---
name: skill-director
description: 触发词:大导演、导片、漫剧、短剧、宣传片、MV、分镜、剧本拆解、素材编排、成片。全流程影视导演技能——从文本到成片，管人、管钱、管素材、管节奏。
---

# skill-director · 大导演

> 定位：**不是生成工具，是导演**。我不亲手画每一帧，我决定拍什么、怎么拍、用什么拍、拍废了怎么办。

---

## 零、导演的第一课：什么时候用哪个模型

这是最容易搞错、代价最大的一课。

### 核心认知：没有全能模型，只有正确分工

| 模型 | 本质是什么 | 强在哪 | 死穴 |
|---|---|---|---|
| **Veo 3.1** | **镜头宝石打磨机** | 单帧电影级 PBR、次表面散射、胶片质感、环境音氛围 | **英文音素空间**，中文台词会读成英文；参考输入上限 3 张；单段 8s |
| **Seedance 2.5** | **连续叙事引擎** | **原生支持外部音频作为生成条件**；大量参考图；单段最长 30s；片段续接 | 单帧质感略弱于 Veo |
| **Kling 3.0** | **表演与物理引擎** | **中文音素口型最成熟**；肢体、布料物理稳；4K | 电影氛围感不如 Veo |
| **Image 2.5** | **分镜审美师** | 电影语言、布光、氛围理解极强 | **没有原生角色资产锁**，跨图会漂 |
| **Seedream 4.0** | 批量出图 | 便宜、快 | 一致性弱，不适合做主角资产 |

### 铁律一：Veo 绝对不要用来生成中文台词

**这是硬伤，不是技巧问题。**

Veo 的原生音频是「文本驱动生成语音」，官方完整评测只覆盖英文。塞中文进去，它会：
- 强行读成英语口音
- 音素错乱
- **口型跟着英文音素走**

而且 **Veo 没有「上传外部 WAV 让它口型对齐」的正式输入路径**，这是接口层的硬隔离。

**Veo 的正确用法：只出静音画面。**

```
prompt 里强制写：silent, no generated speech, only ambient subtle environment sound,
character performs the line, mouth moves naturally for Chinese speech
```

### 铁律二：后贴 lip-sync 天生是错的

**为什么错**：音频是外部修正信号，只改嘴；表情、头动、手势是视频模型自己随机出的。**两套系统不同源，必然打架。**

你会看到「嘴对上了，但整个人很假，动作和说话没关系」。

**正确做法：音频作为第一阶 conditioning。**

音频（音素、prosody、情绪）进入 motion 潜空间，**先驱动整套表演**（面部 FACS、头动、视线、手势、躯干重心、呼吸），再把表演 latent 喂进视频扩散渲染。

**口型只是全身表演的一个子集，不是独立任务。**

### 铁律三：按镜头类型路由，不要全丢一个模型

```python
if shot.tag == "dialogue":          # 对白、长台词、情绪表演
    route = "seedance_2.5"
    inputs = [char_refs, keyframe, tts_wav, prosody_tags]
    
elif shot.tag == "close_up_talk":   # 特写对话，口型优先
    route = "kling_3_omni"
    inputs = [char_refs, keyframe, tts_wav]
    
elif shot.tag == "hero_shot":       # 高光渲染、氛围、无台词
    route = "veo_3.1_quality"
    inputs = [char_refs, keyframe]
    prompt += "silent, subtle ambient movement, cinematic PBR render"
    
elif shot.tag == "action":          # 打斗、大量肢体
    route = "kling_3.0"
```

---

## 一、素材管线的根本顺序（顺序错了，后面全废）

### 绝对不要「文生视频直出」

```
❌ 剧本 → 提示词 → 视频        （角色每一镜都变）
✅ 剧本 → 分镜表 → 关键帧 → 视频  （可控）
```

**这是所有专业团队的共识。**

### 正确顺序

```
1. 剧本结构化（分镜表 JSON）
2. 角色资产建立（身份锚点图）
3. 每镜关键帧（Image 2.5）
4. 关键帧人眼验收（九宫格）
5. 送视频模型（按类型路由）
6. 音频生成（TTS 前置，不是后贴）
7. 剪辑成片
```

**每一步都要过验收才能下一步。** 关键帧没验就送视频，等于烧钱。

---

## 二、角色一致性：靠资产库，不靠形容词

### 铁律：不要做九宫格三视图

**博主原话（这个反直觉但正确）**：

> 一张 1024 的图切九个格子，每格只剩三百多像素，再砍掉身体和背景，**那张脸可能就剩几十个像素**。
>
> **脸占不到画面两成，模型提取不到特征，它只能猜**——猜出来的眼间距、眉形、下颌线，每一帧都不一样。
>
> **所以你越塞，它越崩。**

