Préparez un projet de studio. Les instructions multi-étapes sont des références; cela ne fonctionne ni ne charge pour la génération.
用于制作塔可夫斯基(Andrei Tarkovsky)导演风格的诗意短片。全程以 GPT Image 2 生成画面图像、Seedance 2.5 生成镜头视频,16:9 画幅,480p 分辨率。
Le texte de Workflow est conservé dans son original chinois. Les modèles référencés peuvent différer de ceux disponibles ici. Vérifiez le studio pour les modèles pris en charge et les devis réels.
全流程阶段逻辑与依赖关系
依赖关系: 2→1;3→2;4→3;5→2;6→3,4,5。
逐资产确认原则(最高优先级): 每次生成新资产(element 图像、镜头视频、音频层)之前,必须先向用户说明即将生成的内容(资产类型、对应的 Storyboard 锚点、计划使用的模型与参数),并等待用户明确确认;用户同意后才执行该次生成。禁止在未经用户逐次确认的情况下连续生成多个资产——即使属于同一阶段(如批量 element 图像或连续多个 shot 视频),也必须逐个确认、逐个生成。
元素完整性校验原则: 进入镜头视频生成阶段(第 4 步)之前,必须逐一核对 Storyboard 中定义的所有 key elements(人物、场景、道具),确认每个 element 均已生成或绑定对应资产。若发现任何 element 缺失资产,须先补齐再继续;禁止在元素不完整的情况下直接进入镜头视频生成。场景参考图绑定校验(防跳画): 在此基础上,还须逐一核对 Storyboard 中每个 shot 引用的 scene element 是否已绑定四宫格场景参考图资产——若任何 shot 的场景参考图未绑定,须先补齐绑定再进入视频生成,禁止在场景参考图缺失的情况下生成镜头视频,否则会导致场景空间跳变、与相邻镜头不一致。
提示词完整性校验原则(覆盖所有资产类型): 每次生成任何资产(element 图像、镜头视频、音频层)之前,必须将对应提示词或生成描述与 Storyboard 相关描述逐项比对,确认无遗漏后方可提交生成。校验维度因资产类型而异——element 图像须校验人物身份与物理特征、场景物理结构、道具材质状态是否与 key element 描述一致,视觉风格指令是否符合塔可夫斯基美学;镜头视频须校验场景参考、人物参考、道具参考、台词对白、色彩模式、运镜与构图、自然元素锚点、象征意象与递进阶段、角色弧线节点、场景过渡方式;音频层须校验 narration_speaker_profile、旁白文本、BGM 风格描述、角色 key_element_audio 绑定是否与分镜定义一致。发现遗漏须补全后再生成,禁止带着不完整的提示词执行生成。
校验失败处理原则: 当任何生成前校验发现遗漏时,按以下步骤处理:
里程碑暂停原则: 每完成一个主要阶段(叙事大纲完成、规格锁定、分镜完成、element 图像完成、镜头视频完成、音频完成),同样必须停下来向用户展示阶段成果并等待确认,再进入下一阶段。
生成后忠实度复检原则(镜头视频最高优先级): 镜头视频生成后,仅做生成前校验不足以保证分镜设计忠实落地——生成模型的实际输出可能与提示词存在偏差。因此每个镜头视频生成完成后,必须执行一次生成后忠实度复检:将生成结果与 Storyboard 对应 shot 描述逐项比对,核对分镜中设计的以下内容是否在视频中实际呈现——① 场景空间与光线状态(是否与场景参考图一致);② 人物动作与表演(动作类型、幅度、情绪状态是否与 story beats 一致);③ 标志性自然元素状态(水/雾/火/废墟等是否出现且状态正确);④ 色彩模式(彩色/黑白/棕褐色是否正确);⑤ 运镜方式与构图手法(是否与分镜指定的运镜优先级与构图一致);⑥ 象征意象及其递进阶段(意象是否出现且处于正确阶段);⑦ 台词(如有,是否在视频中呈现且情绪方向正确)。若发现关键内容缺失或偏差,须以强化提示词重新生成——将缺失内容置于提示词更前置位置、加强措辞权重、减少非关键描述的干扰,确保分镜设计在生成结果中忠实呈现。复检不通过时,最多重试 2 次;2 次后仍无法忠实呈现,须向用户报告偏差内容并由用户决定是否接受当前结果或调整分镜设计。
