多镜头长故事如何拆分生成指令

AI技术 阅读 12 约8分钟读完

大家好,我是SD中文网的站长小庞。多镜头长故事别整段塞进一条提示词,正确做法是先把剧本拆成 6 到 8 个节拍,再拆成一条条 2 到 6 秒的镜头指令,每个镜头只干一件看得见的事。能一次出多镜的模型(Seedance 2.0、可灵智能分镜这类)用时间戳或分镜数组写;一次撑不住的,就逐镜生成再拼接。只看这一段也够动手:先拆表、再写镜、锁角色、控密度,别指望模型自己把长剧本“看懂”。

长故事为什么必须先拆,再写指令

模型一次能稳住的,通常是十几秒、几个镜头,不是一整集。把三千字剧情一次性倒进去,常见结果是画面乱跳、人物换脸、动作被挤没、AI 味特别重。你可以把它想成喂小孩吃饭:一勺只喂一口,硬把一碗全塞进去,肯定呛着。

截至 2026 年 11 月,Seedance 2.0(2026 年 2 月 12 日正式发布)单次大约 4 到 15 秒、Web 版最高 1080p;可灵 Video 3.0 / 3.0 Omni / 4.0 的智能分镜,一段里常见上限是 6 个分镜、大约 15 秒。再长的故事,本质都是「多段 10~15 秒」拼起来,不是一条神指令搞定。

所以这一章只干一件事:把长剧本变成可执行的生成指令。安装、选软件、工作流搭法,别的章节写,这里不掺和。

先把长故事摊成一格一格的分镜,再写成生成指令

用大模型把剧本拆成节拍和镜头表

别一上来就写画面。先让 ChatGPT、Kimi、DeepSeek 这类大模型当编剧助理,分三步走,像做菜先切配菜。

  1. 丢完整故事,要求它概括成 6 到 8 个节拍(大约对应一分多钟的短片密度)。每个节拍写清:发生了什么、情绪、大概几秒、结尾钩子是什么。
  2. 把每个节拍再拆成镜头。一个镜头只承担一个主要动作或一个信息点,时长卡在 2~6 秒;复杂动作至少拆两镜——动作前、动作中,别挤在一镜里连打带跑带哭。
  3. 输出一张表,后面生成、返工、拼接都靠它。镜号别跳着写,生成的时侯才好对得上。

你可以让大模型按下面这张表吐内容,复制到表格软件里就能用:

字段 写什么 新手容易踩的坑
镜号 Shot 1、Shot 2 连续编号 跳号、和成片对不上
时长 2~6 秒,复杂动作偏短 一镜写 10 秒还塞三个动作
景别 远景 / 全景 / 中景 / 近景 / 特写 新场景上来就大特写,观众不知道在哪
运镜 固定、推、拉、摇、跟随,一次选一种 又推又摇又绕,画面发飘
画面描述 只写镜头里看得见的东西 写心理活动、写「同上镜」
出场角色 完整外貌、服装、年龄,每镜重复 第二镜开始偷懒,人物变脸
动作表情 一个主动作 + 一个表情 边走边打边说话全写上
台词 / 旁白 / 音效 短、能对口型或当节奏 大段独白塞进 3 秒镜头

竖屏短剧、漫剧习惯 9:16,近景特写可以多一点,但每个新场景的第一镜,尽量先给全景或远景,让人知道地方。有人把这套拆法做成开源流程,比如 GitHub 上的 YubAI-DramaFlow 漫剧拆分工作流,你可以对照它的剧本到分镜思路,不必照搬代码。

开源漫剧工作流仓库首页,可对照剧本拆分与分镜流程
开源漫剧工作流仓库首页,可对照剧本拆分与分镜流程(截图来源:github.com)

按工具选拆法:一次出多镜,还是一镜一镜生

拆完表,指令怎么写,取决于你用的视频模型一次能不能「切镜」。选错写法,表做得再漂亮也白搭。

做法 适合什么情况 一次大概多长 指令怎么组织
Seedance 2.0 多镜头 10~15 秒预告、蒙太奇、短段落 最高约 15 秒、1080p(Web) 三层提示词 + Shot N 时间戳
可灵智能分镜 一条剧情让模型自己切,或手动指定每镜 常见最多 6 镜 / 约 15 秒 完整剧情;或手动数组写每镜时长和内容
逐镜生成再拼接 真正的长故事、要精确卡点 每镜 2~6 秒,段段往下接 一镜一条提示词,最后用工具拼接

Seedance 2.0 官方也强调:多镜头稳不稳,关键在提示词结构,不是模型自己猜。实测比较舒服的密度是 15 秒里 5~7 个镜头,再密容易糊。写法可以记三层:

  • 第一层:点明总时长,带上 trailer、camera angles 这类复数语境,让它知道这是多镜头,不是单镜头长镜头。
  • 第二层:按模块写——画风、故事、人物、环境、动作流(action sequence)、制作说明(production brief,用来卡节奏)、负向提示。重点把动作流按镜头顺序写清楚。
  • 第三层:在动作流里写死 Shot 1 (0-3s) 这种时间戳,逐秒告诉它切哪里。

