计问题，立刻回 Step 4 改设计
• 记录失败 take：在 storyboard.md 对应镜号下补一行 ❌ 已知问题：xxx 不要再尝试 xxx 方案，避免下次重蹈覆辙

---

Step 6：分镜优化整合（剪映 / CapCut 后期）

AI 生成的单镜素材必须经过后期整合才能成片。剪映（国内版）/ CapCut（国际版）是目前最适配 AI 短剧后期的工具：移动端 / 桌面端双平台、AI 字幕识别准、模板与音效库丰富、导出无水印。

文件准备

下载/收集每个镜头的视频后，按镜号命名归档：

dramas/[slug]/footage/
├── shot-01.mp4         # 与 storyboard.md 镜号一一对应
├── shot-02.mp4
├── shot-02-alt.mp4     # 候选 / 备选版本
└── ...

剪映工程模板（推荐轨道结构）

建立标准化的多轨道结构，便于团队协作与后续返修：

轨道	内容	说明
V1 主画面	shot-01 → shot-NN 顺序拼接	主视频轨
V2 转场 / 叠加	闪白、黑场、贴图、画中画	叠加层
V3 文字 / UI 合成	画面内书名、聊天 UI、弹幕等（避免 AI 画字乱码）	后期叠加
V4 字幕	主语言 + 翻译字幕（双轨可拆分）	见下文字幕策略
A1 主配音 / 对白	角色台词	TTS 或真人录音
A2 环境音	风声、人群、室内底噪	营造空间感
A3 音效 SFX	反派音效、转场音效	见 Step 5 音效清单
A4 BGM	背景音乐	控制在 -18 到 -24 dB

关键后期操作清单

1. 拼接与节奏修剪

• 按 storyboard.md 镜号顺序导入到 V1
• 每个镜头首尾各裁掉 0.2-0.3 秒（AI 视频起手/收尾常有畸变帧）
• 用 J / K / L 快捷键预览节奏，必要时变速 1.05-1.15x 提升喜剧节奏感（剪映：右键 → 变速 → 常规变速）

2. 转场处理

• 优先硬切（Smash Cut）：90% 的镜头切换不需要转场特效
• 仅在 storyboard.md 明确标注的位置使用：J-Cut / Cross Dissolve / Whip Pan / Crash Zoom
• 剪映自带转场库的 叠化、闪黑、运镜、MG 转场 基本够用；甩镜过渡用 "运镜 → 水平甩动"

3. 字幕处理（核心环节）

• AI 字幕识别：剪映 → 文本 → 智能字幕 → 识别字幕（先识别再校对，比手打快 10x）
• 双语字幕做法：
  • 单语：主语言字幕一行
  • 双语：主语言上行（字号较大）+ 翻译字幕下行（字号较小、透明度 80%）
  • 跨文化对话：不同角色用不同颜色字幕区分
• 字幕样式建议：
  • 字体：思源黑体 / 苹方（中）/ Inter / Montserrat（英）
  • 颜色：白色 + 黑色描边 2-3px，确保任意背景可读
  • 位置：底部居中，安全区距底边 8-12%
• 画面内文字合成：所有"AI 故意不画的文字"（书名、聊天界面、弹幕、UI）在 V3 轨用文本框 + 贴图合成

4. 配音整合

• TTS 推荐：剪映自带的"文本朗读"（中英多音色）/ ElevenLabs（英文最佳）/ Fish Audio（中文情感强）
• 重要：配音长度必须匹配分镜标注的 ⏱️ 时序，超长就压缩语速，超短就加停顿
• 中文配音口型规避见 Step 5：侧脸 / 远景 / 画外音 / 静音特写 + 字幕

5. 音效与 BGM

• 反派音效（Step 5 清单）从剪映音效库搜：通知、碎裂、电子音、静默
• BGM 选择遵循基调：喜剧用轻快电子 / 走心用钢琴弦乐 / 悬疑用低频铺底
• BGM 在对白时自动闪避（剪映：选中 BGM → 音频 → 自动闪避，让对白清晰）

