将创作草稿带入工作台;多阶段流程供参考,不会自动执行或扣费。
适用于宠物 + 萌娃双主角同框短视频;以「闯祸–被抓包」喜剧弧线为核心,第一人称低角度手持 POV,内嵌大人画外台词,覆盖角色设定、视频生成(Seedance 2.5(分辨率 480p))、封面矩阵与合成全流程。
流程正文保留原始中文。模板提及的模型不等同于本站已接入模型;实际可用模型与积分以工作台显示为准。
用户须至少提供以下之一,否则立即索取,不得继续执行:
向用户确认:
确认后用 text_editor 建立 / 更新 Final_Video_Spec.md,写入:项目名称、宠物角色(类型+外形关键词+体型参照)、萌娃角色(外形关键词+体型参照)、双主体体型比例关系、总时长、段数、画面比例、视觉基调、模型选择、POV约束(画面内始终呈现宠物+萌娃双主体)、音频策略(所有台词/SFX通过视频模型内嵌生成,不单独配音)、跨段衔接策略(每段视频结尾截帧作为下一段首帧静帧输入)。
【强制暂停点一】 将规格摘要发给用户确认,未收到确认前不得继续。
【强制暂停点二】 将角色设定图(含特写 + 三视图)分别发给用户确认,此图为后续所有生成的视觉基准,未确认不得继续。
基于已确认的规格与角色形象,设计完整故事板:
每个镜头描述中须包含:POV形式说明(第一人称 POV:大人视角拍摄,大人不入画但画外台词保留);2–3个互动节拍及对应情绪信号;双主体同框说明;跨段衔接备注(多段时标注本段结尾定格画面描述);逐秒时间线与音频设计;大人画外台词内容及触发时机(必写)。
同时在故事板中登记本片涉及的场景 / 道具关键元素(element scene、关键道具),写明其外观描述(材质、颜色、形态、所处环境光),供 Phase 4 生成参考图、并供视频生成时绑定,确保跨段场景一致。
【强制暂停点三】 输出完整分镜后邀请用户审查,等待确认后再继续。
针对故事板中登记的每个场景 / 道具元素:
【强制暂停点四】 将场景 / 道具参考图发给用户确认,作为后续视频的视觉基准,未确认不得继续。
按照「跨段截帧首帧衔接」规则逐段生成:
所有段:MultiModalToVideo(Seedance 2.5(分辨率 480p) 或 Seedance 2.5),480p,9:16 或 16:9,30s/段。
【可选:超分辨率提升】 用户对视频内容满意后,可对单段或全片调用 super_resolution 工具将分辨率从 480p 升至 1080p。
【强制暂停点五】 将所有段视频(含可选超分结果)发给用户预览确认后,再进入封面图阶段。
第一轮 · 主封面(比例由视频方向决定):
第二轮 · 尺寸裂变(另外两个比例): 主封面经用户确认后,以主封面为唯一垫图裁切裂变另外两个比例,文字排版与内容保持统一:
【强制暂停点六】 高光截帧选定、主封面确认两处均须等待用户明确确认;主封面确认后方可裂变,全部封面确认后再进入合成阶段。
按故事板顺序将多段 POV 视频拼接合成,硬切转场,输出最终成片,提示用户点击导出。
依赖关系: 2→1;3→1,2;4→3;5→2,3,4;6→5;7→5,6。
绝对禁止一次性跑完所有步骤,每个强制暂停点均须等待用户明确确认后方可继续。
判断上传图片是否已是「主体特写 + 三视图」合排格式(同时包含特写与正/侧/背面全身三视图)。
若非合排格式,提取以下视觉特征用于生成设定图:
宠物角色:
萌娃角色:
当用户为故事板中的场景或道具元素上传参考图时,提取以下特征用于注册绑定或生成参考图:物体类型与形态尺寸、主要材质与质感、颜色分布、所处环境与环境光基调(自然光/人造光、色温、明暗)。
从上一段已生成的30秒视频中提取最后1帧或最后0.5秒内构图最稳定的帧作为截帧。优先选择:双主体均在画面中且构图居中饱满、光线清晰、无运动模糊的帧。输出截帧资源,供下一段视频 start_frame 使用。
主角形象资产生成(设定图):
