Prepara un proyecto de estudio. Las instrucciones multietapa son referencias; esto no funciona ni cobra por generación.
用于制作大卫·芬奇导演风格的叙事短片——冷峻黑暗的风格化现实主义,低饱和黄绿色调,固定机位与极缓慢推轨,封闭压抑空间。使用 GPT Image 2 生成图像元素,使用 Seedance 2.5 生成视频
El texto del flujo de trabajo se conserva en su original chino. Los modelos de referencia pueden diferir de los disponibles aquí. Consulte el estudio para modelos compatibles y cotizaciones de crédito reales.
全片阶段逻辑与依赖关系:
依赖关系: 2→1;3→2;4→3;5→4;6→3;7→5;8→4,5,6,7。
暂停节点: 不要一次性运行全部步骤。除在每个主要里程碑(规格锁定、剧本定稿、Storyboard 完成、元素完成、镜头视频完成、音频完成)后暂停等待确认外,每次生成新资产之前(元素图像、镜头视频、音频层、超分辨率等均适用)都必须先向用户说明即将生成的内容,获得明确同意后再执行生成,完成后再进入下一步——不连续自动生成多项资产。超分辨率步骤本身即为用户自主选择环节——须先询问是否超分,用户确认后才执行。
素材分工(概览): 各素材类型的详细处理规则见步骤 2(剧本)和步骤 4(元素资产)。核心原则:用户提供的素材优先使用——风格/格式相符则直接绑定,不符则以用户素材为参考重新生成;用户未提供的由系统生成。避免无谓地重新生成用户已提供且格式风格均匹配的内容。
编剧指引(芬奇风格叙事原则)
用户参考材料分析:
超分资产处理
剪辑与节奏
音频混音
导演指引(从剧本到画面)
视觉叙事优先: 能用画面传达的信息不用对白——桌上的文件、角色的微表情、空间中的物件位置都是叙事工具。设计每个镜头时先问"这个画面在讲什么故事",确保画面本身承载叙事功能。
走位与权力关系: 角色在空间中的位置反映权力动态——审讯室中谁坐着谁站着、办公桌两侧的距离、角色被墙壁和天花板挤压的程度,都在无声传递权力与压迫信息。设计走位时将空间政治纳入考量。
静止即张力: 芬奇的张力来自凝视而非运动。让固定机位的长时间凝视承担情绪积累——观众被迫在沉默和静止中感受不安,而非靠快速剪辑制造虚假紧张。
信息揭示节奏: 视觉信息揭示须与剧本的信息控制配合——关键道具(文件上的文字、桌上的照片)在恰当时机才进入景深或被推近,过早揭示消解悬念,过晚失去冲击力。
环境即角色: 将空间视为半个角色——荧光灯嗡鸣、雨水模糊的窗户、低矮压迫的天花板都在参与叙事。设计场景时赋予环境情绪表达功能,而非仅作为背景板。
色调统一与孤立色彩: 同一场景内将整体色调压向统一的暗、中性基底——同一房间同一时段的所有镜头共享同一色调基准(同一组低饱和黄绿/烟灰底色、同一光源色温)。正因如此,偶尔出现的单一强调色(一件红色衬衫、一盏橙色台灯、一张黄色便条)才会在整体中性背景中格外刺眼——这种"割裂感"是芬奇用色彩制造孤独与异化的核心手法。设计场景时规划:哪些场景维持完全中性无重点色,哪些场景允许引入一个强调色作为叙事焦点——强调色须与场景的信息揭示节点对应,而非随机出现。
总时长与镜头数量规划
关键元素设计
镜头设计
景别偏好: 大量使用中景和远景,以冷静、冷漠的观察者距离审视角色。特写镜头极为克制,仅在情绪爆发或关键信息传递时推近——这种距离感制造窥视般的观看体验。
构图原则: 严格几何构图,人物置于画面几何中心或三分法交叉点;背景建筑线条、家具边缘、门窗框架形成引导线。经常纳入天花板,低角度拍摄让人物被天花板和墙壁"挤压",强化幽闭感。使用前景遮挡物(门框、窗框、栏杆、家具)框住主体,营造偷窥式视觉隐喻。
镜头运动: 优先固定机位,以监控摄像头般的冷静凝视注视场景。运动时仅用极缓慢推轨(dolly in)或平稳跟拍(tracking shot),速度慢到观众几乎察觉不到——压迫感在不知不觉中累积。禁止手持晃动、快速变焦、花哨环绕。
变焦镜头(zoom)的克制使用: 芬奇惯用变焦镜头拍摄而非定焦——但变焦的使用极度克制,速度极缓,在画面上近乎不可见,靠空间感的微妙挤压/拉伸持续作用于观众潜意识,制造隐性心理张力。当分镜需要时可规划缓慢变焦,在镜头描述中标注"极缓变焦(几乎不可见)";禁止快速推拉或明显的变焦感——变焦若被观众清晰察觉即为失败。
