分镜脚本写给 AI,应该是一份带字段的结构化清单,不是一段散文。最少要拆出镜号、景别、机位、时长、台词、角色资产键、场景资产键这七项,让大模型输出 JSON 而不是段落,下游才能批量喂给生图和图生视频。写成"镜头缓缓推近,少年神色复杂地望向雨中的街道"这种句子,人读着有画面,机器却没法把它拆成可复用的条件。
一段散文式的分镜会丢什么
丢的是可复用性。同一句描写,第十次生成时模型会按当下的上下文重新理解"神色复杂",于是表情、光线、机位全跟着漂。更要命的是你没法定位:到底是哪个词让这一镜偏了。
结构化不是为了好看,是为了能只改一个字段重跑。景别不对就改 shot,别整段重写提示词。这跟做参数对比要固定种子是同一个道理——变量一多,结果就没法归因。
最少要有哪几个字段
| 字段 | 作用 | 示例值 |
|---|---|---|
shot_id | 镜头唯一编号,也是素材文件名 | s03_sh07 |
shot | 景别 / 机位 | medium_closeup / eye_level |
duration | 目标时长,决定后面切几段 | 4s |
role_ref | 角色资产键,指向锁定的角色卡与参考图 | role_lin |
scene_ref | 场景资产键,指向固定的场景描述 | scene_rain_street |
action | 本镜只允许一个动作 | 转头看向画面右侧 |
dialogue | 台词与情绪标注,交给配音环节 | "你来了" / 压低声 |
七个字段里,role_ref 和 scene_ref 最值钱。它们把"这一集长什么样"从每一条提示词里抽出来,变成一份单独的资产表。改角色只改一处,全剧跟着变;反过来,提示词里各写各的,第一集和第三集就不是同一个人了。
提示词后半段为什么像没写
老一代文本编码器有 77 token 的窗口,超出部分是被丢掉而不是压缩。把角色外观、画风、镜头、台词全塞进一长串,末尾那些往往根本没被读到。CLIP 77 token 上限那篇解释过截断的位置和排查办法。新一代编码器放宽了窗口,但"重要信息往前放、每条提示词只描述一个镜头"仍然是稳的习惯。
还有个更常见的坑:把整集剧本一次性丢给生图模型。它不负责理解剧情,只负责这一帧。剧本归 LLM 拆,镜头归生图模型画,中间靠资产键对齐。
镜头时长怎么定,别照着上限来
厂商公布的能力上限不等于可用长度。Seedance 2.5 flash 官方口径是单段最长 30 秒、720P 文生与图生视频约 0.99 元/秒、单次最多输入 10 张图与 5 段视频 5 段音频;这些都是参数表上的数字,不是"一次生成 30 秒就能用"的保证。动作越复杂、镜头越长,中途崩坏的概率越高。
实操上把一镜压到 3–6 秒,只让它做一件事,废片率比挑战长镜头低得多。要长镜头就拆成两三段,用首尾帧或参考图衔接——这部分在多图参考与 Bounding Box里有对应的边界说明。
一条能重复跑的校验顺序
- 先让 LLM 只输出 JSON,用固定字段检查有没有缺项、有没有把角色写成新形容词。
- 拿一个镜头跑通全流程(生图 → 动效 → 配音 → 合成),别一上来批量。
- 固定种子与精度档,把同一角色的所有镜头集中跑完。
- 每跑十条抽查一次:眼距、发型、服装颜色有没有漂。漂了就回到资产表,别去改单条提示词。
第四步最容易被跳过。批量跑到一半才发现角色变了,前面几十条基本作废。脚本写得再漂亮,也救不回一个没校验的批量任务。
说明与免责
本文为公开资料整理与实践经验总结,仅供技术学习参考,不构成采购、投资或法律建议。
- 文中涉及的模型版本、参数、显存门槛与许可证条款会随官方更新而变化,请以模型官方仓库、官方文档及许可证原文为准。本文不提供任何模型文件、整合包或第三方资源的下载与分发。
- 文中提及的第三方名称、商标、模型与平台归各自权利人所有,引用仅为说明技术事实,不代表授权、背书或关联。
- 涉及监管规则、通报与司法案例的内容为对已公开信息的整理,不构成法律意见;具体适用请以主管部门、司法机关发布的原文为准。
- 按本文操作产生的设备配置、数据、产出物及其使用后果,由操作者自行判断与承担。如发现内容有误或已过时,欢迎指正,本文会及时修订。
评论 0