ai/docs/chatgpt/novel/12.md

我目前的系统是拆了分镜，每个分镜单独给模型发api 这样应该不会乱把，每个分镜都市独立的，等于现实的导演一集一集的擦hi开取景安排好了完整流程，不管谁接手，只需要按每个分镜定好的流程内容去拍摄就可以了

对，你这个理解大方向是对的：

每个分镜单独发 API，不会像长篇小说那样严重依赖前后 100 章全文。 因为分镜本身就是“拍摄执行单”，模型只需要按当前镜头要求生成画面。

这和现实剧组很像：

总导演 / 编剧先定全剧
↓
分集导演拆场
↓
分镜导演定镜头
↓
摄影、美术、演员按分镜执行
↓
剪辑统一成片

所以你的系统按“分镜独立生成”是正确路线。

但是要注意一句：

分镜可以独立生成，但不能完全孤立。

如果每个分镜只给当前镜头内容，而不带角色、服装、场景、前后镜头连续性，就可能出现：

第一镜女主短发； 第二镜女主长发； 第三镜衣服颜色变了； 第四镜场景灯光变了； 第五镜动作方向反了； 第六镜人物情绪接不上。

所以最稳的做法是：

每个分镜独立发 API，但每个分镜都必须携带统一的“拍摄资产包”。

---

一、你的分镜 API 模式是对的

你现在这种：

第1镜 → 单独调用视频模型
第2镜 → 单独调用视频模型
第3镜 → 单独调用视频模型
……
最后 FFmpeg 合成

是目前 AI 短剧最现实、最可控的方式。

因为如果你让模型一次生成 1 分钟、3 分钟、5 分钟完整短剧，问题会更多：

画面漂移； 人物换脸； 动作断裂； 台词不稳； 剧情遗漏； 生成失败成本高； 不好返修； 单个镜头坏了要整段重来。

所以拆分镜是对的。

一个镜头坏了，只重做一个镜头，不影响整集。

---

二、但每个分镜不能只传“当前动作”

错误示例：

女主走进房间，看见桌上的门禁卡。

这样模型可能不知道：

女主是谁； 她长什么样； 她穿什么； 现在是什么情绪； 房间是什么风格； 上一镜她从哪个方向进来； 门禁卡是什么样； 整体画风是什么； 镜头比例和时长是多少。

正确应该传：

角色固定信息
+ 当前角色状态
+ 场景固定信息
+ 道具固定信息
+ 本镜头动作
+ 镜头语言
+ 情绪状态
+ 前后连续性
+ 负面词
+ Provider 参数

这就是我说的“拍摄资产包”。

---

三、每个分镜 API 应该包含 8 类信息

1. 项目级风格

每个镜头都要统一。

例如：

写实真人短剧风格，9:16竖屏，720p，电影感低饱和，真实自然光，克制表演，不夸张，不网红滤镜。

这保证整集质感统一。

---

2. 角色固定资产

每个出现的角色都要引用同一个角色档案。

例如：

{
  "character_id": "cen_qing",
  "name": "岑青",
  "visual_identity": "31岁中国女性，短黑发，清瘦脸型，眼神冷静，素色衬衫，深色外套",
  "anchor_image_id": "asset_xxx",
  "current_state": "刚发现门禁卡身份异常，情绪克制但警觉",
  "must_keep": [
    "短黑发",
    "清瘦脸",
    "深色外套",
    "冷静克制表情"
  ]
}

如果 Provider 支持参考图，就传锚点图。 如果不支持，就把视觉描述写进 Prompt。

---

3. 角色状态变体

同一角色在不同剧情阶段可能服装、伤势、妆容不同。

比如：

normal_state
rainy_state
injured_state
fire_scene_state
office_state

不能每个镜头临时改。

你当前系统已经有 CharacterState 和 CharacterDesignVersion，这个就应该用起来。

---

4. 场景固定资产

例如：

{
  "scene_id": "old_investigation_room",
  "location": "临时调查室",
  "visual_identity": "简陋办公室，白板贴着火灾楼层图，桌上有证物袋和电脑，冷白灯，窗外下雨",
  "lighting": "冷白室内光 + 电脑屏幕冷光",
  "color_palette": "灰蓝、旧白、暗黄"
}