6. 调色统一（解决跨镜画风漂移）

• 全片套用统一滤镜 + LUT，让不同 AI 生成镜头风格收敛
• 剪映 → 调节 → 全局复用：色温 / 饱和度 / 对比度 / 高光阴影
• 推荐：喜剧 +5 饱和度 / 走心 -5 饱和度 + 暖色温

7. 封面与片头片尾

• 封面：用 Step 3 生成的角色基准图 + 大字标题
• 片头：3-5 秒 logo 闪现或剧名出场
• 片尾：可放彩蛋 / NG / 下集预告 / 关注引导

导出参数

平台	分辨率	帧率	码率	格式
抖音 / 视频号 / 小红书（竖屏）	1080×1920	30fps	8-12 Mbps	MP4 / H.264
B 站 / YouTube（横屏）	1920×1080 或 3840×2160	30 / 60fps	16-24 Mbps	MP4 / H.264
朋友圈	1080×1920，< 30s 且 < 100MB	30fps	6-8 Mbps	MP4

剪映导出：右上角"导出" → 自定义参数 → 关闭水印（需登录）。

后期整合检查清单

• 所有镜头按 storyboard.md 顺序拼接，无错漏
• 每镜首尾畸变帧已裁除
• 字幕全文校对（AI 识别有 5-10% 错误率）
• 画面内所有文字均为后期合成，无 AI 乱码
• 配音口型已规避正面特写问题
• BGM 在对白时自动闪避生效
• 全片调色统一，无明显风格漂移
• 总时长符合目标平台要求
• 按目标平台参数导出最终成片
• 成片归档到 dramas/[slug]/final/[slug]-v1.mp4

---

关键避坑清单

坑	规避方法
AI 生成画面内文字乱码	所有画面内文字（书名、UI、字幕）全部后期合成，提示词里只写 thick book、a screen
角色服装跨镜头变化	每个镜头的 prompt 完整复述服装描述，不依赖"上文记忆"
跨镜画风漂移（色调/光影/笔触偏移）	Step 2 固化 Style Anchor 全局画风底词，每条 shot-NN.txt 首行逐字复述，不依赖 AI 跨 session 记忆
多人镜头说话顺序混乱	用 ⏱️ 字段精确标注秒数、谁先说、谁此刻必须静音
分镜时长不够导致 AI 配音语速过快	时长由台词反推（中文 4.5 字/秒、英文 2.8 词/秒）+ 停顿 + 表演留白；超长拆镜而非压速
真人姓名 / IP 触发版权拦截	用"特征 + 配色"暗示身份，不写真名
嘴型对不上中文配音	优先英文配音；若剧情必须中文，用侧脸 / 远景 / 画外音规避正面口型特写
默认配音语言不匹配剧情文化	Step 5 决策矩阵：欧美剧情用英文、中华剧情用中文，字幕反向搭配
分镜脚本对原剧本过度总结与抽象	严守 100% 还原原则：拆解分镜时，必须将原剧本的核心台词、夸张动作、微表情一字不落地搬入分镜的字段中，禁止 AI 为追求表格短小而自行“概括缩写”。
镜头之间割裂	Step 4 的转场设计必须配合剧情节奏
转场只考虑当前镜结尾、忽略下一镜开头	🔄 字段必须写明"衔接逻辑"，先读下一镜开头再选转场类型（动作高潮→Crash Zoom 蓄势 / 关键音效→J-Cut 预入 / 情绪特写→静默 + 视线匹配）
走心段落过于说教	紧跟一个喜剧反差（致敬 → 突兀音效 → 角色破功）
角色跨镜头崩坏	全部用 Image-to-Video 垫图模式，垫 Step 3 生成的基准图
一次性给完整剧本被用户推翻	Step 1 必须分轮对话，每轮只问 2-4 个问题，让用户参与决策

---

一句话原则

"AI 只负责动起来，确定性由提示词、垫图和后期承担。"

把所有不确定的东西（字幕、画面内文字、复杂手势、跨镜头一致性）从 AI 生成环节剥离， 让 AI 只做它最擅长的事——让一个动画化的形象做一个简单动作。