角色一致性用参考图,提示词里用它支持的引用方式(常见是 @imageN 这类)。它截至 2026 年 11 月没有开放可本地下载的权重,一般走豆包、即梦、火山引擎这些托管入口;输入上限大致是图片不超过 9 张、视频不超过 3 段、音频不超过 3 段、混合不超过 12 个文件,优先传对画面和节奏影响最大的那几张。

可灵 可以把智能分镜打开,丢一条完整剧情,让它自己拆景别、运镜和节奏;想手控就改成手动分镜,按镜写序号、内容和时长。角色同样用参考图或主体锁定,别只写名字。

逐镜生成 最笨也最稳:一镜一条指令,过完再拼。长故事更适合「片段式 / 蒙太奇」,别幻想每一镜都严丝合缝接戏。拼的时候先至少攒两段,优先无损拼接,编码对不上再转成常见的 H.264 + AAC。会搭工作流的,可以用 ComfyUI 下载和安装说明 把「出片—检查—重做单镜」串成流水线;完全不想折腾环境的,用本站的 助澜AI创作台下载页 按镜头出图出视频就行。电脑没有独显、显存不够、Mac 或轻薄本,或者只想打开网页就出片,用 咕嘟AI 在线生图生视频,不用装、不用显卡。具体选哪类视频模型,到本站 视频生成模型列表 按文生视频、图生视频挑,走官方或本站正规渠道,别信什么永久免费包。

每条镜头指令该怎么写才稳

表有了,落到一条提示词上,记住四句话:看得见、一件事、角色写全、风格钉死。

  • 只写镜头里能看见、能听见的。 「他很伤心」改成「眼眶发红,低头不说话,手指攥紧衣角」。模型不演内心戏,只画画。
  • 一个镜头一件事。 「推门—看见人—摔杯子—对峙」至少四镜。动作类再拆:蓄势一镜,爆发一镜。
  • 人物外貌每镜完整写一遍,不要写「同上镜」。 角色卡像演员的化妆单,每场都要带上:发型、脸、服装、体型、标志物。有参考图就每镜都挂上,相邻镜头把光线和画风锚点也重复一句。
  • 风格、光线、画幅写死。 电影感还是漫剧厚涂、暖黄还是冷青、16:9 还是 9:16,别让模型每镜自己发挥。

给一个 15 秒、五镜的骨架,你按自己的角色卡填肉就行(别直接复制去生产,先换成你的人):

12 秒电影预告,多机位。画风:写实、暖黄黄昏、轻微胶片颗粒。人物:二十多岁女性,齐肩黑发,米色风衣,左耳一枚小银环。环境:旧城区天桥,远处车灯。制作说明:节奏先慢后紧,最后一镜留半秒静。负向:变形五官、多余手指、乱切、字幕。

Shot 1 (0-2s):远景,固定,她独自走上天桥。Shot 2 (2-5s):中景,侧面跟随,风衣下摆被风掀起。Shot 3 (5-8s):近景,她停下,低头看手机,眉心皱起。Shot 4 (8-11s):特写,手指悬在拨号键上又收回。Shot 5 (11-12s):中景,她把手机放回口袋,继续向前走,不回头。

可灵手动分镜也是同一套料,只不过改成「第 1 镜 2 秒 / 第 2 镜 3 秒……」一条条填。智能分镜模式就先把节拍故事写顺,仍然把人物外观写全,别只丢一个剧情大纲。

同一角色、同一场,用不同景别拆成连续镜头

常见问题

整集剧本能不能一条指令生成完?

不能当常规做法。十几秒、五到七镜是目前比较稳的甜点区;更长的内容按段落切,每段单独写指令再拼接。硬塞长剧本,动作会被挤掉,切镜也会乱。

人物跨镜头变脸、衣服换了怎么办?

做一张独立角色卡,全片复用;每条提示词把关键外观再写一遍,并挂同一组参考图。不要写「还是那个人」。相邻镜头把光线、画风也重复一句,漂移会小很多。

15 秒里塞了八九个镜头,画面为什么发糊、发乱?

密度过高。Seedance 这类模型 15 秒里 5~7 镜更合适;每个镜头再检查是不是只干了一件事。宁可少切一刀,也别让模型在单镜里自己乱切。

拼接对不上,或者提示编码不兼容?

先确认每镜分辨率、帧率、画幅一致。拼接优先试无损连接,不行再统一重编码。每个镜头单独存好镜号、提示词、时长和参考图,失败只重做那一镜,别整段推倒。

长剧本拆指令,核心就四步:节拍 → 镜头表 → 按模型写成多镜提示词或逐镜提示词 → 锁角色、控密度再生成。建议你先拿 60 秒故事拆成 6~8 个节拍练手,15 秒段落里别超过 5~7 镜;分镜表做完后再生成,别边写边改的太勤。写卡了进 本站交流群 把你的镜头表丢出来,大家一起改。