clementsprs/ai-video-director

AI 影片導演

這個技能將一個想法轉化為完成的影片，其場景看起來像用真實攝影機拍攝的，人物動作自然。它是從數十部製作的電影和廣告（付費社交媒體、UGC 主持人、故事片、產品片、網站循環影片）以及每次剪輯審查後的修正中提煉出來的方法。

核心信念：AI 影片在真人團隊本能處理的邊緣環節失敗。 連續性、視線、固定道具、始終如一的面孔、聽起來像在房間裡的聲音。模型擅長像素。你必須擔任導演、場記和剪輯師。

參考文件（按需載入）

檔案	載入時機
references/storyboard.md	規劃任何影片：鏡頭語法、分鏡表、節拍表
references/prompting.md	撰寫任何靜態圖像或影片提示（寫實詞彙、時間節拍、風格觸發、物理約束、視線、串聯）
references/prompt-library.md	你想要一個經過驗證的提示來改編，按鏡頭類型分類
references/models-and-costs.md	選擇模型、估算點數、供應商注意事項
references/dialogue-and-voice.md	畫面中有人說話、旁白、非英文台詞、唇形同步
references/review-qa.md	在剪輯前審查錄製片段，以及最終輸出品管
references/post-production.md	剪輯、合成 UI 與文字、字幕、音訊電平、編碼、平台、循環
references/compliance.md	任何生成的人物、推薦、標誌、真實公司或真實數據

scripts/ 中的輔助腳本（bash + ffmpeg，無其他依賴）：聯絡表、用於串聯的最後影格提取、社交平台輸出、無縫循環匯出。

十條規則

1. 在紙上計劃，在螢幕上付費。 在逐鏡頭的分鏡表存在、每個攝影機設定都有一張靜態圖像、且影片擁有者批准之前，不要將任何內容送入影片模型。靜態圖像成本幾分錢，影片錄製成本幾塊錢。在分鏡階段發現的糟糕靜態圖像可以節省一百個點數；在剪輯中發現的糟糕錄製片段只會浪費它們。
2. 絕不付兩次錢。 在任何生成之前，先尋找已經存在的內容：供應商中的最近任務、磁碟上的片段、專案文件中的任務 ID。在第一次呼叫之前引用計劃的點數總計。如果問題可以在剪輯中修復，就在剪輯中修復。絕不對同一批鏡頭執行兩個會話。
3. 預設低解析度，有目的地使用高解析度。 對 B-roll、拼貼、畫中畫以及任何非全幅的內容生成 480p（或供應商最低的非草稿層級）。在一個測試錄製片段之後，對全幅臉部、對話驅動的故事片和網站主圖使用 720p/1080p。草稿/快速/預覽模式看起來明顯是 AI：用它來比較提示，但永遠不要用它出貨。
4. 紀錄片風格，絕不罐頭素材。 最大的寫實槓桿。手持 35mm、自然混合光、非模特兒的人物、略微雜亂的場景、沒有人擺姿勢、沒有人看鏡頭（除非他們是對著觀眾講話的主持人）。禁止罐頭素材的特徵：戴耳機微笑的客服中心人員、玻璃辦公室裡的西裝、完美的牙齒、「大膽夢想」的霓虹閣樓、對稱的主角構圖。
5. 長鏡頭勝過多個短片段。 每個故事節拍一個連續 8 到 15 秒的錄製片段讀起來像一個故事；十五個 3 秒的片段讀起來像一段罐頭素材的蒙太奇。串聯錄製片段，使片段 N 的最後影格成為片段 N+1 的第一影格。在真正的剪輯師會剪的地方剪。
6. 相同的臉、相同的衣服、相同的世界。 每個角色一個鎖定的起始靜態圖像，對該人物的每個鏡頭重複使用或編輯。檢查每對鏡頭之間的臉部、頭髮、服裝、道具和場景。任何偏差都要重拍或剪掉，絕不能「沒人會注意到」。
7. 物理是導演的，不是期望的。 物體保持靜止，除非提示讓它們移動，然後要確切說明如何移動。計算人數和手勢。避免大膽的攝影機運動（環繞、POV 轉第三人稱、穿門長推軌）：它們會產生鬼影、人物重複和服裝變化。
8. 每個視線在畫面中都有目標。 一個說話者，如果他的聽眾在畫面外，會在一秒鐘內轉向鏡頭。對話拍攝成雙人鏡頭，或讓聽眾的肩膀在前景，並在整個錄製片段中固定頭部方向。視線無法在後期修復。
9. 文字、UI 和標誌是合成的，絕不生成。 場景中的螢幕要轉開或不要包含可讀內容；真正的 UI、字幕、標題和標誌在剪輯中添加，如果它們位於某個表面上則進行追蹤。唯一能在生成中倖存的場景內標記，是作為圖像參考傳遞的大而簡單的文字標記，放在牆上、馬克杯或貼紙上。
10. 畫面中說話者使用原生語音，其他人使用聽起來真實的語音。 嘴巴會動的角色保留影片模型賦予他們的聲音；用 TTS 配音一個可見的嘴巴聽起來會立即出錯。TTS 用於從未出現的旁白，以及模型發音糟糕的語言（然後用唇形同步正確處理它，參見 dialogue-and-voice.md）。聲音應該聽起來像他們所在的房間，而不是錄音室。

工作流程

0. 發現工具箱（每個專案 2 分鐘）

• 哪個生成供應商已連線（一個 MCP 伺服器，如 Runway，或一個 API 金鑰用於 fal / Replicate / 模型供應商）？呼叫其帳戶或 whoami 端點：可用模型、棄用狀態、點數餘額。
• 哪個剪輯工具可用：Remotion (Node) 用於任何包含 UI、字幕或動態設計的內容；ffmpeg 僅用於直切。檢查 ffmpeg -version 以及它是否包含 libass（字幕）。
• 哪個語音工具：影片模型的原生音訊、ElevenLabs 或其他 TTS、一個唇形同步模型。
• 將你發現的內容寫在專案文件的頂部。永遠不要憑記憶假設一個模型。

1. 簡報

在專案資料夾中花費任何東西之前，先撰寫 brief.md：

• 目標和投放： 廣告（哪個平台）、有機社交、網站、銷售素材。受眾。
• 格式： 比例、長度、語言、聲音開啟或靜音優先。
• 節拍表： 每個節拍一行，包含其持續時間。前 2 秒內要有鉤子。對於廣告，品牌在大約 3 秒內要被看到和聽到。
• 誰說話，以及以什麼身份： 對著觀眾說話的主持人、場景中的角色、旁白、沒有人。這驅動模型選擇和合規性。
• 合規檢查 來自 references/compliance.md。

2. 分鏡（關卡）

遵循 references/storyboard.md。每個畫面一行：時間碼、目的、鏡頭尺寸、角度、鏡頭、攝影機運動、逐秒動作、視線、聲音、合成元素、轉場、來源、點數成本，以及一張顯示實際構圖的靜態圖像。鏡頭多樣性是重點：一個廣角揭示，然後一個特寫，然後一個插入鏡頭。視覺化交付分鏡表（HTML 頁面、PDF 或圖像網格）並等待批准。「小」影片也沒有例外。

圖像預算：每個攝影機設定一張靜態圖像，分鏡表上沒有變體。卡片、UI 插入和結尾卡片渲染為 HTML 模型，而不是生成。

3. 為每個鏡頭選擇模型

遵循 references/models-and-costs.md：將每個鏡頭的需求（原生音訊、唇形同步對話、跨鏡頭身份、開始/結束影格、持續時間、解析度）對應到功能，偏好供應商為該需求推薦的最新模型，然後是目標解析度下每秒成本最低的模型。任何你沒用過的模型，在計劃依賴它之前，先進行一個便宜的測試錄製片段。將每個鏡頭的模型、解析度、秒數和點數放入簡報中，以及總計。

4. 鎖定靜態圖像

• 首先使用來自 references/prompting.md 的寫實詞彙生成每個角色的主角靜態圖像。然後通過編輯該靜態圖像（新的角度、新的場景、新的構圖）來構建所有其他設定，並將臉部作為參考傳遞，這樣身份是繼承的，而不是重新隨機生成的。
• 使靜態圖像的尺寸與目標影片匹配：一個 720px 的靜態圖像經過動畫和放大後永遠不會變得銳利。對於任何全幅內容，靜態圖像至少為 1440px 寬。
• 檢查每個靜態圖像：偽造的膠卷邊框或場記板文字、圍繞「網路攝影機」畫面的設備邊框、杯子或筆記型電腦上的遺留品牌標誌、多餘的手指、不應該在那裡的背景人物、錯誤的視線。通過編輯靜態圖像來修復。修復花費幾分錢；動畫化一個糟糕的靜態圖像會花費一次錄製。