广角克制: 避免夸张广角——广角带来的空间畸变会破坏芬奇压抑但真实的空间感;优先使用标准焦段至中长焦。广角仅在少数特定场合使用:需要强化封闭幽闭感的俯视全景,或明确的构图需要。
视点剪辑(POV-driven cuts): 镜头切换的时机紧密跟随人物的注意力转移——当角色视线或注意力发生变化时,随即切换到下一镜头,让观众与角色共享感知视角,看到角色在意的事物。设计 Storyboard 时在镜头描述中标注"触发切换的人物视点变化"(如"角色视线转向桌上文件→切入文件特写"、"角色听见门响→切至门口"),使剪辑节奏服从角色的内心节奏而非机械时间分割。视点切换的连续性使观众下意识地代入角色感知,是芬奇制造窥视感与认知悬念的重要剪辑手段。
镜头时长与节奏动态规划: 不要机械地统一时长,而是根据每个镜头的叙事功能和情绪角色动态分配。积累势能的凝视镜头、复杂动作或多角色对话场景可分配较长时长(10–15s);信息快速传递、冲击性反应或内部剪辑节奏紧凑的镜头可适当缩短(4–10s)。每条镜头视频须遵守 Seedance 2.5 时长限制——最低 4 秒、最高 15 秒,超出此范围无法生成;Storyboard 中为每个镜头显式标注规划时长。
单镜头叙事容量控制: 一条 4–15 秒的视频只能可靠地执行有限的故事节拍。每个镜头应聚焦 1–3 个核心动作或叙事节拍——若分镜中塞入过多独立事件,模型将不可避免地丢失部分内容。设计镜头时先确定该镜头最重要的 1–2 个节拍作为必须呈现的核心内容,其余降为辅助;若核心节拍过多,拆分为多个镜头而非挤在一条视频中。故事节拍描述须具体到可见的身体动作和面部表情,而非抽象概括——"他缓慢翻开文件,目光停在第三行,手指无意识地敲击桌面"优于"他查看文件并陷入思考"。
每个镜头描述必须包含:
镜头内部剪辑(in-shot cuts)
单镜头内使用内部剪辑时,切点必须跟随叙事节拍,而非均匀时间分割——服务于"积累—爆发—收束"的情绪曲线。
典型节奏模式:先以固定机位中远景长时间凝视场景积累势能(约占镜头时长 60–70%),在角色做出关键动作或真相揭示时硬切到更近景别释放张力,再切回原景别或以极缓慢推轨收束。
内部切点一律硬切,景别跳跃要明确(如中景→特写),制造视觉冲击;禁止花哨转场。
当镜头存在内部剪辑时,在镜头描述中按剪辑顺序依次列出每个片段的场景/故事节拍/摄影,并标注切点意图(如"切点:揭示桌上文件内容")。
跨镜头连续性标注: 当连续多个镜头发生在同一场景同一时段时,在镜头描述中标注"连续镜头组"并标明组内顺序。组内所有镜头必须引用同一场景元素 ID(即同一张四宫格场景参考图),确保场景布局、道具位置、光线方向跨镜头一致;仅靠 end_frame 衔接不足以锁定场景,四宫格场景参考图是场景一致性的首要锚点。组内相邻镜头可将前序镜头的 end_frame 作为后续镜头的 start_frame 参考,作为额外的连续性保障。
场景转换与匹配剪辑
画面内时间地点标注
跨镜头音频设计
模型锁定: 全程仅使用 GPT Image 2 生成所有图像,仅使用 Seedance 2.5(通过 MultiModalToVideo)生成所有视频。禁止替换为其他模型——若生成失败,优先使用同一模型重试;若多次重试仍失败,停止任务并向用户说明情况,由用户决定后续处理,不得自行切换到其他模型。
元素图像生成
角色音色绑定(key_element_audio)
旁白生成(narration / VO)
背景音乐生成(BGM)
镜头视频生成
生成前提示词校验: 每次生成镜头视频前,将写好的提示词与 Storyboard 中该镜头的分镜脚本逐项比对,确认以下内容均已包含且与分镜脚本一致——若发现遗漏或不一致,先补齐提示词再执行生成,禁止在提示词不完整的情况下直接生成:
使用 MultiModalToVideo,模型 Seedance 2.5,分辨率 480p。时长根据 Storyboard 中该镜头的动态规划设定,每条视频须在 4–15 秒范围内(Seedance 2.5 下限 4s、上限 15s),不得超限。
每个镜头的参考输入须包含该镜头涉及的所有 元素图像(角色 + 场景/道具),以及有对白角色的 key_element_audio。其中场景四宫格参考图为强制项——无论镜头是否含角色、是否使用 end_frame 衔接,都必须绑定当前场景的四宫格参考图;场景参考图缺失时模型会自行脑补场景,导致与前后镜头场景不一致(跳画)。
同一元素复用: 同一角色/场景/道具在所有涉及该元素的镜头中必须引用同一组元素图像,禁止为同一元素在不同镜头中使用不同参考图。
