随便聊一聊自己VibeCoding AI短剧应用过程中的一些小心思！！

最近把官网的页面做了一些升级，但还没有正式上线（直接用的CODEX，没想到效果还挺不错的！）

官网首页

登录页面（动态的）

现在的前端IU视觉看起来还不错吧！比我的第一个项目已经属于质的飞跃了，每个人的审美是不同的，但是对于美的理解是可以培养的！

重点讲一下我的Vibe Coding的功能和思路吧:（该应用完全是因为自己的兴趣，原本是打算提高自己做视频或者动漫的效率和质量，结果越做越上头！！！）

很多佬想看效果，我就放2个实测的打戏和真人剧情戏片段吧！因为无法上传视频，音效和台词没办法 体验，就看看画面吧：

上面的视频都是我测试的直出且没有任何剪辑的片段！

​

聊聊思路吧！

1、直接把小说或者剧本导入自动解析每一集的剧情内容以及需要用到的人物、场景、物品资产：

剧本分集动态解析

人物、场景、物品资产提取

自动输出超高质量的人物建模提示词

自动输出超高质量的场景建模提示词

自动输出超高质量的物品建模提示词

为什么我要做这个功能呢？是因为我一开始的时候也不知道如何写高质量的提示词，包括现在做视频或者短剧的大部分创作者，很是苦恼提示词如何写？？好不容易把这一集的提示词想好了，到了下一集的内容又要绞尽脑汁，非常痛苦。

所以我就想得是为什么不从底层逻辑把AI训练成提示词大师呢？因此我就让AI不断的学习专业提示词的结构，然后不断拆解和优化：

①人物需要识别面部特征、性别、发型与轮廓、服饰与配饰，除了最基础的描述以外，更重要的是需要让AI自动识别剧本里面的人物关系，这是能够让我们输出的人物图片知道主角应该是帅气漂亮的、配角其次、反派可能是丑陋或者有鲜明个性的，只有这样的理解，AI输出的人物形象才是千变万化，而不是一个模子刻出来的。当然还要锁定人物的风格以及负面提示词。

②场景需要多维空间立体理解能力：关于场景的提示词描述，我认为最最最重要的是理解空间逻辑，不然生成出来的图片就是2D平面图，场景的前、中、后镜的布局方式以及参照物的对比都是能够让场景看起来更立体，更具有空间感，所以物品的比例大小、光影环境、材质和细节都是会影响一张场景图是否是高质的多种因素。

③物品相对要简单很多，主要从多维视角把物品的比例描述与细节描述清楚就行了。

简单总结就是：图片提示词的逻辑不仅仅只是描述主体的样子，还要给它加边界和约束，也可以理解成负面提示词，同时要识别人物关系、场景主体、空间逻辑等

2、通过每一集的剧情输出分镜脚本以及图片

分镜生图

很多人在追求分镜图的漂亮、帅气和酷炫，但是我想说的是这样的图片有什么用？没有连贯性、没有剧情、没有内容，有什么用呢？

所以我认为分镜脚本最核心的是：

①前后剧情是否连贯？

②人物在场景中的站位是否合理？

③画面承接是否跳跃？无厘头？

④人物对于场景的空间理解是否到位？

⑤人物与物品的绑定关系是否合理？

⑥物品在场景中的摆放位置是否合理？

⑦整个分镜的人物台词是否有内容？有连贯性？

⑧人物与人物之间的关系理解？谁是队友？谁是敌人？

…

还有其他没有上面重要的点，这些因素组合起来才能输出一份合格的分镜脚本，不然输出的图片只会是：

~场景像一张贴纸

~人物永远看着镜头

~与敌人一起拼杀队友

~人物手拿火锅

…

太多太多了，，，，，我测试了几千张图片，真的算是啥都见过了，有时候真的能把自己气笑(*^_^*)

贴一下当前应用提示词的结构，可以拿去试试效果（生图模型不同，效果也会有很大差异，推荐用gpt-2和gemini3.1生图模型）

英文台提示词：

the six vs two standoff. In @竹林, the bamboo forest, multiple figures appearing, dense white bamboo around sets the visible space. All in combat stance, a moment of pause. Foreground @黎清月 and @秦铭 back to back, midground six core disciples encircling, background more elites and white bamboo. All weapons visible. All looking at @黎清月 and @秦铭. In @竹林, the bamboo forest, multiple figures appearing, dense white bamboo around sets the visible space. @黎清月 stands at the broken path edge closest to camera. @秦铭 holds the middle distance along the path. @唐须弥 stands near the far bamboo line, still readable through mist and depth. @任意平 stands near the far bamboo line, still readable through mist and depth. @五色短剑 stays grounded near its owner-side action space, readable but not floating as loose scenery. @木质盾牌 stays grounded near its owner-side action space, readable but not floating as loose scenery. @秦铭 and @唐须弥 press against @黎清月 from the opposing action line; their eyelines cross through the conflict point, not toward the camera