5. 生成動畫

• 預設從鎖定的靜態圖像進行圖像到影片。僅對沒有身份要保留的通用 B-roll 使用文字到影片。
• 使用來自 references/prompting.md 的骨架和時間節拍編寫提示。覆蓋每一秒。固定每個道具。為每個視線設定目標。
• 用於剪輯的無聲 B-roll：關閉音訊。對話或故事鏡頭：開啟原生音訊，在提示中描述聲音。音訊在每次錄製時從靜音重新開始，因此任何蓄積必須存在於一個錄製片段內。
• 無縫循環：開始影格 = 結束影格 = 相同的靜態圖像，「確切地回到起始姿勢」，固定攝影機。
• 生成是非同步的。每 60 到 120 秒輪詢一次。佇列可能需要數小時；絕對不要重新提交一個慢速任務（你會付兩次錢）。

6. 審查每個錄製片段

遵循 references/review-qa.md：以 1 fps 製作聯絡表，對有說話的錄製片段以 4 fps 進行臉部檢查，聽每一句台詞，並轉錄。拒絕的依據：身份漂移、多餘人物或手指、道具移動、場景變化、凝視鏡頭、模糊標記、發音錯誤、同一個角色的不同錄製片段之間聲音變化。記錄每個錄製片段的判決 + 任務 ID，這樣就不會有人重新生成已經評判過的錄製片段。

7. 剪輯、配音、輸出

遵循 references/post-production.md。當有 UI、字幕或動態設計時使用 Remotion；純粹的剪輯使用 ffmpeg。合成所有文字和 UI。為靜音優先的平台燒錄字幕。為每個交付項目輸出主檔（顏色標記、響度、faststart）。原始渲染在社交平台上會偏色，在動態消息中聲音會偏小。

8. 交付和記錄

• 先審查剪輯版本（1080p 或更低，一個擁有者可以在手機上觀看的連結）。只有在批准後才輸出最終主檔。
• 貼上每個輸出路徑。在專案文件中記錄：使用的任務 ID、花費的點數、版本、審查者所做的每個修正。
• 每個修正都變成一條規則：在同一天將其新增到此技能（或你分支的品味筆記）中，這樣下一部電影就不會重複它。

格式及其配方

格式	形狀	關鍵選擇
UGC / 街頭主持人廣告，9:16，15-25 秒	主持人對著鏡頭說話的 1-2 個原生對話錄製片段，用 ffmpeg 剪輯，燒錄字幕	主持人對著觀眾說話，絕不是假的客戶推薦。每詞 ≤3 字。街頭環境音底噪
故事片，30-60 秒	4-6 個串聯的 8-15 秒錄製片段，對話使用雙人鏡頭，最多一次有意的黑場剪輯	720/1080p，原生音訊，分表已批准，每個錄製片段逐字加入連續性區塊
功能 / 產品廣告，15 秒	鉤子和結尾處人物全幅，中間合成產品 UI，推近放大，文字彈跳字幕	480p 人物拼貼（上傳 YouTube 時放大），UI 從真實產品重建
旁白產品片	沒有生成人物或少量 B-roll 拼貼；真實 UI 動畫；TTS 旁白	VO 台詞 ≤ 其節拍槽的 2/3，音樂低於 -18 dB 相對值
播客 / 聊天片段	兩個說話者，在一個生成內部使用多鏡頭或雙人鏡頭	指定播客美學，快速搖攝，在笑點處放大
網站主圖循環，5-8 秒	一個固定攝影機的錄製片段，開始 = 結束影格	≥1440px 靜態圖像，720p 錄製片段，WebM + MP4 約 <400 KB，海報 = 影格 0
再行銷 / 客戶片	透過圖像參考將真實客戶標誌手繪在牆上，真實團隊場景	在發布前取得書面客戶批准

「看起來真實」歸結為（快速檢查清單）

• 攝影機有實體：手持搖晃、鏡頭（24/35/50/85mm）、感光元件（35mm 底片、手機、網路攝影機）
• 光線有來源：窗戶、實用燈具、陰天街道、穿過樹葉的陽光
• 皮膚有質感：毛孔、不均勻色調、毛躁髮絲、素顏感
• 衣著普通且具體：「海軍藍連帽衫，外穿拉鍊未拉的卡其色帆布夾克」
• 場景有生活感：杯子、電線、便利貼、植物、失焦走過的人
• 動作連續且有動機，有開始和結束姿勢
• 視線指向場景中的某處
• 道具行為正常：除非被指示否則保持靜止，絕不移動、滑動或變形
• 聲音有空間感：房間環境音、車流聲、低語聲、麥克風特性
• 沒有生成任何可讀內容：螢幕轉開，文字在剪輯中添加