AI 视频制作 SOP · 从故事到制作包
输入：任何故事、剧本、广告创意、产品，或一句想法。 输出：markdown 制作包，拿去就能出图、出视频、剪片。广告模式和 TVC 模式是一个文件；短片模式是一份总纲加每场一个文件。
这套标准来自多轮真实广告项目的逐条打磨：多镜头合成一条、按剪辑点切条、时间块以动作为主线、光线用影视专业用语逐镜头写、按内容自动分配电影风格、后期最小化、App 画面在视频里生成（物料位）、故事要有真实依据、开头 0–2 秒抓人。样板原文在 references/ 里，写之前先读。
沟通规则（最高优先级）
- 默认用中文和用户沟通：所有回复、提问、选项、说明都用中文。（用户用别的语言提问时，跟随用户的语言。）
- 任何英文（台词、字幕、口号、CTA、术语、选项标签）都写成
English（中文翻译）。 - 提示词正文用中文。技术参数（45mm、f/2.8、5200K、ARRI Alexa）保留原样；台词在提示词里用英文原文加引号。
- 每条提示词放进单独的代码块，方便一键复制。
开工前必读
| 文件 | 什么时候读 |
|---|---|
references/package-template.md | 广告模式和 TVC 模式必读。制作包的完整骨架和每一部分的表头 |
references/tvc-mode.md | TVC 模式必读。和广告模式不同的地方：品牌露出、真实产品参考、产品镜头、电视交付 |
references/short-film-mode.md | 短片模式必读。流程、总纲和分场文件骨架、对话戏、换装、配乐 |
references/video-prompt-standard.md | 写视频提示词前必读（三种模式都用）。结构、光线词汇、色彩句、负面提示词、自查表 |
references/gold-video-prompts.md | 写视频提示词前必读。三条完整样板（广告 / TVC / 短片对白）：结构、动作主导的时间块、光线、声音、负面提示词都照它 |
references/post-minimization.md | 每次都读。后期最小化：每个画面元素分 A 生成里做 / B 出 W 成品图 / C 剪映一步操作，带字资产、W 图模板、剪映操作清单 |
references/asset-prompt-templates.md | 写资产图前读。车辆、道具、场景模板 |
references/gold-asset-prompts.md | 写资产图前读。人物、车辆、道具、产品、场景的资产图样板 |
~/.claude/skills/character-sheet/SKILL.md 和它的 references/examples.md | 写人物三视图前必读。固定模板以它为准，逐字照搬 |
先选模式
| 模式 | 什么时候用 | 和下面 9 步的关系 |
|---|---|---|
| 广告模式（默认） | 15–60 秒的信息流广告、App 推广、故事型广告；品牌不在画面里出现（App 界面在视频生成里做，绑定截图物料位） | 照下面 9 步走 |
| TVC 模式 | 电视广告、产品广告、品牌片；自家产品、包装或标志要在画面里出现 | 照下面 9 步走，再按 references/tvc-mode.md 改动品牌规则、加产品资产和产品镜头、换交付规格 |
| 短片模式 | 超过 60 秒、以故事为主的短片、微电影、短剧、剧情 MV | 不走下面的单文件流程，按 references/short-film-mode.md：先出总纲（大纲、分场表、角色服装表、资产），用户确认后一场一场写 |
判断不了时（比如"做一条 90 秒的品牌故事片"），在第 0 步的提问里一起问。不管哪种模式，视频提示词都用同一套标准（video-prompt-standard.md + 样板），人物三视图都用 character-sheet 模板。
第 0 步：需求收集（只问缺的，一次问完）
先从用户的话和上下文里推。下面几项推不出来又会明显改变结果时才问，一次用 AskUserQuestion 问完（最多 4 题，选项标签也要中英对照或纯中文），不要逐条追问：
| 关键项 | 广告模式默认值 | TVC 模式默认值 | 短片模式默认值 |
|---|---|---|---|
| 时长 | 15 秒 | 30 秒（另出 15 秒剪短版） | 5 分钟 |
