Comfy Director

Comfy Director 是做什麼的？

故事優先，畫面其次。多鏡頭 AI 影片的失敗在於剪輯，而非渲染： 如果節拍之間缺乏因果關係，即使每個鏡頭都很精美，讀起來也只像穿著故事外衣的蒙太奇。

必要背景： comfy 技能（CLI 機制 + 食譜路徑 — apply/capture/foreach — 用於可重複使用的多階段圖表）。任何失敗的任務請參考 comfy-debug。

操作順序

1. 概念 — 一個陌生人能複述的單一想法。
2. 劇本 — 在碰觸管線之前。先交付給使用者。
3. 分鏡表 — 每個場景對應一個連續性策略。
4. 音訊設計 — 根據劇本的情緒節拍，而非在畫面完成後才做。
5. 製作 → 整合 → 品質檢查。

跳過第 2 步直接進行渲染是導致剪輯失敗的首要原因。

劇本規則

• 一個鏡頭可以跟隨的主角。 在每個鏡頭中都能辨識出來。
• 因果關係測試： 每個剪輯都回答「因為那樣…」——絕非「然後，在某個地方…」。如果一個節拍可以重新排列而不破壞任何東西，它還不是一個故事。
• 陌生人測試： 沒有任何背景的人必須能用兩句話複述情節（「X 想要 A，B 阻止了他們，他們做了 C，所以 D」）。
• 節拍攜帶時間，總和應等於目標片長。

概念規則

• 品牌/產品是被感受到的，而非被點名的：論證其理念； 螢幕上引用的內部笑話和社群傳說讀起來像粉絲服務。
• 客戶提到的技術（「風格轉換」、模型名稱）是火花，而非指令——只有在想法需要時才使用它。 圍繞技術建構影片是供應商而非導演的特徵。
• 怪異必須疊加：令人驚訝的主體 AND 客體 AND 場景。 正常畫框中只有一個怪異元素只是裝飾。

提示鏡頭

• 逼真鏡頭： 僅限真人電影攝影師/底片語言。 一個插畫家/動漫/漫畫名字放在逼真的提示中會毒害它。 插圖參考僅屬於刻意風格化的鏡頭。
• 動態提示描述場景如何移動，而非裡面有什麼（請參閱 comfy 技能影片陷阱 — t2v/i2v 模型陷阱、SaveVideo、fps 接線）。

連續性工具組

按鏡頭選擇，粗略依強度排序：

策略	用途
將角色/場景參考圖像帶入每個鏡頭的 i2v 圖表	主角身份
相同身份，透過參考圖像編輯獲得不同取景（一個主角 → N 個角度）	跨剪輯的可辨識面孔
鏡頭 N 的關鍵幀作為鏡頭 N+1 的種子（以圖像為參考的重新風格化或結束幀）	連續動作
說話的頭部餵入確切播放的音訊（KlingAvatar），在同一個嘴型同步的頭部的不同角度之間剪輯——切勿在 VO 上方使用 B-roll	必須感覺真實的對話
在每個提示中逐字重複相同的服裝/燈光/鏡頭描述	廉價的基本黏合劑

如果一個鏡頭無法保持連續性，重寫劇本，使其不需要該鏡頭——不要交付有缺陷的成品。

音訊

• 配樂 = 短小設計好的提示，在故事轉折點連接；一次長時間的生成 無法遵循動態弧線（它會在你需要高潮的地方正好反轉）。
• 透過數學計算放置 VO：音軌持續時間 vs 節拍窗口，在混音之前。
• 在 VO 下方降低配樂音量；對最終混音進行音量正規化（約 -14 LUFS）。
• 對話必須透過建構來實現嘴型同步。 用播放的確切音訊驅動嘴巴（KlingAvatar sound_file），並在同一個嘴型同步的頭部的不同角度之間剪輯——在連續的 VO 上方使用 B-roll 讀起來像蒙太奇，而且 i2v 發明的嘴巴會漂移。「沒有嘴型同步/感覺不真實」是經典的拒絕理由。（在圖內生成音訊 — 雲端 LoadAudio 看不到上傳；請參閱 comfy 音訊陷阱。）
• 在昂貴的渲染之前，用耳朵鎖定聲音與選角。 聲音/口音是主觀的，無法從波形讀取——先渲染一行文字的幾個廉價候選 TTS 錄音，讓使用者挑選，然後將勝出者烘焙到昂貴的、易受 transient_auth 影響的頭像/嘴型同步鏡頭中。因拒絕的聲音而重新渲染所有這些鏡頭是可避免的浪費。主角的外觀也同理：在根據主角靜止幀生成每個鏡頭之前，先批准它。
• 透過測量而非猜測來驗證混音。 你無法聽到渲染結果—— 使用 ffmpeg volumedetect 檢查每個部分：結尾的「死寂」或被埋沒的臺詞會顯示為接近 -91 dB 的窗口。在宣布完成之前，確認每個節拍都以適當音量出現。

製作運營

• 在提交時，將每個提交內容——鏡頭、關鍵幀、音訊音軌、重新提交——附加到 job_ids.txt（<job_name> <prompt_id>）。僅追加： 重新提交會得到新的一行（shot_s3_resubmit <id>），絕不覆蓋， 所以失效的 prompt_id 會保留其鏡頭身份。

• 在專案根目錄維護 LOG.md：一個僅追加的事件日誌，在事件發生時（而非會話結束時）撰寫——每個提交/重新提交（+ 失敗代碼）、每個 QC 判決（+ 重新生成原因）、以及每個會使先前工作失效的決策：重新選角、提示變更、哪個參考圖像或音軌現在是權威版本。逐幀的發現存在於 qc/QC_LOG.md 中；LOG.md 為它們提供索引。

  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
  

• 恢復合約： 一個完全無記憶的後續代理程式必須能僅從磁碟恢復：LOG.md（發生什麼事、原因）→ job_ids.txt（哪些任務）→ comfy jobs status（它們的狀態）。不在 LOG.md 中的決策會隨著會話消失——否則，已完成但過時的任務（舊選角的 VO 音軌）看起來與好的任務一模一樣。

• 對每個下載的剪輯執行 ffprobe；在整合前將不標準的時長/尺寸正規化。

• 在剪輯前，對每個剪輯中的一幀進行品質檢查，與劇本比對。

• 精確片長：在 ffmpeg 中按節拍修剪/重新計時，不要依賴運氣。

常見錯誤（每個都曾毀掉一個真實剪輯）

錯誤	結果
劇本前就渲染	「八個漂亮的節拍，但彼此沒有因果關係」
螢幕上出現社群傳說	「太直接，粉絲服務」
將客戶提到的技術作為概念	「我說它是為了激發想法」
沒有連續性計畫	主角每換一個鏡頭就變臉
一次 40 秒的音樂生成	弧線在高潮處反轉
在連續的 VO 上方使用 B-roll	「感覺像蒙太奇 / 音訊不匹配」
在使用者聽到之前就將聲音烘焙到 N 個鏡頭中	當他們拒絕時重新渲染所有東西
直接拼接說話頭部的剪輯	聲音不同步（頭像會將影片墊長超過音訊）