用户提供的 element 参考素材分析
导演决策指导(当用户仅有灵感或叙事大纲而未提供逐镜头脚本时主动补位)
设计 key elements
设计镜头
镜头时长动态规划: Seedance 2.5(分辨率 480p) 单条视频时长范围为 4–30 秒,每个 shot 的时长须根据其叙事功能与情绪需求动态设定,而非一刀切。塔可夫斯基美学整体偏好长镜头,但不同段落类型应有差异化节奏:
叙事结构(非线性 / 梦境逻辑): 全片叙事不追求线性因果,鼓励以记忆碎片、梦境段落与现实场景交织的方式组织镜头序列。相邻镜头之间的时间/空间关系可以是跳跃的、隐喻性的——前一个镜头是现实,下一个可以是回忆或梦境,无需过渡解释。标志性叙事转场包括:以水面倒影切入回忆、以雾气弥漫衔接时间跳跃、以火光摇曳过渡到意识流。
非线性叙事模板(按需选用,可混合):
场景连续性分组标注: 为每个 shot 标注其所属的 element scene ID 作为 scene_group(如 scene_group: [Element_废弃教堂]),使同一场景的镜头群可被快速识别。当镜头序列中出现场景切换时,须显式标注 scene_break,并注明该次场景切换的过渡方式(引用叙事开发阶段预设的"场景间过渡逻辑",如"雾气弥漫过渡""水面倒影破灭过渡""火光引导过渡"),使场景转换方式有据可依而非随意选择转场手法。此标注供 media_generator 在生成阶段统一引用相同 scene element 参考图保持场景内一致,同时供 video_assembler 据此选择对应的转场手法与时长。
每个镜头描述必须包含:
开场序列设计(全片第一个镜头): 开场镜头须为全片定调——以极缓慢的长镜凝视(13–30 秒)建立全片的时间质感与精神氛围。开场优先选择以下方式之一:① 自然元素空镜定调——凝视水面、雾中旷野、风中草地等自然元素独自流动,无人物,让空间先于叙事建立存在感(参照《镜子》开篇的田野);② 静物 / 空间凝视——凝视室内静物(旧物、烛火、窗外光线),建立物理现实质感后再引入人物;③ 人物背影 / 侧影——人物背对镜头或处于画面边缘,空间主导,暗示人物在宇宙中的位置而非揭示身份。开场镜头的色彩模式须与叙事结构模板匹配(三段式梦境以黑白开篇、意象并置以低饱和彩色开篇)。开场镜头不得包含台词或旁白——让纯视觉建立最初的沉浸。
结尾序列设计(全片最后一个镜头): 结尾镜头须以悬置意象收束而非闭合解决——塔可夫斯基式结尾留下开放性余韵,不提供叙事答案。结尾优先选择以下方式之一:① 自然元素余韵——火光渐熄、雾气散去后的空寂、水面归于平静,以自然元素的"静止"暗示精神状态而非交代结局;② 空间空镜——人物已离开画面,空间中仅留痕迹(熄灭的蜡烛、空椅、关闭的门),以"缺席"暗示精神位移;③ 悬置凝视——人物凝视画面外某处(或直视镜头),表情不给出明确情绪结论,定格于不确定状态。结尾镜头时长取最长档(13–30 秒),让悬置感在时间中延展。结尾色彩模式须与开场形成弧线呼应(如开场黑白→结尾棕褐色,形成"从现实走向精神"的色彩弧线)。结尾镜头不宜包含解释性旁白——若需旁白,以未尽之言收束(如半句未完成的话、一个悬置的意象),而非总结性陈述。
间幕 / 标题文字设计: 间幕文字用于叙事段落之间的分隔或精神母题的文字性介入,非装饰性字幕。使用时机: 仅在叙事结构有明确段落切换时使用(三段式梦境的段落之间、回忆嵌套的层级转换处),全片不超过 2–3 次——间幕须稀少而有分量,不是每段都加。文本风格: 间幕文字应为诗性短语或象征性意象描述(如「火熄灭后的第三天」),而非叙事性章节标题(避免「第一章:童年的记忆」式直白标题);可引用阿尔谢尼·塔可夫斯基式诗句风格。呈现方式: 黑底白字,衬线字体或手写体,字号居中偏小,留白充足;入场用 2–3 秒淡入,停留 3–5 秒,出场用 2–3 秒淡出;间幕期间画面为纯黑底,仅文字与沉默——间幕本身就是一次"视觉呼吸"与叙事停顿。间幕须在分镜中作为独立"间幕镜头"标注(shot type 标注为 interstitial),在视频提示词中使用 【...】 标注银幕标题文字内容。
设计跨镜头音频层