这样第 1 镜和第 2 镜不会变成两个完全不同的房间。

---

5. 道具资产

重要道具必须固定。

比如：

{
  "prop_id": "burned_access_card",
  "name": "烧焦门禁卡",
  "visual_identity": "一张边缘烧焦起泡的塑料门禁卡，卡面残留两个汉字：林照，磁条断裂"
}

短剧里道具是线索，不能乱变。

---

6. 本镜头执行内容

这才是当前分镜本身：

{
  "shot_no": 3,
  "duration_sec": 5,
  "shot_size": "close-up",
  "camera_movement": "slow push-in",
  "main_action": "岑青把烧焦门禁卡放到电脑旁，盯着屏幕等待系统检索",
  "emotion": "安静、不安、警觉",
  "dialogue": ""
}

---

7. 前后镜头连续性

这是防止剪辑不连贯的关键。

例如：

{
  "previous_shot": {
    "ending_state": "裴让把证物袋推到岑青面前",
    "character_position": "岑青坐在桌子左侧，裴让站在右侧",
    "prop_position": "证物袋在桌子中央"
  },
  "current_shot_start": "从桌面证物袋特写开始",
  "next_shot_expectation": "电脑屏幕出现身份匹配失败"
}

不是每个镜头都需要很多，但关键镜头要带。

---

8. 负面约束

比如：

不要换脸，不要改变发型，不要改变服装颜色，不要夸张表演，不要卡通风，不要多余人物，不要出现错误文字，不要手指畸形，不要突然切换场景。

视频模型很容易自作主张，负面词必须有。

---

四、最稳的分镜任务结构

你的视频 API 任务最好不是只保存一个 prompt，而是保存结构化 JSON。

建议这样：

{
  "project_id": "p001",
  "episode_id": "e001",
  "shot_no": 3,
  "duration_sec": 5,
  "aspect_ratio": "9:16",
  "resolution": "720p",
  "provider": "volcengine_seedance_20",
  "route_tier": "premium",

  "style_pack": {
    "visual_style": "写实真人短剧，电影感，低饱和，真实光影",
    "tone": "克制、悬疑、现实主义",
    "negative_style": "不要网红滤镜，不要动漫风，不要夸张表演"
  },

  "characters": [
    {
      "character_id": "cen_qing",
      "name": "岑青",
      "anchor_image_id": "asset_cenqing_anchor_v1",
      "state_code": "investigation_dark_coat",
      "visual_prompt": "31岁中国女性，短黑发，清瘦脸型，冷静眼神，素色衬衫，深色外套",
      "continuity_rules": [
        "保持同一张脸",
        "保持短黑发",
        "保持深色外套",
        "表情克制"
      ]
    }
  ],

  "location": {
    "scene_id": "investigation_room",
    "prompt": "简陋临时调查室，白板上贴火灾楼层图，桌上有证物袋、电脑，冷白灯，窗外下雨"
  },

  "props": [
    {
      "prop_id": "burned_access_card",
      "prompt": "烧焦起泡的门禁卡，边缘发黑，磁条断裂，卡面残留两个汉字"
    }
  ],

  "shot": {
    "shot_size": "close-up",
    "camera_movement": "slow push-in",
    "main_action": "岑青把烧焦门禁卡放在电脑旁，盯着屏幕等待系统检索",
    "emotion": "安静、不安、警觉",
    "dialogue": "",
    "sfx": "轻微雨声、电脑风扇声"
  },

  "continuity": {
    "previous_shot_end": "裴让把证物袋推到岑青面前",
    "current_start": "桌面证物袋特写",
    "next_shot_need": "电脑屏幕出现身份匹配失败"
  },

  "final_prompt": "",
  "negative_prompt": ""
}

然后由你的 PromptBuilderService 把这个结构转成不同 Provider 的最终 Prompt。

---

五、你的“导演比喻”是正确的，但还差一个“场记”

