스튜디오 초안을 준비합니다. 여러 단계의 지침은 참고용이며 자동 생성이나 과금은 하지 않습니다.
适用于社会纪实、文艺独立短片创作,乡土纪实美学,生成贾樟柯式纪实美学短片。
제작 흐름 본문은 중국어 원문입니다. 언급된 모델과 이 사이트의 지원 모델은 다를 수 있습니다. 실제 모델과 크레딧은 스튜디오에서 확인하세요.
核心原则: 分阶段推进,每个关键节点暂停并等待用户确认后再继续,不得一次性跑完全流程。
开始前判断用户输入类型,按以下规则处理:
用 text_editor 创建 Final_Video_Spec.md,锁定以下全局参数:
叙事线经用户确认后,一次性向用户展示以下三个维度,统一收集参数后进入阶段 2。
请用户输入短片总时长(10–180 秒),若不输入则默认 30 秒。
向用户输出确认清单(节奏 / 运镜倾向 / 总时长 / 预估镜头数),用户回复"确认"后,将以下变量传递给 storyboard_designer:pace_type、camera_style、total_duration、avg_shot_duration。
预估镜头数仅供时长参考,不作为强制数量约束;storyboard_designer 根据人物事件自然划分实际镜头数。
调用 storyboard_designer 生成完整分镜脚本(key_elements + shots + audio_layers);storyboard_designer 必须严格遵循阶段 1.5 传入的 pace_type、camera_style、total_duration、avg_shot_duration 参数,镜头时长须足以呈现完整行动,镜头数量根据叙事事件自然划分。分镜完成后呈现给用户,等待确认或修改后进入下一阶段。
分镜确认后,统计跨两个以上镜头出现的主要角色:
调用 video_assembler 按分镜顺序拼接,叠加环境音轨,输出最终视频。提示用户导出。
依赖关系: 阶段0 → 阶段1 → 阶段1.5 → 阶段2 → 阶段2.5 → 阶段3 → 阶段4;阶段3中素材生成依赖阶段4分镜。
异常处理: 若用户未提供任何输入,回复:"请上传一段音频,或用一句话描述一个场景(例如:'一个年轻人在手机店外等候消息'),AI将自动生成叙事框架。"
当用户上传音频(MP3等格式)时,重点提取:
当用户上传人物参考图时,重点提取并输出以下结构化字段,供身份板生成 prompt 和 key_element 描述使用:
若用户上传参考图或视频作为视觉锚点:
本 Skill 的核心不是制造灰暗县城画面,而是通过一个普通人的具体行动,观察中国县城在现代化、迁移和消费文化影响下的新旧并存。画面可以粗粝、平淡、热闹、艳俗或安静;人物可以失落,也可以好笑、尴尬或荒诞;时代变化不由摄影机解释,而让它自然进入同一构图。
人物(element character):
人物根据职业、年龄、收入和生活选择设计,不统一塑造成疲惫中年人。
允许小镇青年、学生、服务员、司机、商户、工人、表演者、返乡者和退休老人。服装可以陈旧,也可以鲜艳、廉价、追求时髦或带有职业特征。
保留自然皮肤、普通体态和真实衣物褶皱,不使用美颜、时尚大片妆容或过度精致造型。人物状态通过正在进行的行动表现,不靠"疲惫眼神"作为统一风格标签。
场景(element scene):
根据人物正在进行的事情选择真实空间,不为了表现风格而自动添加废墟和破墙。
可用空间包括:
镜头时长与运镜(优先遵循用户自定义参数):
若规划阶段传入了 pace_type、camera_style、avg_shot_duration,严格按以下映射执行,覆盖下方默认值:
pace_type每镜时长范围固定/手持比例其他约束slow6–12s固定长镜头 ≥70%禁止快切,禁止急推medium4–8s固定与手持各约50%允许轻微晃动fast2–4s快切比例 60%仍须保留纪实质感与环境音
camera_style 映射:handheld→ 运动镜头强制手持;static→ 优先固定机位,手持仅限极少数追逐/慌乱场景;hybrid→ AI 根据镜头内容自动判断(人物行走用手持,空镜/对话用固定)。
镜头时长须足以呈现完整人物行动;镜头数量根据叙事事件自然划分,不强制固定数量。三段式开端/发展/结尾可作为叙事参考,比例无需严格固定。
默认值(无自定义参数时): 每镜 6–12 秒;固定长镜头不低于 6 秒;手持跟拍 5–10 秒;禁止快切(单镜不得低于 4 秒)。
每个 shot 描述必须包含以下维度:
景别与构图:
优先使用全景、中远景和中景,让人物与现实空间同时可见。人物不必始终居中,可以位于画面边缘、门框内、街道深处或多人活动之间。
允许路人、车辆、店铺活动和背景事件进入画面。背景中的偶然行动属于现实内容,不应全部清除。
特写只在动作或物件确实改变人物处境时使用。不得因为物件陈旧就安排象征性特写。
运镜方式(必须二选一或混用):
现场光线与色彩:
生成每个场景前先确定时间、天气和画面内真实存在的光源。
环境音设计(每镜标注): 从以下元素中选取与画面匹配的组合:街边叫卖、摩托引擎轰鸣、长途大巴发动机声、老式收音机杂音/广播、方言碎片人声(不对口型)、风声、碎石子脚步声、车票摩擦声、工厂机械远声、小孩嬉闹声。配乐极少,默认不加音乐。
这是贾樟柯空间区别于纯怀旧美术布景的核心特征。
**每个主要场景必须同时包含至少两种不同年代或生活系统的痕迹,**例如:
禁止将场景设计成纯粹怀旧、纯粹破败或统一复古的美术布景。 杂糅感本身是贾樟柯空间的真实质地,不需要人工清理掉其中一种年代痕迹来"统一风格"。
在 shot 描述和 element scene 描述中,须明确标注场景内共存的两种(或以上)年代/生活系统元素,不得只描述单一时代感。
这是贾樟柯风格最核心的叙事辨识点。AI 原创或根据简短想法/故事梗概扩展的故事必须贯彻此原则;用户上传完整剧本时,只提取并强化原剧本已有内容,不得擅自增加拆迁、下岗、离乡、卖旧物或改变结局。
两条叙事线要求:
同框镜头要求: 全片至少安排一个镜头,让人物的小行动与时代变化同时存在于同一构图中。例如:人物等车时,旧车站外的招牌正被拆除;人物在屋内修风扇时,远处新楼的广告广播持续传入。
在 shot 描述中,需同时标注人物线动作和时代线背景元素,不得只描述人物或只描述环境。
这份 Skill 的独特性不在"慢",而在摄影机不抢在现实前面解释意义。以下观察镜头要求适用于 AI 原创及扩展故事;用户提供完整剧本时,在不改动剧情的前提下尽量安排,无法安排则保留剧本原有节奏。
关键事件处理原则:
观察镜头(每部短片强制要求至少一个):
全片至少安排一个 8–30 秒的观察镜头,同时满足以下四项条件:
在 shot 描述中须明确标注"观察镜头",并同时列出以上四项内容,不得缺项。
这是贾樟柯叙事的内在张力核心。AI 原创或扩展的故事必须包含此项;用户提供完整剧本时,若剧本中已有此张力则在分镜中强化,若原剧本没有则不得擅自添加。 每个故事的主角应面对一种具体的去留关系,包括但不限于:
结尾处理: 结尾不必解决问题,但必须让人物完成一个可见的行动选择——上车、留下、交出钥匙、删除号码、带走物品或独自返回。选择通过动作呈现,不通过对白或旁白解释。
在 shot 描述中,结尾段落须包含主角完成该选择的具体动作,不得以情绪凝视或环境空镜代替可见行动。
这是容易被漏掉的重要辨识点。每个短片必须选择一种具有年代感的公共流行文化声音或视觉材料,从场景内部自然出现,不作为配乐添加:
该元素必须来自场景内部,并与人物处境形成反差。 人物失落时,远处仍可播放热闹歌曲;街区拆迁时,售楼广告仍可宣传新生活。摄影机不强调反差,也不解释它,让两者同时存在于画面中。
在 shot 描述的环境音设计和 audio_layers 设计中,须为全片至少一处明确标注来自场景内部的流行文化声音元素及其与人物处境的反差关系。
如果只有沉郁,就不像完整的贾樟柯。现实气氛不得全程沉重。
允许人物说冷笑话、穿廉价时髦服装、唱跑调的歌、摆不合时宜的姿势,或在严肃环境中发生尴尬的小事。幽默不使用喜剧音效或夸张表演,而来自人物认真对待一件略显荒谬的事情。
在 shot 描述中,若有幽默或尴尬时刻,以行动和细节描述体现,不添加"幽默感""轻松氛围"等情绪标注。
当故事适合时,全片最多允许一次短暂超现实事件。此项为可选,不强制每片使用,强制使用会变成套路。
可用形式包括:
处理规则: 摄影机和人物保持现实反应,不使用特效高潮、神秘音乐或解释性对白。超现实事件发生后,故事继续日常行动,不对事件进行任何说明。
若分镜中安排此类事件,在对应 shot 描述中明确标注"可选超现实事件",并注明触发依据(故事主题是否适合)。
段落时长占比典型意象开端(环境建立)25%灰蒙天空、老旧街道、长途大巴、废弃厂区远景发展(人物状态)50%工厂车间、城中村楼道、小旅馆、下岗人群、铁轨边独行结尾(时代留白)25%枯河、荒楼、空站台、拆迁废墟、人物背影消失于环境
根据故事年代选择影像质感,同一短片只使用一种主要媒介质感,不得无视故事年代统一添加老式噪点或复古滤镜:
本Skill所有提示词以中文书写。
必含前缀风格锚点(写入每条提示词开头):
贾樟柯电影风格,中国县城/小镇/城乡边缘写实场景,保留现场物体固有色,不使用统一电影调色滤镜,边缘柔和无锐化,手持或固定机位纪实质感,非广告摄影风格
角色身份板(全身参考图 / 正面近景):
人物 key_element 图像(跨镜通用参考):
场景 key_element 图像:
必含强制前缀(每条视频 prompt 开头):
贾樟柯纪实风格,16:9写实宽屏,中国县城/小镇/城乡边缘实景,保留现场物体固有色,根据时间/天气/现场光源确定综合色调,不使用统一电影调色滤镜,允许招牌/服装/商品等局部高纯度色,边缘柔和,禁止磨皮美颜,禁止精致布景,禁止统一压灰,禁止滑轨稳定器平滑感
运镜描述(从以下选其一或组合):
镜头内容描述顺序(Motion Stack):
参考图绑定: 用 <<<image_1>>> 等占位符标注对应 key_element 参考图。
影像媒介质感(根据故事年代写入 prompt,同一短片保持统一,不得混用):
固定 Negatives(每条视频 prompt 末尾):
no music,no subtitles,no lip sync,no smooth gimbal,no drone shot,no beauty filter,no unified desaturation filter,no cinematic lighting rigs
禁止在视频 prompt 中出现的描述: 磨皮、美颜、精致、高饱和、鲜亮、滑轨、稳定器、航拍、对口型、字幕、旁白台词(旁白若有,走独立音轨,不写入视频 prompt)。
以下三套模板对应最常见镜头类型,生成时按实际场景替换【】内占位内容,其余风格锚点保持不变。
适用场景:开端段落的环境建立、时代留白结尾、空间交代。