自然环境音(audio_layer,type: ambient): 全片底层铺设自然音效,但环境音不是恒定底噪——须随叙事层次变化,参与叙事表达。环境音叙事化设计(必须设计): 为每个叙事段落标注对应的环境音特征与情绪功能:① 现实段——具象、纪实感的环境音(雨声持续、远处钟声、脚步踏泥),锚定物理现实;② 梦境 / 回忆段——去具象、空灵化的环境音(水声残响、回声感、远处低鸣),制造精神空间的悬浮感;③ 意识流段——无序、断裂的环境音(风声骤起骤止、不规则碎裂声、突兀的寂静),反映精神状态的碎片化。段落切换时环境音做交叉淡化(如现实雨声渐弱→梦境水声渐起),过渡时长 2–3 秒。环境音须与画面中的标志性自然元素呼应——画面有水面倒影时以水声为主,画面有烛火时融入微弱火焰噼啪声。体现塔可夫斯基以"沉默本身为声音设计"的理念,环境音应低混、不抢占画面,但须有层次变化而非全片一种声音。
BGM(audio_layer,type: bgm): 若需要音乐,选用古典音乐风格(弦乐、管风琴、古钢琴、极简重复音型),与画面形成对位关系而非同步渲染;避免情绪过度强调的现代配乐。BGM 情绪弧线(必须设计): 按全片叙事段落规划 BGM 情绪走向,与旁白情绪弧线形成对位而非同步——旁白沉寂时 BGM 可微升填补空间,旁白迸发时 BGM 反而收敛退让,两者此起彼伏。为每段 BGM 标注:① 段落情绪方向(如开篇低沉疏离→中段弦乐渐浓→转折处单音悬置→收尾归于寂静);② 配器倾向(弦乐 / 管风琴 / 古钢琴 / 极简音型 / 无);③ 力度走向(渐强 / 渐弱 / 恒定 / 骤停 / 消隐);④ 与旁白的对位关系(同步 / 对位 / 错位 / 互让)。示例走向:开篇——极简低频持续音,近乎环境音,疏离空旷;中段——弦乐渐浓,和声层次缓慢叠加但不推向高潮;转折——短暂沉默或单音悬置,制造精神断裂感;收尾——归于寂静,仅留极弱持续音或完全消隐。
旁白 VO(audio_layer,type: narration): 若有旁白,文本须遵循以下内容创作指导——
呼吸节律模板(塔可夫斯基风格声音标准,适用于旁白 VO 与角色台词): 为确保声音呈现呼吸感与时间质感而非机械朗读,所有旁白与台词须遵循以下节律标准:
模型锁定(最高优先级): 全程仅使用 GPT Image 2 生成所有图像(TextToImage / ImageToImage),仅使用 Seedance 2.5(分辨率 480p) 生成所有视频(MultiModalToVideo);禁止切换至其他图像或视频模型。若指定模型生成失败,停止当前任务并向用户报告,由用户决定下一步——不得自行以其他模型替代。
Key element 图像生成
镜头视频生成
角色音色一致性与情绪表现力(key_element_audio):
音频生成
音频层生成前校验(必须执行)
全局最高优先级: 若用户以中文交互或界面语言为中文,所有提示词正文以中文书写;台词、VO 文本语言遵照 Final_Video_Spec.md 中设定的输出语言。
提示词完整性自检(视频镜头必须执行): 每条镜头视频提示词写完后,须回到 Storyboard 对应 shot 描述逐项对照,确认以下内容均已完整写入——场景引用与光线状态(含四宫格统一性声明与场景物理特征文字锚点)、所有出场人物的动作与参考图占位符、相关道具、精确台词文本({...})及台词表演指示(情绪状态与发声方式、呼吸节律标注"——"/"·"/"(呼吸)"/"↘")、color_mode 色彩指令、景别与运镜方式、构图手法、标志性自然元素状态、象征意象及其递进阶段的具体视觉描述(如"干涸河床露出龟裂泥土"而非笼统的"水元素")、多意象组合镜头的组合象征含义是否已转化为具体画面描述、角色当前精神状态节点是否已通过人物表情与动作描述体现、场景过渡方式(若有 scene_break)是否已转化为具体画面变化描述。发现遗漏须补全后再提交,禁止带着不完整的提示词执行生成。
提示词完整性自检(element 图像必须执行): 每条 element 图像提示词写完后,须回到 Storyboard 对应 key element 描述逐项对照,确认以下内容均已完整写入——人物身份特征(面部、肤色、发型、服装款式与材质、体型)或场景物理特征(结构、材质、光线、空气感)或道具特征(材质、磨损状态);塔可夫斯基视觉风格指令(低饱和色调、自然光、胶片质感);若用户提供了参考图,身份与物理特征是否与 resource_prepare_and_analyze 分析结果一致;人物 element 额外校验——是否已指定 16:9 横向画幅,是否已包含全身三视图布局指令(正面全身 / 侧面全身 / 背面全身),每视图内容是否已明确标注;场景 element 额外校验——是否已指定 4:3 画幅,是否已包含四宫格布局指令(全景定场 / 陈设特写 / 纵深透视 / 气氛光效),每格内容是否已明确标注,画面是否无人物。发现遗漏须补全后再提交。