Shoot it as a high_angle wide shot around the anchored subject, from above, environment pressure visible, foreground, midground, and background remain readable, cinematic lighting. characters too far apart. masterpiece, high quality, ultra detailed

中文提示词：

双方六对二，陷入对峙。竹林之内人影错落，成片白竹勾勒出整片场景空间。众人皆摆出战姿，场面瞬间陷入凝滞。

前景：黎清月与秦铭背靠背而立；中景：六名核心弟子形成合围；远景：更多精锐人手与连片白竹。所有人兵器尽数显露，目光齐齐锁定黎清月、秦铭二人。

黎清月立于紧邻镜头的破损路边，秦铭站在小径中段，唐须弥、任意平身处远端竹林旁，隔着雾气与空间纵深依旧轮廓清晰。五色短剑、木质盾牌均放置在主人身侧地面，实体落地，并非悬空摆设。秦铭与唐须弥从对阵阵线向黎清月施压，众人视线交汇于交战中心，无人看向镜头。

拍摄要求：采用高位广角镜头环绕主体俯拍，凸显环境带来的压迫感，前、中、远景层次分明，电影级光影；人物站位间距较大。

画质顶级，画面高清，细节刻画极致丰富。

3、分镜图生成视频

上面说了分镜脚本的图片提示词应该考虑哪些，但我们最终要的是视频，所以分镜图决定了后续视频质量和效果的前提条件，如果图片质量都不行，视频提示词即使写得再好也是没用的，当然图片输出后，视频提示词如果写不好，输出的视频效果依然达不到。

上面图片是每一个分镜图对应的视频提示词结构，其实跟简单和清晰：一致性锁定说明+主体动作的具体描述+环境音+负面提示词。

视频提示词内容不是越多越好，也不是越少越好，最主要是否准确描述了主体的运动轨迹和方式？

#视频提示词太少太模板化，视频模型是没办法理解主体是需要如何运动的，结果就是人物有在动，但是你总觉得运动得很别扭很奇怪，一点都不够自然，甚至动作僵硬；

#视频提示词太多，一是会分散视频模型的注意力，跟人一样，注意力分散，做出来的质量是不达标的，视频模型会觉得你想要1、想要2还想要3，它为了

完成任务，结果都把3点呈现给你，结果就是3点都没做好；二是提示词太多就代表请求内容和体积会变大，视频模型的解析速度会变慢，输出的视频速度也会变慢。

总结就是一个视频提示词里面最理想的状态就是一个中心思想，跟我们写作文一样，不要想通过一个视频提示词表达跨度比较大的分镜视频。

4、语音与人物绑定，全程声音同步

语音配音功能

虽然现在主流的seedance2.0、可灵3.0、海螺2.3以及国外的视频模型，都已经全部支持音画同步功能了，但是难免会遇到部分视频抽风，导致输出的视频效果挺好，但是人物的台词说的是外星语，这个时候就可以用语音配音功能进行弥补了。资产库的人物支持各种声音的绑定，甚至可以上传自己的配音与人物进行绑定，，这样不管你输出多少分镜视频，只要改人物的名字与声音是绑定的，就都能保证全程的声音的一致性。

5、单图与多图创作

当然为了让某些剧情更有深度和效果，也增加了单图和多图的功能，单图好理解就不过多的阐述了，多图这里我做了2个类型，一种就是大家理解的9宫格图，这些图用于同视频的叙事紧凑感，让视频的表达内容和分镜更紧张，特别是打斗戏份，而另一种是做的多图连续性单独画面，，，主要用于首尾帧的视频叙事，，，，这个功能能让前面的分镜脚本输出的视频内容以及叙事性变得更加丰富和连贯性。

6、创意画板

目前2.0版本的效果基本上挺不错的呢，后续可能就是小修小补，同时升级一下后端接口和各模型的适配性。