Story-Driven Short Film

# 完整故事短片 适合任何「要讲一个完整故事」的视频需求：有人物、有冲突、有转折、有结局。用户可以只给一个点子，也可以给剧本和角色图。流程按「规格 → 分镜 → 角色场景 → 逐镜视频 → 配乐旁白 → 剪辑」推进，每个关键节点都停下来让用户确认。最终交付一部 30-180 秒（默认 60 秒）的剧情短片：若干段镜头视频 + 配乐 + 可选旁白 + 剪辑顺序。 ## 开工前确认 - 需要一个故事点子或剧本。只有一句话也行，由你补全成完整故事；用户上传的角色图、场景图、声音样本、配乐要优先用上，不要重复生成。 - 用 ask_user 一次只问一个真正影响结果的选择，常见的是：结局走向（温暖 / 反转 / 开放）、画幅（横屏 16:9 / 竖屏 9:16）、要不要旁白推进。 - 用户说「一口气做完」时，可以连续推进，但每个阶段仍要在回复里给出结果摘要。 ## 制作流程 1. **全局规格** —— 在回复里用表格列出：片名、类型、画幅、时长、视觉风格、对白语言。停下来确认。 2. **分镜** —— 一次给出三部分： - **关键元素**：角色（多造型写成「造型 1 / 造型 2」）、关键场景（写清重要物件位置和表演区域）、关键道具。 - **镜头表**：每个镜头写场景、剧情与表演（原话台词）、镜头语言。 - **音频**：至少一条全局配乐；需要旁白推进时写清旁白音色、语气、逐字文本和覆盖范围。 停下来确认故事和节奏。 3. **角色与场景** —— 先看用户上传或之前生成过的素材有没有能对应上的，有就直接用；缺的再生成。每个角色出一张横向参考卡（左头像、右全身）。停下来确认。 4. **逐镜生成视频** —— 每个镜头带上出场角色和场景的参考图；与上一镜高度连续时再加上一镜末帧。分批生成，每批回来给用户看。 5. **配乐与旁白** —— 按分镜里的音频设计生成。停下来让用户试听。 6. **剪辑交付** —— 给出完整剪辑顺序和音轨叠放方式，引导用户在时间轴合成导出。 ## 风格锁定 - 画风关键词按全局规格定一套，每个镜头都带。默认电影感写实：`cinematic live-action, restrained high-end color grading, one dominant tone across ~90% of the frame, strong chiaroscuro with negative fill, fine detail, subtle film grain`。 - 调色：克制，九成画面保持一个主色调（例如深青、暖琥珀）；不做红蓝霓虹对撞，除非用户要。 - 光线：写清主光方向与性质，用负补光加深阴影；室内夜戏常用 3200K 暖钨丝灯配冷荧光对比。 - 表演：抓戏剧定格瞬间和微表情，拒绝摆拍式僵硬姿势。 - 必须避免：视频自带背景音乐、画面字幕、角色在镜头之间换脸换衣服。 ## 分镜与镜头规则 - 优先 10-15 秒带内部切换的长镜头，在镜头内部设计剪辑点，而不是拆成一堆 3 秒短镜头；切换频率跟着叙事节奏走。 - 60 秒短片建议 5-6 个镜头：开场钩子（异常或冲突）→ 铺垫 → 升级 → 转折 → 高潮 → 收尾。 - 每个镜头写清三件事： - 场景：引用场景名，例如「［便利店收银台］」。 - 剧情：角色和关键物体的动作、对白原话、内心独白或画外音。 - 镜头语言：景别（远 / 中 / 近 / 特写）、角度（俯 / 仰 / 平）、运动（固定 / 摇 / 推 / 拉 / 跟）。 - 镜头内有多次切换时，按顺序写「镜头 1：……；镜头 2：……」，不要写「第 2 秒」「5-8 秒」这种时间码，模型执行不准。 - 3 分钟以上、有明显停顿或转折的片子，配乐可以分几段，每段写清范围。 - 分镜表字段：镜号 / 时长 / 场景 / 出场角色 / 剧情与台词 / 景别角度运镜 / 声音。 ## 提示词写法 - 图片提示词像导演给美术和调色师下指令：先用自然语言写主体 + 动作 + 环境，再用短语补风格、构图、光影、调色、质感、氛围；只写物理上看得见的，不解释动机和心理。 - 角色参考卡示例： ``` Horizontal character reference card. Left: tight headshot of a 72-year-old East Asian man, deep forehead wrinkles, gray stubble, cloudy brown eyes, thinning white hair combed back. Right: full body, faded navy work jacket over a gray knit sweater, loose brown trousers, worn black cloth shoes, slightly hunched posture, holding a small milk carton. Neutral light gray background, soft key light, fine rendering, quiet weary dignity, no text. ``` - 视频提示词：先给每张参考图标注身份（图1 是谁、图2 是哪个场景），再按「镜头 → 主体 → 空间 → 声音」的顺序写。动作按身体部位写，带幅度、速度、力度（慢慢抬起一只手、猛地转头），先主动作后次动作。 - 声音写法：音乐用（……），音效用 <……>，台词直接写原话，其他语言前面注明「用日语说：」，片头字用【……】。 - 视频示例： ``` 图1 is the clerk, 图2 is the old man, 图3 is the convenience store set. Shot 1: medium shot, static, the old man places a milk carton on the counter with a trembling right hand. Shot 2: close-up on the clerk, his eyes drop to an old scar on the man's wrist, his scanning hand freezes mid-air. Shot 3: slow push-in on the old man, he looks up slowly and gives a faint, uncertain smile. The clerk says quietly: 爸……？ <fridge humming> <scanner beep>. Cold fluorescent light, warm street glow through the window, restrained teal grading. No music, no subtitles. ``` ## 在 TVVV 上执行 - 角色卡、场景图用 generate_image，默认 Nano Banana 2；同一角色不同年龄或造型时，reference_images 带上第一张卡（图N）保持一致。画面需要精确文字（招牌、信件）时用 GPT Image 2。 - 每个镜头 generate_video 时 reference_images 带上所有出场角色和场景（image_role 设为 reference）；与上一镜高度连续时，只额外加上一镜末帧作为 first_frame。默认 Seedance 2.5、720p，画幅按规格，单段 5-10 秒；15 秒长镜头拆成两段，第二段接第一段末帧。 - 配乐用 generate_music（纯器乐）；旁白推进的片子用 generate_speech，镜头里已经有旁白的，视频提示词就不要再写旁白文字。 - 一次回复最多 3 次工具调用，视频每批 2-3 个镜头，回来检查后再继续。 - 交付清单：每个镜头视频与对应镜号、剪辑顺序、配乐段落、旁白文件与覆盖范围；提示用户去 TVVV 时间轴合成，旁白处配乐下压，字幕在剪辑时统一加。 ## 注意事项 - **一口气跑完全流程**：故事方向没确认就生成视频，返工成本最高。规格、分镜、角色、视频、音频每个节点都要停一下。 - **重复生成用户已有的素材**：开工前先把用户上传的图和声音对应到角色和场景上。 - **用时间码控节奏**：模型不会严格执行「0-3 秒」，用「镜头 1 / 镜头 2」的先后顺序描述。 - **视频里冒出背景音乐和字幕**：每条视频提示词都要写 no music, no subtitles。 - **角色漂移**：长片后段角色长相变了，通常是某几镜漏带了角色参考图；每镜都完整带上出场角色。