怎样把剧本变成AI视频的分镜提示词？

什么是分镜提示词

分镜提示词，就是你发给视频模型、描述一个长序列中某一个镜头的文字。普通的视频提示词描述的是单个片段；分镜提示词描述的片段，则必须能和前一个、后一个片段干净利落地剪在一起。多出来的这项任务，改变了它的写法。

大多数AI视频工具一条提示词只能生成一小段片段。所以一场有开头、中段和结尾的戏，要靠多次生成再到剪辑软件里拼接。分镜就是把它们串起来的计划：决定每个镜头拍什么、持续多久，以及镜头之间必须保持一致的是什么。

可以把分镜想成两层。第一层给你自己看：镜头编号、作用、时长，以及它对应的台词。第二层是模型真正读取的提示词文字。把两层放在同一张表里，修改会很快，因为剧本一变，你就能看出哪些提示词也要跟着变。

第1步：把剧本拆成节拍和镜头

节拍是故事里最小的变化：一个眼神、一个决定、一次揭示、一个反应。读一遍剧本，标出每个节拍，然后给每个节拍配一个镜头。遵守两条实用规则，镜头就更容易被模型渲染出来：

• 每个镜头只有一个主要动作。“她拆开信，然后哭了起来”是两个动作，给哭单独一个特写。
• 每个镜头只有一种运镜想法。缓慢的推或固定画面都行；一个推镜变成环绕、又变成升降的，通常会崩。
• 时长要短。大多数镜头计划几秒钟。反应镜头可以比一个完整片段更短，到剪辑时再裁。
• 写明每个镜头的作用：交代地点、表现动作、表现反应，或展示观众必须注意到的细节。

景别要有变化。连着五个中景会显得平。常见的搭配是：全景（wide，我们在哪里）、中景（medium，谁在做什么）、特写（close-up，他们的感受）、插入镜头（insert，重要的物件），最后用一个更大的景别收尾，或转入下一场。

第2步：为每个镜头填一张镜头卡

镜头卡是一份固定的字段清单。每次都填同样的字段，就不会漏掉那些导致连贯性错误的细节。提示词无非是把这张卡写成句子。

把固定的主体描述单独记在一份笔记里，原封不动地粘贴进每条提示词。措辞上的小变化，比如一个镜头写“灰色大衣”，下一个镜头写“深色外套”，是角色在剪辑点之间变样的常见原因。

实例：五个镜头的15秒场景

剧本：“夜。火车站台。MAYA 打完电话。她看向发车信息屏。她的列车取消了。她疲惫地笑了一声，坐在行李箱上。”

这里有五个节拍，所以是五个镜头，计划时长加起来正好15秒。

下面是镜头1、2、3的提示词。请注意，每一条里的角色描述和光线描述都完全一样。

Shot 1 (wide, 3 s)
Wide shot of an empty train platform at night, light rain beyond the roof edge.
Maya, a woman in her 30s with short black hair and a grey wool coat, stands
near the edge talking on a phone, facing screen left, a small red suitcase beside her.
Cold fluorescent light from above, blue-green tones, wet reflective floor.
Static camera. Ambient sound: rain and a distant announcement.

Shot 2 (close-up, 3 s)
Close-up at eye level of Maya, a woman in her 30s with short black hair
and a grey wool coat, facing screen left. She slowly lowers the phone from her ear
and looks up and to the left. Cold fluorescent light from above, blue-green tones.
Static camera, shallow depth of field, platform blurred behind her.

Shot 3 (insert, 2 s)
Insert shot of an old split-flap departure board on a train platform at night.
The top line flips and stops on a single word. Cold fluorescent light,
blue-green tones. Static camera. Sound: clicking split-flap letters.

有两个细节值得注意。镜头2里她向左上方看，镜头3里我们就看到了信息屏：一个镜头的视线，为下一个镜头的内容做了铺垫。另外，信息屏上的字并没有作为要渲染的文字写进提示词，因为许多模型画字母仍然很差。生成不带可读文字的信息屏，再在剪辑里把 CANCELLED 作为图形叠加上去。

第3步：先做关键帧，再做运动

生成视频比生成静态图片更慢，也更贵。可靠的工作流是：先为每个镜头做一张静态关键帧，把整个分镜当作一排图片检查一遍，然后才用图生视频让每张图动起来。

1. 生成一张角色参考图和一张场景参考图。
2. 用这些参考图，按最终的画幅比例，为每个镜头生成一张关键帧。
3. 把关键帧并排摆开，检查人脸、服装、道具和光线。
4. 为每张关键帧写一句简短的运动提示词，只描述什么在动。
5. 两个镜头必须平滑衔接时，使用首尾帧模式，让上一个片段的结尾与下一个片段的开头吻合。

让关键帧动起来时，画面的样子已经由图片决定了，所以提示词应当描述运动和镜头，不要把每个视觉细节再重复一遍。官方的模型指南，比如 Google 的 Veo 提示词指南，也建议直接描述你想在画面里看到的东西，而不是写“不要”“别”之类的否定指令。

第4步：为剪辑点来写每个镜头

每个镜头都会夹在另外两个镜头之间，所以要有意识地设计它的开头和结尾。真人电影的一些剪辑规则，对AI视频同样适用：

• 保持画面方向。如果 Maya 在镜头1里朝向画面左侧，在故事让她转身之前，就一直让她朝左。在剪辑点之间翻转方向，会让观众困惑。
• 对话中遵守180度轴线规则。让镜头始终待在两位说话者连线的同一侧，这样他们的位置不会互换。
• 动作剪辑（cut on action）。镜头4在她开始坐下时结束，镜头5从她坐到一半开始。运动能掩盖片段之间的细小差异。
• 留出余量。多要一点时间，这样就能裁掉许多生成结果开头的缓慢起步或结尾的漂移。
• 统一光线。整场戏只用一段光线描述，只有当故事改变了时间或地点才更换。

常见错误与局限

• 把整场戏写进一条提示词。模型会压缩或跳过节拍。一个镜头一条提示词，更容易控制，也更容易修改。
• 只写感受，不写看得见的动作。“她感到绝望”很模糊；“她让手机垂落到身侧，盯着地面”才是可以拍出来的。
• 要求镜头里出现可读的标牌、字幕或标志。文字请在剪辑软件里加。
• 在镜头之间改变角色描述。每次都粘贴同一段话。
• 在一个镜头里设计复杂的手部动作、快速的打斗或物体物理。视频模型在手部、接触和因果关系上仍然吃力。可以拆分动作，用更紧的景别，或者展示结果而不是过程。