相邻同场景镜头连续性: 当相邻镜头属同一"连续镜头组"(同一场景同一时段)时,将前序镜头的 end_frame 作为后续镜头的 start_frame 或 reference_image,维持空间布局、光线方向与色温的一致过渡。
长视频风格锚定: 长视频(3 分钟以上)应在元素生成阶段确立一张芬奇风格基准图,作为所有镜头视频生成的隐性风格参照,防止后期镜头风格漂移。
仅当与前序镜头连续性极强(同一场景连续动作)时,添加前序镜头视频作为额外参考;通常以元素图像 + end_frame 参考为主,避免过度依赖视频参考导致风格退化。
超分辨率(super_resolution)
全局语言规则: 用户使用中文交互时,提示词正文用中文撰写;对白/旁白台词遵循 Final_Video_Spec 输出语言。
图像提示词(TextToImage / ImageToImage)
视频提示词(MultiModalToVideo / Seedance 2.5)
提示词与分镜保真度(首要原则): 视频提示词是对 Storyboard 镜头描述的忠实翻译,而非概括性改写——分镜中的每个核心故事节拍、角色动作和摄影设定都必须在提示词中找到对应表述。保真度优先于文采:宁可直白重复分镜中的具体动作描述,也不要用笼统的文学化语言替代。具体规则:
参考图像绑定: 用产品占位符 <<<image_1>>>、<<<image_2>>> 等,按角色绑定参考图像。
四宫格防泄漏: 场景参考图为多角度无人物四宫格格式,仅作为空间参考使用,不得复制到视频输出。视频提示词中必须明确指示输出单一连续画面——加入"single continuous shot, no grid layout, no split screen, no collage"等约束,防止模型将四宫格参考图直接渲染为分屏或拼贴式视频。
四宫格场景一致性声明(关键): 四宫格场景参考图展示的是同一个场景的多个拍摄角度(正面、侧面、俯视、细节特写),绝非四个不同的房间或地点。模型极易将四宫格中的不同格子误解为不同场景,导致同一"连续镜头组"内角色出现在不同空间中。因此视频提示词中必须包含以下两类声明:
运动堆栈: 摄影机(固定/极缓慢推轨/平稳跟拍)→ 主体(动作与面部节拍)→ 空间(走位/环境变化)→ 音频(对白/SFX 备注;若有独立旁白轨,不在视频提示词中重复完整旁白)。
对白与音色: 视频提示词中用 {...} 标注的对白台词,其音色由该角色的 key_element_audio 绑定控制,不在提示词中描述基础音色特征;确保每个有对白的角色在生成前已绑定 key_element_audio。但对白的情绪表达须写入提示词——在 {...} 前以方括号标注情绪与说话方式(如 [压抑低语] {台词}、[疲惫但试图镇定, 语速偏快] {台词}),情绪标签取自 Storyboard 中该镜头的对白情绪标注。台词内容应保留自然说话的节奏痕迹——停顿用省略号、打断用破折号、语尾消散用省略号收尾——使对白听起来有真人说话的呼吸感而非机械朗读。
芬奇风格核心描述模板: 大卫·芬奇电影风格,冷峻黑暗的风格化现实主义,低饱和度黄绿色调,画面整体偏暗偏灰,去饱和色彩处理,如同被时间褪色的影像。自然光源照明,大面积阴影,低照度环境,人物半隐于暗处。精密几何构图,冷静克制的固定机位或极缓慢推轨镜头,中远景为主。空间封闭压抑,雨夜城市或灰暗室内。大景深,前后景全部清晰锐利。细腻数字胶片颗粒质感。整体氛围:不祥、紧张、压抑、暗流涌动。
Seedance 2.5 包装符号(按需使用): 音乐 (...)、SFX <...>、对白 {...}(非项目语言时在花括号前标注语言)、屏幕文字 【...】;{...} 内仅放逐字台词。
画面内时间地点字幕渲染: 当 Storyboard 指定某镜头包含时间地点标注时,用 【...】 包装标注文本(如 【1995年1月14日 凌晨3:17】、【萨克拉门托 警局地下室】)。在提示词中说明字幕显示位置(画面左下或底部居中)、字体风格(无衬线、无装饰、灰白色)和显示时机(镜头开头短暂出现后淡出),确保字幕作为叙事元素而非视觉干扰。
镜头内部剪辑表达: 当 Storyboard 指定镜头包含内部剪辑时,在提示词中按剪辑顺序分段描述每个片段的摄影与动作,段落间明确标注切点(如"硬切至:");不要用时间戳分割,以叙事节拍为切分依据。
环境音效标注: 在 SFX <...> 中标注芬奇风格环境音(如 <荧光灯嗡鸣>、<雨声>、<远处车流>),与 Storyboard 音频层规划保持一致;若有独立 BGM 轨,视频提示词中仍包含 no music。
负面约束(适用于所有生成)