### 角色参考图的六条硬标准

| # | 标准 | 为什么 |
|---|---|---|
| 1 | **短边 ≥ 1024** | 脸要有足够像素 |
| 2 | **背景纯色中性，不要场景** | 场景会被一起读进去污染每个镜头 |
| 3 | **均匀柔光，所有参考图同一套光** | 一张侧光一张顶光会造出两个人 |
| 4 | **中性表情，别笑** | 大笑的肌肉形变会干扰结构 |
| 5 | **画面里只能有一张脸** | 多人同框时模型会平均出一个谁也不是的第三人 |
| 6 | **脸占画面 60% 以上** | 一条图只回答一个问题 |

### 参考图分档（按角色重要度选，别堆料）

| 档 | 内容 | 用在 |
|---|---|---|
| 单图 | 一张正面或 3/4 半身 | 次要角色、群众 |
| **三视图** | 前+侧+背，全身，纯背景 | **反复出场的主角（默认）** |
| 四视图 | 三视图 + 一个 3/4 视角 | 频繁转身/走位 |
| 角色设定表 | 三视图 + 头部特写 + 道具标注 | 服化复杂的 hero |
| **表情板** | 一张脸 × 多种情绪 | **台词密集/情绪戏** |
| 动作板 | 同角色 × 几个关键姿势 | 打斗/舞蹈 |

**数量：3-5 张最优，8 张上限，超过 10 张叫噪声不叫信息。**

### 身份与状态必须分开

- **身份参考**：定义这个人是谁（全片不变）
- **状态参考**：这一场的服装、伤口、道具、情绪（每场可换）

**混在一起，模型会把临时状态误认为永久特征**，角色就没法换衣服而不换脸。

---

## 三、分镜表：这是全流程的枢纽

### 为什么要 JSON 而不是自然语言

> 一句自然语言描述的剧本，**不同的人（甚至同一个人不同时间）会拆出完全不同的镜头序列**。
>
> 没有稳定的中间表示，就不可能有稳定的产出。

### 分镜表最小字段

```json
{
  "project": "id",
  "episode": 1,
  "scene_list": [{
    "scene_id": "ep01_scene01",
    "role": {"name": "男主", "reference_image": "assets/ref/male_lead.png"},
    "shot_type": "中景",
    "camera": "缓慢推进",
    "lighting": "夜景冷色调",
    "action": "推开仓库大门",
    "dialogue": "三年了，我终于找到你了。",
    "duration_seconds": 5
  }]
}
```

**这份 JSON 有三重身份**：提示词来源、批量参数模板、**出问题时定位的最小单元**。

### 工程收益

| 收益 | 说明 |
|---|---|
| **可 diff** | 改剧本能直接看出动了哪几个镜头，不用整剧重生成 |
| **失败可重跑** | 某条失败只重跑那一条 |
| **可复用** | 参考图、运镜模板、光影预设跨集复用，**第 20 集成本远低于第 1 集** |

### 幂等重跑（关键工程细节）

```python
for scene in scene_list:
    if not force_ids or scene["scene_id"] not in force_ids:
        cached = load_output(scene["scene_id"])
        if cached:
            continue   # ★ 跳过，不重复烧钱
    generate_one(scene)
```

**批量跑到第 30 条崩了，重跑时不希望前 29 条再烧一遍额度。**

---

## 四、关键帧：先出图，再让图动

### 四种关键帧类型

| 类型 | 用法 |
|---|---|
| **首帧**（最常用） | 视频从当前画面往后生成 |
| 尾帧 | 场景切换到主体时，保证主体一致 |
| 中间帧 | 从场景过渡到主体后再生成后续 |
| **首尾帧都有** | 状态转换场景，运动过程自动补全 |

**首尾帧控制**特别适合：转场、镜头推近、人物走向镜头。

### 时长经验

> **人物对话场景建议控制在 5 秒左右。**
> 太长的片段生成容易崩坏，后期拼接反而更麻烦。

---

## 五、音频：必须前置，不能后贴

### 正确流程

```
1. TTS 生成（Index TTS / 微软 Azure TTS）
   ↓ 不只拿 wav，还要抽：
   - 中文音素时间轴（汉语 viseme，不是英文）
   - F0、能量、停顿、重音
   - 逐句情绪标签（克制/嘲讽/紧张/温柔/迟疑/换气/视线转移）
2. 音频作为生成条件送入 Seedance/Kling
   ↓
3. 模型内部把音频翻译成表演信号，再渲染画面
```