贾樟柯纪实风格,16:9写实宽屏,中国县城/小镇/城乡边缘实景,保留现场物体固有色,根据时间/天气/现场光源确定综合色调,不使用统一电影调色滤镜,允许招牌/服装/商品等局部高纯度色,边缘柔和,禁止磨皮美颜,禁止精致布景,禁止统一压灰,禁止滑轨稳定器平滑感。
固定长镜头,机位完全静止,画面内物体自然运动。远景构图,【废弃工厂烟囱群 / 城中村低矮楼房 / 空旷长途大巴站台】占画面三分之二。根据实际时间与天气确定综合色调:若为阴天,漫射光柔和,对比度低;若为晴天,硬日光侧射,建筑投影明显;若为傍晚,暖橙光从地平线一侧打入,保留现场色温。招牌、广告牌或车辆允许保留现实中的局部高纯度色,不做统一压灰处理。画面边角可见路人缓慢移动 / 枯草摇曳 / 远处车辆驶过,无人物特写,环境主导。<风声低鸣,远处汽笛断续,偶有摩托引擎轰鸣渐远>
no music,no subtitles,no lip sync,no smooth gimbal,no drone shot,no beauty filter,no saturated colors,no cinematic lighting rigs
适用场景:发展段落中人物行走、劳动、等待等日常状态记录。
贾樟柯纪实风格,16:9写实宽屏,中国县城/小镇/城乡边缘实景,保留现场物体固有色,根据时间/天气/现场光源确定综合色调,不使用统一电影调色滤镜,允许招牌/服装/商品等局部高纯度色,边缘柔和,禁止磨皮美颜,禁止精致布景,禁止统一压灰,禁止滑轨稳定器平滑感。
手持跟拍,轻微非规律晃动,无稳定器感。全景/中景,<<<image_1>>>【中年男性,洗褪色藏青工装,寸头,面容粗粝保留皱纹雀斑】偏画面左侧,沿【铁轨边碎石路 / 城中村狭窄楼道 / 废旧厂区走廊】缓慢行走。右侧大面积留白为周边环境。根据实际时间与天气确定光线:白天晴天则硬日光侧射,白天阴天则柔和漫射;若为夜晚,使用路灯、商店招牌灯或手机屏幕等现场光,不统一添加冷青灰底调。周边招牌、衣物、商品允许保留现实中的固有色,不做整体压灰。人物无表演性动作,自然行走状态。<碎石子脚步声,远处方言碎片人声,老式收音机广播若隐若现>
no music,no subtitles,no lip sync,no smooth gimbal,no drone shot,no beauty filter,no saturated colors,no cinematic lighting rigs
适用场景:关键旧物道具强调——车票、烟盒、打火机、旧收音机等,承载时代符号意义。
贾樟柯纪实风格,16:9写实宽屏,中国县城/小镇/城乡边缘实景,保留现场物体固有色,根据时间/天气/现场光源确定综合色调,不使用统一电影调色滤镜,允许招牌/服装/商品等局部高纯度色,边缘柔和,禁止磨皮美颜,禁止精致布景,禁止统一压灰,禁止滑轨稳定器平滑感。
固定平视机位,近景特写。画面主体为<<<image_1>>>【中年男性粗糙手部,手背青筋可见,皮肤暗沉干裂】,手持【一张泛黄折叠旧车票 / 半截燃着的劣质香烟 / 打火机反复拨动打不着火】,动作细微、缓慢,无戏剧化表演。背景虚化为模糊的现场环境色块,颜色根据实际场景保留,不强制压为灰土黄或脏蓝灰。根据拍摄时间与实际光源确定光线:室内或傍晚可使用昏黄灯光或窗光侧射;户外白天可使用漫射或硬日光;不固定为阴天漫射。手部皮肤纹理清晰保留,皮肤质感粗粝,禁止任何光滑感与美颜处理。<车票纸张摩擦声 / 打火机金属咔哒声,偶有远处环境音底噪>
no music,no subtitles,no lip sync,no smooth gimbal,no drone shot,no beauty filter,no saturated colors,no cinematic lighting rigs