| 比例 | 9:16（1080×1920）；4:5 从中间裁 | 16:9（1920×1080，可出 3840×2160） | 16:9（1920×1080）；要上短视频平台时问 |
| 画风 | 真人实拍感，人物为 AI 原创面孔 | 同左 | 同左 |
| 平台 | Facebook / Instagram 信息流，静音也能看懂 | 电视 + 视频网站贴片 | 视频网站 / 社交平台，带对白字幕 |
| 人物数量和人设方向 | 按故事推出最少人数 | 同左 | 主要角色 2–4 人；人设方向影响大时问 |
| 品牌和合规限制 | 无品牌露出，无真实车标/商标/车牌；事故只拍物损 | 自家品牌可露出，别家品牌一律不出现；广告法和平台规范 | 无品牌露出；暴力、伤害按平台尺度处理 |
| 产品 | — | 必须要真实产品照片（问用户要） | — |
| 对白语言 | 英文台词附中文翻译 | 同左 | 问用户；默认英文对白附中文字幕 |
| 视频工具 | Seedance 2.0 全能参考模式；出图用 Nano Banana Pro | 同左 | 同左 |
| 制作方式 | 全部 AI 生成，不安排实拍；非 AI 素材只有用户提供的 App 截图（物料位）和授权配音；人物可以露脸，但只演戏，不对着镜头做证言，配音一律画外；第一人称故事加 Dramatization（情景再现）标注 | 同左（产品外观用真实照片） | 同左 |
开工时在制作包开头用一行列出采用的默认值，让用户随时改。
第 1 步：脚本（制作包第一部分）
- 开头写：命名（英文下划线，如
rider_rain-night_reroute_15s）、规格（时长、镜头数、比例）、画风、人物、故事线一句话。 - 镜头表前面先写 ## 故事：3–5 句大白话中文讲清这条片子讲了什么（谁、什么处境、遇到什么、怎么解决、结局），不写镜头和技术词；下面一行
**要传达的：** ……，再接---分隔线。没看过脚本的人（比如领导）读完这一节就知道片子讲什么。 - 故事要有真实依据： 每个故事和场景都要有真实案例或可对照的真实地点撑着（新闻、执法记录、法规、知名地点）；不编真实用户一眼就能看出是假的情节。提故事前先查（不确定就搜），涉及罚款、金额、次数等数字要先核实再写；在"故事"一节下面加一段
**真实依据：** ……（发生过什么、在哪、大概多常见），广告画面里不点名具体地点。找不到依据就直说，换个角度，不硬写。用户给的参考图也对照现实检查，不符的地方指出来。 - 开头 0–2 秒先抓人： 痛点 / 故事型广告开头 0–2 秒先给主角的痛点或损失（出事、吃罚单、耽误时间、被困住）；功能型广告以功能为主，有自然的钩子（禁止标志、检查不过、油量见底这类）也放在最前面。写完或改稿先看 0–2 秒。
- 爆款结构不当默认模板： 用户给的爆款参考只用在它对应的那条；其他片子先从故事设计结构，只在合适的地方借某个手法（前 3 秒脸部反应、后果标签代替金额、快切），借了就在方案里说明。
- 镜头表固定列：
镜头 | 时间 | 画面 | 字幕 / 声音 | 素材。多条故事线时加一列线。- 时间精确到 0.1 秒，首尾相接，总和等于成片时长。
- 画面写看得见的动作和景别，一行一个镜头。
- 台词和字幕：
English（中文翻译），并标明谁说的。 - 素材列写来源，并按
references/post-minimization.md给每个画面元素分类：AI（V2 镜3）· 牌面字生成（A）、W1 字卡（B）、剪映：倒放 + VHS 特效（C）、UI-1。能放进生成的不留给后期。
- 15 秒广告要精简： 全片最多 6–7 段（含 App 画面和结尾画面）；每个 AI 镜头不短于 2 秒，不写 0.5–0.7 秒的快切；每条生成的档位等于它包含的镜头时长之和，生成多少用多少，不在剪映里挑段截；时间预算参考：钩子 0–2.5 秒，剧情 2 个镜头各约 2 秒，App 操作画面 3.5–4 秒，结尾画面 2 秒（叠在最后一个 AI 镜头上）；字卡不超过 3 张，台词和解说合计不超过 25 个英文单词；15 秒片不做双线交叉快切和上下分屏。
- 镜头表上方加一行后期工作量：
后期操作：剪映 x 步（其中系列模板复用 y 步），W 图 z 张。 - 镜头表下面写 品牌风险 清单：按 高 / 中 / 低 排，每条格式