宠物角色与萌娃角色分别生成独立设定图,生成格式均为「1张主体特写 + 3视图」四图水平合排,纯白背景,超写实摄影风格(Hyper-realistic photography)。四个分区:①左侧大幅主体特写(占整图约40%宽度)、②正面全身、③侧面全身、④背面全身。
场景 / 道具元素图生成(对应 Phase 4):
针对故事板登记的、有明确形态/材质且需跨段一致的场景或道具元素(如指定小床垫、特定餐具、玩具):
所有类型通用:
POV 视频生成:
【可选:超分辨率提升】
用户对视频内容满意后,可对单段或全片调用 super_resolution 工具将分辨率从 480p 升至 1080p 或更高。效果接近直接出高分辨率,灵活性更高,适合正式输出前使用。建议在用户确认内容满意后再执行,对不满意的片段无需超分,避免浪费资源。
双主角一致性自检: 生成后确认双主角均完整出现在画面内,且与设定图形象一致;若任一主角缺失、形象漂移或体型比例明显失当,打回重新生成并追加对应 reference_image 约束。
封面图矩阵生成:
轨道结构:
剪辑节奏:
质检清单(合成前逐项确认):
内容基调底线(最高优先级):
所有场景基调为轻松喜剧 / 萌系日常。宠物之间的争抢、推搡须在喜剧范围内(夸张的肢体反应、傻气的表情),不得描述造成真实伤害的动作。禁止任何暴力、血腥或有害内容。
POV 约束(设计最高优先级):
采用第一人称 POV——以大人的视角拍摄:大人即镜头/手持设备本身,大人不入画(手部、躯干、面部均不出现),机位低角度贴近主体所在平面(如桌面高度、地面高度),模拟大人俯身凑近观察双主角的视角。画面内宠物 + 萌娃双主角全程同框互动。
镜头是"活"的手持第一人称,不是固定监控机位。 全程带轻微呼吸/手持晃动感,并由动作驱动主动运镜:跟随双主角移动、横摇/俯仰追随抢夺与追逐、在喜剧落点快速推近或轻甩到反应主体(如僵住的双主角、被出卖方的委屈脸)。动作越激烈,手持晃动越明显;运动须有动机,避免无意义的匀速空镜。
禁止大人形体入画(手/躯干/面部)。
运镜护栏:运动中双主角与接触面的接触阴影须始终可读、主体形态稳定;避免会导致 CGI 主体扭曲的极端甩动或天旋地转式运镜。
关键:「大人不入画」只约束画面,绝不等于静音。 大人的画外吐槽台词是灵魂,必须贯穿全片(见下方音频设计规范);禁止因"大人不出镜"就省略台词或在提示词里写 no dialogue。
【闯祸弧线(必填核心结构,最高优先级)】
本风格的喜剧引擎不是「互动」,而是「闯祸」。每段视频必须有一个明确的「祸」——两主角的行动造成的、可以被镜头拍到的物理状态变化(床单被掀歪/咬破、食物散落、东西被推翻、禁区被侵入、物品被拆散……)。没有可见的祸,大人台词就悬空,被抓包就没有张力。
规划分镜前必须先回答以下三个问题,否则不得进入逐秒设计:
镜头节奏结构(起中收,适用于单支30s片段,包含2–3 个互动节拍):
长视频多片段规划:
若用户选择视频总时长超过30s,在拆分分镜前必须先完成完整剧情策划,确保多片段之间逻辑贯通、情绪递进合理:
剧情策划规范(多片段必须执行):
将完整叙事拆分为多个独立镜头(每镜头≤30s)。规划注意事项:
互动类型参考库(灵感来源,非强制菜单):
设计分镜时优先从故事出发:先确定两个角色在这段时间里「想要什么、会怎么抢/骗/反应」,再用下表为节拍命名——而不是反过来先挑类型再填动作。允许超出库范围,允许自由混搭或发明新形态,只要符合轻松喜剧基调底线即可。
下表提供 6 种常见形态供参考:
类型描述争抢护食双方同时觊觎同一食物/物品;一方先抢到,另一方虎视眈眈或试图偷取;可引发护食姿态或第二轮抢夺嫁祸/装无辜一方搞破坏后溜走或藏到安全位置,另一方被留在原地;大人视角出现时,"无辜方"用眼神/动作示意另一方是肇事者被抓包齐僵两者正在做坏事被发现,同时停住动作,齐刷刷对视镜头呆萌僵立约 1–2s,喜剧停顿物理喜剧争抢/追逐中一方被碰撞、绊倒、压制或弹飞,落点夸张但无伤害感;重点在跌倒/弹起/打滚的喜剧弧度好奇探索+入侵一方先发现新物品独自研究,另一方悄悄凑近,趁机占据、抢占或搞破坏背刺/出卖一方与大人视角"联合",用眼神/动作示意另一方是肇事者;被出卖方的委屈反应是情绪顶点
