Comfy Director

Comfy Director 是做什么的？

故事优先，画面其次。多镜头AI电影的失败往往发生在剪辑阶段，而非渲染阶段：如果节拍之间缺乏因果关系，即使每个镜头再精美，读起来也只是一部披着故事外衣的蒙太奇。

必需前提：comfy 技能（CLI 机制 + 配方路径 —— apply/capture/foreach —— 用于可重复的多阶段工作流）。如果任务失败，请使用 comfy-debug。

操作顺序

1. 概念 —— 一个陌生人都能复述的核心创意。
2. 剧本 —— 在触碰管线之前完成。首先将剧本交给用户。
3. 镜头列表 —— 将每个场景映射到一种连续性策略。
4. 音频设计 —— 根据剧本的情感节拍进行设计，而非在画面完成后才考虑。
5. 制作 → 合版 → 质量控制。

跳过第2步直接进行渲染是导致剪辑被毙的首要原因。

剧本规则

• 一个主角，镜头可以跟随。在每一个镜头中都能被识别。
• 因果测试： 每一次切换都要回答“正因为此……” —— 绝不能是“然后，在别的地方……”。如果一个节拍可以随意重新排序而不破坏任何东西，那它还不是一个故事。
• 陌生人测试： 一个零上下文的陌生人必须能用两句话复述剧情（“X想要A，B阻止了他，他做了C，所以D”）。
• 节拍携带的时间总和应等于目标时长。

概念规则

• 品牌/产品应被感受到，而非被点名提及：阐述其理念；屏幕上直接引用内部梗和社区传说会被视为粉丝服务。
• 客户提到的一种技术（“风格迁移”、模型名称）是火花，而非命令 —— 仅在创意需要时才使用它。围绕一种技术构建电影是供应商（而非导演）的做派。
• 怪异必须层层叠加：令人惊讶的主体 与 客体 与 场景。在一个常规画面中加入一个怪异元素只是装饰。

镜头提示

• 写实镜头： 仅使用真人电影摄影师/胶片语言。在逼真的提示中混入一个插画师/动漫/漫画的名字会破坏效果。插画风格的参考只应出现在刻意风格化的镜头中。
• 运动提示描述的是场景如何移动，而非其中有什么（参见 comfy 技能视频常见陷阱 —— t2v/i2v 模型陷阱、SaveVideo、fps 接线）。

连续性工具包

按镜头选择，大致按强度排序：

策略	用途
将角色/位置参考图带入每个镜头的 i2v 工作流	主角身份一致性
通过参考图编辑实现相同身份、不同构图（一张主角图 → N 个角度）	跨剪辑的可识别面孔
镜头 N 的关键帧作为镜头 N+1 的种子（基于图像引用的重风格化或结束帧）	连续动作
讲话者头部输入确切的播放音频（KlingAvatar），在同一个口型同步头部 的不同角度之间切换 —— 绝不要在画外音上覆盖 B-roll	必须感觉真实的对话
在每个提示中逐字重复相同的服装/光线/镜头参数	廉价的基线粘合剂

如果一个镜头无法保持连续性，重写剧本，使其不需要那个镜头 —— 不要强推有问题的剪辑。

音频

• 配乐 = 简短设计的线索，在故事转折点连接；一次性的长生成无法跟随动态弧线（它会在你需要高潮的地方正好反转）。
• 通过数学计算放置画外音：音轨持续时间 vs 节拍窗口，在混音之前进行。
• 将配乐压在画外音之下；对最终混音进行响度归一化（约 -14 LUFS）。
• 对话必须通过构建方式实现口型同步。 用确切播放的音频驱动嘴部（KlingAvatar sound_file），并在同一个口型同步头部的不同角度之间切换 —— 在连续的画外音上覆盖 B-roll 读起来像蒙太奇，而 i2v 生成的嘴部会漂移。“无口型同步/感觉不真实”是典型的否决理由。（在流程图中生成音频 —— 云端的 LoadAudio 无法看到上传文件；参见 comfy 音频陷阱。）
• 在昂贵的渲染之前，务必通过听觉锁定语音和选角。 声音/口音是主观的，无法从波形中读取 —— 渲染几个便宜的候选 TTS 版本（同一句台词），让用户选择，然后 将胜出的结果投入到昂贵且易出现 transient_auth 错误的虚拟角色/口型同步镜头中。因语音被否决而重新渲染所有这些镜头是可以避免的浪费。主角外观同理：在从主角图生成所有镜头之前，先批准主角静态图。
• 通过测量而非感觉验证混音。 你无法听到渲染结果 —— 使用 ffmpeg volumedetect 检查每个部分：结尾的“死寂”或被掩埋的对白会显示为接近 -91 dB 的窗口。在宣布完成前，确认每个节拍都以应有的电平存在。

制作操作

• 在提交时，将每次提交 —— 镜头、关键帧、音频干声、重新提交 —— 追加到 job_ids.txt（<job_name> <prompt_id>）。仅追加：重新提交会获得新行（shot_s3_resubmit <id>），绝不覆盖，这样已失效的 prompt_id 仍保留其镜头身份。

• 在项目根目录维护 LOG.md：一个仅追加的事件日志，在事件发生时（而非会话结束时） 写入 —— 每次提交/重新提交（+ 失败代码）一行，每次 QC 判定（+ 重新生成原因）一行，以及每个会使先前工作失效的决策：重新选角、提示更改、哪个参考图或干声现在是规范的。逐帧发现记录在 qc/QC_LOG.md 中；LOG.md 索引它们。

  17:36 ERROR shot_s3 transient_auth -> RESUBMIT 27dd45b4 (same workflow, no re-login)
  17:44 QC shot_s2 FAIL background-crawl -> re-roll (same kf, new seed); recut beat if 2nd fails
  17:50 DECISION recast protagonist -> ref_ray.png canonical; vo2, vo6 stale, re-gen
  

• 恢复契约： 一个零记忆的后续代理必须仅从磁盘恢复：LOG.md（发生了什么，为什么）→ job_ids.txt（哪些作业）→ comfy jobs status（它们的状态）。一个不在 LOG.md 中的决策会随着会话消亡 —— 已完成但已过时的作业（旧选角的 VO 干声）否则看起来和好的作业一模一样。

• 对每个下载的片段使用 ffprobe；在合版前对不符合规格的时长/尺寸进行归一化。

• 在剪辑前，从每个片段中抽取一帧与剧本进行质量控制检查。

• 精确时长：使用 ffmpeg 按节拍修剪/重新定时，不要指望运气。

常见错误（每个都曾导致真实剪辑被毙）

错误	结果
在剧本之前进行渲染	“八个好看的节拍，但互不因果”
屏幕上显示社区内部梗	“太直接，粉丝服务”
将客户提到的技术作为概念	“我说它是为了激发创意”
没有连续性计划	主角每切一次镜头就换张脸
一次生成40秒音乐	弧线在高潮处反转
在连续画外音上覆盖 B-roll	“感觉像蒙太奇/音频不匹配”
在用户听到声音之前将其烘焙到 N 个镜头中	用户否决时重新渲染所有内容
直接拼接讲话者头部片段	声音漂移不同步（虚拟角色将视频填充超过音频）