图像提示词(GPT Image 2 — TextToImage / ImageToImage)
视频提示词(MultiModalToVideo — Seedance 2.5(分辨率 480p))
忠实转译原则(最高优先级): 提示词须忠实转译 Storyboard 中对应 shot 的全部设计内容,不得概括、压缩或遗漏任何设计维度。分镜中每个设计元素——场景空间、人物动作与表演、台词、色彩模式、运镜方式、构图手法、标志性自然元素状态、象征意象及其递进阶段、角色精神状态——均须在提示词中有对应的、具体的、可执行的描述。禁止以笼统描述替代分镜中的具体设计: 如分镜写"缓慢推轨揭示空间纵深",提示词不得简化为"推轨镜头";分镜写"雨声持续、积水倒影中人物身影模糊",提示词不得简化为"雨天场景"。核心元素前置原则: 当提示词篇幅较长时,须确保最影响画面结果的核心元素在提示词中得到充分、前置的描述——场景空间与光线、人物动作与状态、运镜方式是决定画面骨架的三要素,须置于提示词前部并给予充分篇幅;自然元素与象征意象、色彩模式、构图手法紧随其后;台词与音效标注置于末尾。避免次要描述稀释核心设计的注意力权重,导致模型忽略关键设计。
参考图绑定: 每个 element character 参考图使用占位符 <<<image_1>>>、<<<image_2>>> 等逐一标注,并在描述中说明各图所对应的角色或元素。人物参考图为三视图布局,绑定时标注其用途为"人物身份与外观参考";场景参考图为四宫格布局,绑定时标注其用途为"场景空间与氛围参考",并明确声明"该四宫格图展示的是同一个场景的不同角度与细节,不是四个不同场景";视频提示词须描述单一连续镜头的内容,不得复述三视图或四宫格的结构——三视图与四宫格仅作为信息参考,不是视频分镜指令。场景环境文字锚点(必须写入): 绑定四宫格场景参考图时,提示词中须补充一段对该场景物理特征(建筑结构、空间布局、材质、光线来源、空气感)的文字描述,使模型对该场景有统一的文字理解,而非仅依赖四宫格图像自行解读——不同镜头引用同一场景参考图时,这段文字描述须保持一致,确保人物始终活动在同一个空间环境中。
运镜堆叠顺序: 摄影机运动 → 主体动态 → 空间与自然元素变化 → 音效 / 台词提示。
Seedance 2.5(分辨率 480p) 音效标注(按需使用):**
固定否定指令: 若旁白 VO 走独立音频层,视频 prompt 中不重复完整 VO 文本;几乎所有镜头加 no music(BGM 在后期层叠);始终加 no subtitles(字幕由后期处理)。
节奏与剪辑基调
镜头间过渡规则(按叙事关系分类)
过渡方式遵循分镜标注: 每个场景切换处的过渡方式须遵循分镜中 scene_break 标注的过渡方式(引用叙事开发阶段预设的"场景间过渡逻辑"),如分镜标注"雾气弥漫过渡"则使用淡入淡出配合雾气效果,标注"水面倒影破灭过渡"则使用溶解配合色彩翻转——转场手法须服务于叙事意图而非仅按时长规则机械套用。以下时长规则为各过渡类型的具体参数。
同场景连续镜头: 优先使用短溶解(dissolve,0.5–1 秒),保持空间与时间的自然延续;环境音层不随切换中断,保持连续流动。
场景切换(同一叙事层内): 使用较长溶解(1–2 秒)或淡入淡出(fade,1–1.5 秒),给观众从一处空间"离开"再"抵达"另一处的过渡时间。
现实→梦境 / 回忆: 使用较长淡入淡出(fade,2–3 秒),配合色彩模式切换(如黑白→棕褐色),让转换成为沉浸式的精神位移;过渡过程中环境音做交叉淡化——现实层音效渐弱、梦境层音效渐起。
梦境 / 回忆→现实: 使用淡入淡出(fade,1.5–2.5 秒),节奏比"进入梦境"略快——"醒来"比"入梦"更突然是塔可夫斯基惯用手法;过渡处保留一丝梦境音效余韵(如水声残响),暗示精神印记未消。
意识流段落内部: 使用快速溶解(0.3–0.5 秒)或跳接(jump cut),允许碎片化跳跃——意识流的逻辑是非线性、无因果的。
意象并置结构(无因果衔接): 使用淡入淡出(fade,1–2 秒),让意象群之间有"呼吸"间隔。
硬切(hard cut)使用条件: 仅限于——① 时间跳跃(白天→夜晚);② 意识流断裂(精神状态骤变);③ 需要制造冲击感的叙事节点。即使使用硬切,环境音层仍须保持连续,不可同步硬切。
黑白↔彩色段落过渡: 当 color_mode 切换时,优先使用较长淡入淡出(fade,2–3 秒),让色彩转换成为一次"视觉呼吸";段落内部同色模式镜头间用溶解衔接。
音频层叠与同步(多层混音规则)
间幕 / 标题文字处理
导出立场