**这样表情、头动、手势、口型是同源采样，不是两层拼接。**

### 为什么必须用 Index / Azure TTS

视频模型自带的 TTS 语气呆板。你要精细控制情绪、停顿、复刻声线，只能用专业 TTS。

**凡是模型支持「外部音频驱动」，就一定要把语音生成前置。**

---

## 六、百集连载需要什么（独立制片视角）

### 素材资产库

```
project/
├── bible/                    # 剧集圣经
│   ├── world.md              # 世界观、规则、禁忌
│   ├── style.md              # 视觉基准（色彩、光影、镜头语言）
│   └── timeline.md           # 时间线、事件表
├── characters/
│   └── [name]/
│       ├── bible.md          # 人设：欲望、恐惧、掌握的信息、关系
│       ├── identity/         # 身份参考图（不变）
│       ├── state/            # 状态参考图（按场次版本化）
│       └── voice/            # 声线样本、情绪样本
├── scenes/
│   └── [scene_id]/
│       ├── keyframes/        # 首帧、尾帧、峰值帧
│       ├── shots/            # 生成的片段
│       └── meta.json         # 参数、模型、seed、验收状态
└── episodes/
    └── ep001/
        ├── storyboard.json   # 分镜表
        ├── audio/            # TTS 音频 + prosody 标注
        └── final.mp4
```

### 版本管理（连载的命脉）

> 「侦探外套 v2」只用于雨夜章节；「左眉伤口 v1」从仓库冲突后生效。

**每项素材记录版本和适用范围**，这是跨镜头一致性的基础。

### 验收门（分两层，一便宜一严格）

**第一层：九宫格分镜**（便宜）
把一个镜头的九个关键帧画在同一张画布上，**同一个人天然保持同一副样子**。九格里的人还是同一个吗？不是就回上游修，**别烧那张贵得多的视频**。

**第二层：人眼验收**
关键帧通过才送视频。

### 连续性检查表

| 层 | 核心问题 |
|---|---|
| 身份 | 不看服装还能认出角色吗 |
| 造型 | 发型、配饰、服装版本正确吗 |
| 连续性 | 伤口、道具、时间、空间接得上吗 |
| 表演 | 动作与情绪一致吗 |
| 声音 | 音色、语速、称谓符合设定吗 |
| 行为 | 角色掌握的信息和选择符合当前状态吗 |
| 风格 | 画面是否属于同一视觉世界 |

---

## 七、项目类型路由

| 类型 | 特点 | 关键策略 |
|---|---|---|
| **小说漫剧** | 几十上百集、角色长期一致、大量对话 | Seedance 为主 + 表情板 + 资产版本化 |
| **企业宣传片** | 短、质感优先、台词少 | Veo 主战场（无台词优势） |
| **MV** | 节奏驱动、画面抽象、无对话 | Veo + 剪辑节奏 |
| **APP 配图/架构图** | 不需要视频，要精准 | Image 2.5 + 强约束提示词 |
| **产品爆炸图** | 结构准确优先 | Image 2.5 + 工程图式描述 |

---

## 八、常见错误（我踩过的）

| 错误 | 后果 | 正确做法 |
|---|---|---|
| 文生视频直出 | 每镜角色都变 | 先关键帧 |
| 九宫格三视图 | 脸太小，模型只能猜 | 按档选参考图 |
| 中文台词喂 Veo | 读成英文、口型错 | Veo 只出静音 |
| 后贴 lip-sync | 嘴对上但人很假 | 音频前置做条件 |
| 全丢一个模型 | 各场景都不最优 | 按镜头类型路由 |
| 关键帧不验收就送视频 | 烧钱 | 九宫格人眼门 |
| 重跑全部 | 重复烧额度 | 幂等跳过已完成的 |
| 提示词写得很长 | 不如参考资产管用 | 一致性靠资产不靠形容词 |

---

## 九、核心心法

> **一致性在第二步锁死，而不是在每个镜头里反复叮嘱。**
>
> **先定身份 → 锁参考 → 扇出镜头。**

> **看起来浑然一体，是因为音频是表演的生成源，而不是事后补丁；口型是表演的一部分，不是独立任务。**

> **所有好的 AI 漫剧都不是「一个全能模型一键出」，而是「正确分工 + 资产编排」。**