- **等级 · 风险点：** 具体怎么处理。常见风险：事故和伤害、包装字幕像 App 界面、方向/数字前后不一致、功能说过头、数据没有来源、驾驶中使用手机、App 屏幕文字生成变形、人物像真人名人、露脸配第一人称配音像真人证言、故事没有真实依据、真实品牌露出、平台政策（前后对比、夸大承诺）。
第 2 步：一致性锚点（第二部分）
给每个人物、车辆、道具、场景定一个固定名字和一句固定描述，后面所有提示词复用，不改字。
- 人物：
- **固定名字：** 用 C1 三视图锁定。年龄 族裔 职业，体型，标志性服装。 - 车辆/道具：颜色 + 类型 + 关键结构 + "无任何车标/品牌/文字"。
- 场景：地点 + 关键结构 + 时间 + 光线。
- 再写一条 时间光线 / 调色：每条故事线或每个时段用什么光、什么色调。
固定名字要具体到不会和别的东西混，比如"白色长头牵引车""黄色雨衣骑手"，不用"车""他"。
第 3 步：产出物清单（第三部分）
表头：编号 | 类型 | 比例 | 覆盖镜头 | 说明。编号规则：
C1…人物三视图（16:9）T1…车辆多视图（16:9，车辆归道具类，但单独编 T）P1…道具图（16:9）E1…环境图（16:9）PR1…产品参考图（只在 TVC 模式，用真实产品照片）W1…成品图：字卡、结尾画面、角标（后期最小化 B 类）V1…全能参考视频（成片比例）M1…物料位：用户提供的 App 截图，绑定进视频生成；VO-1…配音（如果有）- 不规划整段 App 录屏在剪映里拼接
不出现 G（多宫格）、K（单帧关键帧）、F（结尾帧）这类条目。
第 4 步：人物三视图提示词（第四部分开头）
严格用 character-sheet skill 的固定模板，逐字照搬，只换方括号。要点（详细规则看那个 skill）：
- 脸部按固定顺序写细：脸型 → 额头/发际线 → 眉骨 → 眉毛 → 眼睛 → 鱼尾纹 → 抬头纹 → 鼻 → 嘴 → 法令纹 → 下颌 → 胡须 → 发型 → 辨识特征 → 肤色毛孔。
- 每人只有一个辨识特征，多个人物之间不重样。
- 风格段只改眉毛那一句，后面接 肤质细节 / 毛发细节 / 服装质感 三行，每人单独写。
- 不写浅景深、虚化背景。保留"原创面孔，不像任何真实名人。"和"衣物和帽子上没有任何品牌标志或文字。"
- 比例 16:9，文件名
C-<编号>-sheet.png。 - 故事里有制服、头盔、雨衣等职业装备，写进服装行，并注明无标志。
- 人物可以露脸，用正常机位，不必强行用背影或主观视角；脸只用来演戏，不对着镜头说证言式台词，配音放画外。
第 5 步：车辆、道具、场景资产提示词（第四部分后半）
用 references/asset-prompt-templates.md 的三种模板，标题格式 ### T1 · 名字多视图。共同规则：
- 开头固定"超高清真实摄影质感，8K，车辆设定图 / 道具设定图 / 环境概念图。"
- 车辆、道具：纯浅灰色影棚背景，同一画面排列多个视图（车辆：正前、正侧、3/4 前侧、正后；道具：正面 + 安装/使用状态 + 关键动作状态），比例细节完全一致。
- 场景：写清地点、结构、左右位置、后面镜头要用到的东西（岔路、积水、招牌位置）、时间光线、构图，没有人物和车辆（除非是场景固有的停放物）。
- 画面里牌子、贴纸、车身上的短文字和数字（A 类）直接印在资产图上，出"带字版 + 空白备用版"，写法见
post-minimization.md第二节；手机和 App 屏幕在资产图里写"黑屏"或"显示内容空白"，界面在视频生成里用物料位截图绑定。 - 包装大字、数据字卡、结尾画面、角标（B 类）单独出 W 图，模板见
post-minimization.md第三节。 - 结尾固定"真实……摄影，非CG。""无任何品牌，除指定文字外无任何文字。"（没有指定文字时写"无任何文字和品牌。"）
第 6 步：视频提示词（第五部分，核心）
先读 references/video-prompt-standard.md 和 references/gold-video-prompts.md，结构、细致度、光线深度、色彩句和负面提示词都对齐样板。
- 分组：按剪辑点切条。 每条生成从一个剪辑点开始、到一个剪辑点结束，由几个完整镜头组成，一般 10–15 秒；不把一个镜头拆到两条里，不让生成停在动作中间。详细规则见
video-prompt-standard.md第二节。在剪映里做的（倒放、分屏）、W 图（字卡、结尾画面）不进视频提示词；App 操作和屏幕变化要写进视频提示词（见下面硬规则）。 - 时长：每条只能是 4 / 5 / 6 / 8 / 10 / 12 / 15 秒。微调各镜头时长，让镜头之和正好等于档位，生成多少秒就用多少秒；最后一个镜头的动作提前约 0.5–1 秒完成，后面写"保持"。
- 参考图：每条最多 9 张，建议 4–6 张，只上传这一条真正用到的。每条单独写上传顺序，编号从 @图片1 开始重新数。
- 每条一个代码块，内部顺序固定：
- 开头句：总时长、镜头数、每个硬切点的时间和下一镜内容。
- 色彩句（约 60–80 字，按内容自动分配电影风格，规则和风格表见
video-prompt-standard.md第三节第 2 条）："写实电影质感，ARRI Alexa（胶片感/自然）色彩，色调走向参考《某片》的……：高光偏…、中间调…、暗部偏…，天空…，肤色…，整体…。节奏…。" - 参考绑定：每行
固定名字：@图片N，锁定……；每个 @图片N 只在这里出现一次。 - 空间固定：路线/轴线、每个物体左右位置、行进方向、左舵右舵、谁坐哪、什么不存在。
- 时间块（动作主导）：每块一段话，以人物动作为主线按节拍写；镜头只交代景别、机位方向和高低、一种运动；结尾写"镜头结束在……"。焦段、构图比例这些留给模型。写法见
video-prompt-standard.md第三节第 5 条。正文一律用固定全名。 - 连续性（人物与动作连续性）：一人一个身体、哪只手做什么、道具同一个、动作只发生一次、方向统一、画面无文字。
- 光线：先写全片总光，再逐镜头写光源位置角度、色温 K、软硬、光比、曝光取舍、丁达尔光的具体位置和成因、脸部布光（伦勃朗光/蝴蝶光/环形光/分割光/轮廓光）、眼神光、实际光源、调色。
- 声音：按秒写环境声和拟音；台词写英文原句、时间点、声线（年龄、性别、口音、语气、音量、位置），加"只说指定台词，不另读中文翻译"；末尾"无旁白、无音乐、无字幕"（按需要）。
- 负面提示词：这一条专属的不要项 + 通用不要项。
- 硬规则：
- 提高成片率：一镜一个主动作、一种运动；两人都要动时错开先后；单镜头不短于约 1.5 秒；一条不超过约 5 个镜头；相邻镜头景别或机位方向明显不同；尽量不用第一视角（驾驶室主观视角、挡风玻璃视角），改用车外固定机位、越肩或车外低机位；避开交叉换手、手指精细操作、多人肢体接触、快速环绕、镜中倒影、运动中的文字。
- 不用比喻和概念词（"开罐头""像……一样""仿佛""如同""宛如"）。写成哪个部位、怎么变形、多大尺寸（米/厘米）、多快（秒）、停成什么样、有什么二次运动。
- 不写
{{Mixed N}}、参考图N，正文不写 @图片N。 - 正文不用"车""他""她""那辆车"指代有锚点的对象，每次都写固定全名。
- App 画面写进视频提示词： 手的点按、按钮、屏幕切换都在生成里做，屏幕内容绑定用户提供的截图。
- 产出物清单和单独一节"物料位（你们提供）"列出 M1、M2…：文件名（
ui/<集名>-m1-<画面>.png）、屏幕上要有的内容、状态栏时间、隐私要求、用在哪条 V 的第几张图、绑定时用的固定名字。 - 每条 V 的上传顺序里标【物料位 Mx】；绑定行写好：
<屏幕名>：@图片N，锁定屏幕布局、文字、按钮位置，字形不变。 - 时间块里一个拇指、一拍一次点击，屏幕按顺序切换；负面提示词写屏幕文字乱码、多出的手指、屏幕反光。
- 不出现手机主屏和点 App 图标：人物拿起手机时用身体（肩、手臂）挡住屏幕约 0.3 秒，露出来时已经是 App 启动页；启动页截图就是 M1。
- 用户给的截图是设计稿：对照故事检查车型、日期、金额、状态栏时间、真实商家名，不一致的标"建议重截"；收到后存进
<集名>-production/ui/，用物料位文件名。 - 品牌风险里加一条屏幕文字变形，备选方案是改用真实录屏。
- 产出物清单和单独一节"物料位（你们提供）"列出 M1、M2…：文件名（
- 视频部分开头写：分组表（V几 · 档位 · 包含的镜头和各自时长 · 起止剪辑点）、适用工具和时长档位说明、每条图片数、写法约定四条（见 package-template.md）。每条代码块下面可加一行后期说明（取几秒、末帧定格等）。
第 7 步：物料位 / 配音清单（第六部分，有才写）
- 物料位表头
编号 | 文件名 | 屏幕内容 | 用在哪条 V。屏幕内容和片中方向、数字、出口号保持一致；写截图要求（竖屏、状态栏整点时间、关通知、隐去个人信息）。 - 配音：哪句、谁说、声线，要求"签约配音演员或有授权的合成声线"，写好文件名。
- 全片没有这类素材就写一句"本片不需要物料位截图和配音"。
第 8 步：剪映操作清单 + 上线前对照（第七、八部分）
- 第七部分标题叫"剪映操作清单"，表头
时间 | 素材 | 剪映操作：按成片时间顺序，写清用哪条 V 的哪一镜、放哪张 W 图、在剪映里点哪里选什么（写法见post-minimization.md第四节）。不写"后期处理一下"这种话；能在生成里或 W 图里做掉的，不出现在这张表里。 - 系列里每集重复的操作（倒带、角标、字卡样式、结尾版式、转场音）标"系列模板"，写一行"本集复用：……"。
- 上线前对照：
- [ ]清单，每条品牌风险都要有一条对应检查，再加人物一致、无品牌无文字、方向一致、数据来源、配音授权、CTA 口径。
交付（三个地方，放的东西不一样）
| 放在哪 | 放什么 |
|---|---|
| 本地制作包（markdown 文件） | 完整内容，包括全部提示词 |
| 聊天回复 | 提示词只在聊天里展示：每条提示词单独一个代码块，按出图、出视频的顺序贴出来，方便复制；再用中文简要说明采用的默认值、分了几条视频生成、需要用户补什么（物料位截图、数据、配音） |
| 共享位置（Notion、网页、在线文档） | 团队版，不放任何提示词 |
- 本地制作包：广告模式和 TVC 模式写成一个 markdown 文件，文件名
<项目名>-脚本与制作包.md，放在当前工作目录下的<项目名>-production/文件夹。短片模式：同一个文件夹里放00-总纲.md、场01-<场名>.md……、99-剪辑与交付.md，分批交付（见references/short-film-mode.md）。 - 共享位置只在用户同意后才同步：用户在用 Notion（会话里出现过 Notion 页面，或 Notion 工具可用且用户提过）时，问一句是否同步，不要自己直接写。
- 团队版规则：
- 只放：标题和规格、故事、脚本、品牌风险、一致性锚点、产出物清单、物料位 / 配音清单、剪映操作清单、上线前对照。
- 去掉所有提示词代码块，以及只跟提示词有关的说明（上传顺序、写法约定、视频分组表）。
- 去掉以后，各部分重新编号。
- 完全不提"提示词"：不写"（不含提示词）""完整提示词见……""提示词以本地制作包为准"这类话；链接制作包时直接用它的标题。
交付前自查（每次都过一遍，不过就改）
- 全文中文，所有英文后面有中文翻译
- 镜头表前有"故事"一节：3–5 句大白话 + "要传达的" + "真实依据"；涉及的数字已核实
- 0–2 秒有钩子（痛点型给痛点 / 损失，功能型有自然钩子就放最前）；没有把爆款结构当默认模板
- 人物露脸只演戏，没有对镜证言，配音在画外
- App 画面写进了视频提示词：物料位 M 清单、上传顺序标【物料位】、绑定行锁字形；没有手机主屏和点图标；没有整段录屏
- 提示词在聊天里逐条贴出；同步到共享位置的团队版不含任何提示词，也不提"提示词"
- 镜头表时间首尾相接，总长对上；每个 AI 镜头在素材列指向某条 V 的某一镜，且确实写在那条 V 里
- 没有 G/K/F 关键帧、多宫格提示词
- 人物三视图逐字套模板，只一个辨识特征，三行细节齐全，无浅景深
- 资产图无品牌；只有 A 类指定文字，带字版和空白备用版都给了；手机/App 屏幕空白
- 每个画面元素都分了 A / B / C；W 图逐字给出原文；剪映操作清单里每一步都具体到点哪里
- 有 A 类文字的视频条，绑定里锁了文字、时间块写了"字形不变"、负面提示词改成"除指定文字外的任何文字"
- 每条 V：时长在 4/5/6/8/10/12/15 档内；从剪辑点开始、到剪辑点结束，镜头时长之和正好等于档位；图片 ≤9；单独写了上传顺序且从 @图片1 起
- 每条 V 有：开头句、色彩句、参考绑定、空间固定、时间块、连续性、逐镜头光线、逐秒声音、负面提示词
- 时间块以动作为主线，写了景别、机位方向和高低、一种运动，结尾写"镜头结束在……"；单镜头 ≥ 约 1.5 秒，一条 ≤ 约 5 个镜头
- @图片N 只出现在绑定段；正文全用固定全名；没有比喻词（搜一遍"像""仿佛""如同""一样"）
- 有台词就写了声线和"只说指定台词，不另读中文翻译"
- 方向、数字、名字在脚本、提示词、物料位截图、后期、对照清单里完全一致
- 每条高风险在后期和对照清单里都有对应处理