你说：

不管谁接手，只需要按每个分镜定好的流程内容去拍摄。

这句话对。

但现实剧组还有一个非常重要的岗位：场记。

场记负责记录：

上一镜演员站哪； 手里拿什么； 衣服有没有扣上； 杯子在桌子哪边； 上一句台词是什么情绪； 下一镜怎么接。

AI 视频里也需要“场记系统”。

对应到你的系统就是：

ShotContinuityService

它负责每个镜头之间的连续性。

比如：

{
  "episode_id": "e001",
  "shot_no": 5,
  "ending_state": {
    "cen_qing_position": "桌子左侧",
    "peirang_position": "门口右侧",
    "prop_access_card": "电脑键盘左边",
    "emotion": "岑青第一次产生怀疑"
  }
}

生成第 6 镜时，就把第 5 镜 ending_state 带进去。

这样剪辑会更顺。

---

六、什么时候分镜可以完全独立？

这些镜头可以高度独立：

空镜；
环境镜头；
道具特写；
转场镜头；
梦境片段；
监控画面；
回忆碎片；
单人特写；
无连续动作的对白镜头。

比如：

烧焦门禁卡特写
旧楼外墙空镜
雨水落在警戒线上
电脑屏幕显示查无此人

这些镜头前后依赖很弱，单独生成没问题。

---

七、什么时候不能完全独立？

这些镜头要带连续性：

同一场戏里的连续对话；
同一动作拆成多个镜头；
角色从 A 点走到 B 点；
打斗；
追逐；
拥抱；
递东西；
开门进房间；
人物情绪逐渐变化；
同一空间内连续切镜。

比如：

第3镜：裴让把证物袋推给岑青
第4镜：岑青打开证物袋
第5镜：岑青拿出门禁卡
第6镜：电脑显示查无此人

这几个镜头必须共享：

桌子位置； 人物站位； 门禁卡样子； 灯光； 动作承接。

否则合成后会跳。

---

八、你的系统现在应该补的核心模块

基于你当前已拆分镜的流程，我建议补这几个：

1. ShotContextBuilder

给每个分镜拼上下文：

项目风格
角色资产
场景资产
道具资产
当前分镜
前后镜连续性
Provider 参数

---

2. ShotContinuityService

保存每个镜头的开始状态和结束状态。

字段包括：

人物位置
人物情绪
服装状态
手持道具
场景状态
动作完成情况
下一镜承接点

---

3. ShotAssetLock

锁定角色、服装、场景、道具。

比如：

第1集第1-12镜，岑青统一使用 character_state = investigation_dark_coat
海风大厦楼梯间统一使用 scene_asset = haifeng_stairwell_v1
门禁卡统一使用 prop_asset = burned_access_card_v1

---

4. ShotQualityCheck

生成后检查：

人物是否一致；
服装是否一致；
动作是否完成；
场景是否错误；
有没有多余人物；
有没有崩脸；
是否符合时长；
是否能接上前后镜。

---

5. ShotRetryPolicy

根据失败类型自动重试。

比如：

换脸 → 加强角色描述 / 使用锚点图 / 换图生视频
动作失败 → 简化动作
场景乱 → 加首帧图
手部崩 → 避免复杂手部动作 / 改景别
文字错 → 不让模型生成可读文字，后期字幕加

---

九、你现在的路线和小说流水线怎么接？

小说流水线生成短剧时，应该先生成：

Episode
EpisodeScript
StoryboardShot
ShotAssetLock
ShotContinuityPlan

然后你现有视频系统按每个 StoryboardShot 单独生成。

也就是：

小说章节
↓
短剧剧本
↓
分镜
↓
分镜资产锁定
↓
每镜单独 API
↓
候选片段
↓
连续性检查
↓
合成

这样就不会乱。

---

十、最终判断

你目前的做法：

分镜拆开，每个分镜单独发 API。

这是正确的，而且是 AI 短剧自动化的主流可控方案。

但要加一句：

分镜独立生成，不等于分镜没有上下文。

最稳结构是：

每个分镜独立调用 API
但每个分镜都带：
角色锁定
场景锁定
道具锁定
本镜头动作
前后连续性
统一风格
负面词
Provider 适配参数

一句话总结：

你现在像导演把戏拆成了镜头，这是对的；下一步要补“场记”和“资产锁定”，保证每个接手拍摄的 AI 模型拍出来能剪成同一部戏。