情绪→肢体映射表(通用,适用任意物种;镜头描述必须调用对应具体信号,禁止只写"它很傲娇"等抽象词):
情绪身体信号傲娇头微仰 5–15°;半闭眼;尾巴/背部挺立或慢速摆动;故意转身背对,偶尔偷偷回望调皮身体低伏蓄力;尾巴/后躯快速摇摆;眼神快速扫向目标后假装没看;嘴角/嘴部微张委屈缩脖;前肢内扣或向内弯;双眼放大,下眼睑略带湿润感;身体重心后移,耳朵下压好奇头歪 15–30°;耳朵立起朝向声源/目标;鼻尖向前伸探;单步缓慢前探,身体拉长炸毛颈背/脊背体表毛发/羽毛/鳞片竖立;身体横向展开略压低;嘴微张,露出牙齿轮廓耍横挺胸直立;前肢踩住或指向对方;直视镜头或对方,眼神不让;尾巴高举
生活化场景库(双主角尺度下的日常空间):
镜头语言规范:
音频设计规范(内嵌,不单独配音):
台词为大人对双主角的对话口吻(宠溺式吐槽 / 质问 / 假装严肃),语言遵守用户指定,通过视频模型内嵌生成,不调用独立配音工具。每个镜头在逐秒时间线中注明台词内容及触发时机。
台词风格参考:「你们两个在搞什么 / What on earth are you two doing」「我就知道是你干的 / I knew it was you」「你偷偷摸摸干啥 / Why all the sneaking around」——口语化,有节奏感,配合画面动作触发点出现。
【音画因果锁定规则(必须遵守)】 当一句台词是角色状态变化的直接触发原因(如听到声音后僵住、转头、委屈),则该台词与对应的角色反应动作必须写在同一个时间窗口内:台词出现在该窗口前 0.5–1s,角色反应紧随其后,整个因果链控制在同一 2s 时间段内完成。禁止把触发台词写在前一节拍末尾、把角色反应放到下一节拍开头——跨节拍拆分会导致视频模型将两者处理为无关联事件,造成台词播完后角色延迟数秒才反应的叙事断层。
禁止在分镜阶段单独规划旁白生成步骤,音频策略在 media_generator 阶段由提示词内嵌处理。
【最高优先级:所有 Prompt 正文(画面描述、运镜、物理细节等)必须用中文书写;模型名称、英文参数标签、负向约束词保留英文。台词内容例外——须遵循 Final_Video_Spec 指定的视频语言,非中文时台词用对应语言书写。】
一、图像生成提示词(TextToImage / ImageToImage)——角色设定图专用
生成格式为「1张主体特写 + 3视图」四图水平合排,一次生成。按以下顺序构建提示词:
场景 / 道具元素图(同属 TextToImage / ImageToImage): 按故事板描述构建——主体物(如小床垫、餐具、玩具)+ 材质质感 + 颜色 + 形态尺寸 + 所处环境光(如"室内木地板,自然光,温暖柔和");风格锁定与角色设定图一致(Hyper-realistic photography, photorealistic, 8K);负向约束:no text, no watermark, no logo, no character, no human(场景/道具图只呈现物体本身,不含角色)。
二、视频生成提示词(MultiModalToVideo / Seedance 2.5(分辨率 480p))
严格按照【镜头运动 → 双主体表演 → 物理真实感细节 → 空间环境 → 音频】顺序组织:
1. 镜头运动
描述摄像机位置、高度与运动方式。本系列采用有生命力的第一人称手持 POV:镜头高度锚定在主体体型 1/2–2/3 处(低角度,避免俯视),大人不入画但画外台词贯穿。运镜由动作驱动,按节拍需要选用(而非全程死板固定):
写法须把运镜动机和动作绑在一起,例如"镜头随幼犬扑向床垫快速横摇跟随,落点处轻微前冲"。保真护栏:运动中双主角与接触面的接触阴影须保持可读、主体形态稳定;避免会导致 CGI 主体扭曲的极端甩动或天旋地转式运镜。
2. 双主体表演(核心,密度最高)
按时间顺序逐个动作展开,每个动作须调用情绪→肢体映射表中的具体身体信号。写作格式要求:
3. 闯祸证据可见性(必写)
在提示词「双主体表演」段落中,必须明确描述「祸」留下的物理状态:受损对象的具体形变(如"床垫左上角绗缝布被撕开约5cm的豁口,白色棉絮从缺口向外蓬出")、散落物的分布(如"三颗饼干碎屑散落在床垫右侧")。收段(12–30s)的画面描述须同时包含:①双主角呆萌僵立的姿态 + ②背景/前景中清晰可见的祸的痕迹,两者同框才能构成完整的被抓包喜剧构图。禁止只写角色表情而遗漏证据。
4. 物理真实感细节(每段必须包含以下4条中的至少3条)
① 接触锚定:描述每个主体与接触面(桌面/地面/物体)的具体关系。
正确示例:"前肢平贴桌面,掌心轻压,接触处桌面纹理清晰可见"。
禁止写法:"趴在桌上"(缺少接触细节,模型易生成漂浮效果)。
② 接触阴影(contact shadow):在提示词中显式追加:"所有主体与接触面之间有精准接触阴影(contact shadow),阴影浓度与主体体积和重量感匹配"。
③ 物质交互状态:描述物体被主体作用后的具体状态变化,禁止只写动词。
正确示例:"食物被咬下后截面呈参差断裂纹理,碎屑散落桌面";"液体溢出后沿桌面纹理扩散,边缘呈不规则轮廓"。
禁止写法:"在吃食物"(无状态结果,模型随机处理)。
④ 体型比例锚定:每段 prompt 必须写明双主体的体型比例关系。
示例:"宠物体型约为萌娃的1/3,两者并排时宠物肩高约至萌娃腰部"。
不锚定则模型在不同段之间随机缩放,破坏视觉一致性。
4. 空间与背景
描述空间类型、主光源方向、色温与景深基调(如"温馨居家桌面,暖黄灯光,背景略有浅焦虚化")。若用户有场景参考图,注明 <<<scene_image>>> 并继承其光影色调。
5. 音频(Seedance 2.5 包装符)
特别规则:角色静止(freeze pose)vs 画面定格
当分镜含「被抓包齐僵」节拍时,提示词须写:
「两主角动作同时停止约1.5秒,保持当前姿态不动,但摄像机维持固定机位的镜头呼吸感,背景环境继续正常运动(如飘落的颗粒物、流动的液体)」
禁止写"画面静止""画面暂停""screen freeze"——这些词会被模型解读为视频静帧,而非角色 pose 停止。
负向约束(视频,必须包含):
no subtitles, no text overlay, no watermark, no logo, no music, no floating subjects (all characters must maintain contact shadow on surface), no third-person overhead shot, no disembodied limbs without physical context。
POV 约束(视频提示词结尾必须追加):
「第一人称手持 POV(低角度,带呼吸感,运镜随动作跟随/横摇/推近),大人不入画但画外吐槽台词保留,画面内宠物与萌娃双主角全程同框,禁止主体与接触面之间无接触阴影的漂浮效果,禁止第三人称高角度俯拍,禁止极端甩动导致主体扭曲。」
附:感官词汇参考库(供"二、视频生成提示词"调用)——CGI 生物真实感专用
接触与物理:
体表材质:
光影融合(CGI 主体与真实环境):
情绪特效(须在 Final_Video_Spec 角色档案中预定义,不得凭空使用):
三、封面图提示词(ImageToImage / GPT Image 2)
封面图生成分两轮,提示词结构如下:
第一轮:主封面(比例由视频方向决定)
多参考输入:<<<image_1>>> 绑定宠物角色设定图特写分区(体表形态锁定精度最高);<<<image_2>>> 绑定萌娃角色设定图特写分区(萌娃形象锁定);<<<image_3>>> 绑定视频高光截帧(保留画面氛围与光影基调)。按以下顺序构建提示词:
第二轮:尺寸裂变(另外两个比例)
以已确认的主封面为唯一参考图(<<<image_1>>>),仅调整构图裁切与负空间位置以适配目标比例,文字排版风格与内容保持统一,无需重新绑定特写分区或高光截帧: