根據旁白導演3D影片的技能
目標
將腳本和旁白轉換為精美的9:16垂直影片，即使靜音也能輕鬆理解。每個鏡頭都必須準確說明正在講述的想法，與字幕同步，並包含可見的變化或動作。多樣化角色、物體、場景、構圖、顏色、材質、燈光和動作；不要讓每個影片都包含金色水晶、霓虹燈、圖表、時鐘或軌道攝影機動作。
保持與專案實際渲染器、場景和CLI的相容性。除非在程式碼中驗證過，否則不要描述或承諾存在某個資產、動作、對齊器、AI提供者或命令。當引擎尚不支援新場景時，使用最合適的現有形狀/資產組合來描述場景，並明確說明限制；僅在使用者要求修改軟體時才擴展渲染器。
導演流程
- 閱讀完整腳本，並檢查場景建立管線、TTS、字幕時間、渲染器以及實際支援的場景/攝影機。保持內容、語氣和陳述含義不變。
- 將口語分割成意義節拍，不要預設一個句子就是一個場景。為每個節拍記錄：原始台詞/字幕、核心含義、主體、動作、對象、情緒、因果關係、必須看到的內容以及絕對不能錯誤說明的內容。
- 優先選擇直接說明：如果口語提到特定的人、物體、動作或地點，就讓觀眾看到它。對於抽象概念，使用簡單、易於理解的視覺隱喻，並且僅在能讓含義更清晰時使用。緊扣否定詞、比較、轉折和結果；不要只抓主題關鍵字。
- 根據口語節奏製作分鏡：確定鏡頭、主要動作、畫框/攝影機角度、燈光-顏色-材質設計、場景過渡以及相關節拍之間角色/道具的連續性。每個鏡頭聚焦於一個主要想法或動作。
- 設計整個影片的情緒線：以與內容相符的問題、奇特圖像或正在進行中的動作開場；在發展部分逐步增加規模/節奏；將揭示或最強烈的時刻保留給關鍵想法；如果腳本包含，則以持久的圖像/情緒或行動呼籲結束。不要添加會扭曲訊息的台詞、事實或轉折。
- 根據每個節拍和整個腳本的細微差別來指導朗讀方式；不要讓聲音從頭到尾都保持平調。在建立TTS或錄音之前，為每個節拍明確記錄情緒、強度（輕/中/強）、節奏（慢/中/快）、重點（需要強調的詞/短語）以及必要的停頓。
- 根據實際音訊/字幕調整時間。如果管線提供，則使用逐詞時間/對齊；如果沒有，則使用現有區段時間並標記精確度限制。如果沒有逐詞時間戳，不要聲稱已逐詞同步。
- 連同圖像預覽一起聆聽音訊；修正朗讀不自然、重點錯誤、語氣單調或與表情/動作不協調的地方。使用專案的確切流程渲染最終檔案。
字幕綁定與圖像節奏規則
- 每個節拍都有一個
visualClaim：一個描述觀眾將看到發生的事情的句子，與台詞精確匹配。在渲染之前，將分鏡與每個字幕句進行對比。 - 在陳述想法時立即將主體放入畫面；在動詞短語附近開始動作；在口語陳述結果時準確顯示結果。可以讓圖像比口語提前一點點，以便觀眾識別，但不要過早揭示結果。
- 在意義邊界、暫停節奏或主體改變時進行場景切換；避免在一個意義短語中間剪輯。如果仍然正確說明，一個連續圖像可以跨越幾個句子；如果語義改變，一個長句子可以分成多個鏡頭。
- 卡拉OK字幕和朗讀必須使用相同的時間來源。不要平均分配句子長度來偽造逐詞對齊。保持字幕可讀、拼寫正確、有對比度，並且不遮擋重要動作。
- 對於否定/對比，清楚顯示兩種狀態或應避免的動作；不要使用與口語相反的肯定圖像。對於建議，說明具體動作，而不僅僅顯示通用圖示。
- 鏡頭不能只是軌道/縮放：必須有動作、變化、互動或揭示來幫助傳達內容。攝影機支援敘事，不能替代動作。
- 開場需要透過腳本本身的內容來激起好奇心：直接從細節、問題、後果或引人注意的選擇開始；避免冗長的標誌介紹、通用的飛行穿越以及漂亮但不相關的場景。
- 根據朗讀風格和重要性來調整剪輯節奏：對於快速列舉/對比使用較短的鏡頭，對於情緒、需要觀察的操作或需要思考的想法使用較長的鏡頭。使用場景大小變化、運動方向、聲音的靜默時刻（如果有）或揭示來建立節奏；不要僅僅為了營造活躍感而不斷快速剪輯。
- 使用有視覺動機的場景過渡：根據形狀/運動進行匹配剪輯、使用場景中的物體遮擋鏡頭、轉移焦點/光線，或在口語節奏處直接剪輯。限制重複的裝飾性過渡效果。
富有情感的朗讀導演
- 在選擇細微差別之前，先理解各句的含義和關係。對於每個節拍，記錄
emotion、intensity（輕/中/強）、pace（慢/中/快）、emphasis（需要強調的詞/短語）以及必要的pauseAfter/pauseBefore。這些標籤是指導性說明；僅在API/架構實際支援時才傳遞給TTS。 - 建立自然的情緒曲線：開場清晰且引發好奇；解釋部分平靜且易於聆聽；重要想法穩重強調；感人段落溫暖且真誠；警告部分嚴肅但不喊叫；結論有分量。根據腳本調整，不要對每個影片套用相同的朗讀模式。
- 在意義邊界、揭示之前、反問句之後或需要觀眾思考的句子之後，有目的地使用停頓。不要在每個句子之後都插入長時間停頓，也不要更改標點符號來改變含義或修正內容。
- 透過語調和節奏來強調，而不僅僅是提高音量/速度。避免對悲傷內容使用過度興奮的廣告式朗讀、對中性知識使用聳人聽聞的語氣、或對溫和建議使用過度悲傷的語調。確保發音清晰、音量穩定，且不損害可理解性。
- 如果有多種語音選擇，選擇適合年齡/情緒/類型的聲音，並在影片中保持一致。除非有特定的敘事意圖，否則不要在節拍之間更改語音。
- 在設計表情控制之前，先檢查實際的TTS能力。在目前的管線中，可以配置
voice、rate、pitch欄位；不要預設存在情緒/風格標籤或逐段韻律控制。如果引擎只有rate/pitch，則使用管線支援的腳本分段、標點符號和停頓；記錄表情限制。如果在聆聽檢查之前，不要聲稱TTS已像真人一樣富有表現力。當需要精緻的表演而引擎無法滿足時，建議真人錄音或整合具有表現力控制的引擎作為單獨的更改。 - 讓聲音和圖像一起表演：溫柔的句子使用柔和運動和較少剪輯；果斷的句子使用清晰的姿勢/乾淨的剪輯；驚訝的句子可以適時揭示；沉思的句子保持足夠長的鏡頭。圖像支持情緒，而不是誇大與內容不符的情緒。
有目的的圖像多樣性
選擇適合主題和情緒的風格，而不是對整個影片套用一個美學預設。可以結合角色動畫、微縮模型/黏土模型、黏土、精緻低多邊形、玻璃/陶瓷/木材/織物/金屬材質、日常立體模型、風格化建築、自然或抽象象徵。優先考慮清晰的形狀、具有深度感的表面、塑造體積的光線、漸層顏色、簡潔的背景以及在手機螢幕上突出的主體。
每個影片在分鏡之前都需要一個簡短的藝術指導：主題/情緒、主要形狀類型和主導材質、3-5種顏色的調色板、光線類型、角色設計（如果有）、對比度和風格化程度。例如：家庭故事可以使用木材、織物、溫暖的窗光；科學內容可以使用剖面模型、半透明塑膠和實驗室光線；緊張主題可以從緊湊的構圖、強烈的對比開始，然後在解決問題時逐漸展開空間。這是一個靈活的指導方針，不是強制性的預設。
透過分層級來建立視覺焦點：一個主要焦點、一個輔助支持元素和一個細節較少的背景。使用特寫鏡頭表現情緒/細節、中景鏡頭表現互動、全景鏡頭表現規模或轉變；僅在幫助主體更清晰時使用透視和景深。設計易於識別的輪廓、在小尺寸下可讀的表情/姿勢、以及有明顯區別的材質。避免3D圖像中的仿文字、未要求的徽標/浮水印、難以識別的變形物體、過曝的高光、過於雜亂的背景以及統一的霓虹色調。
在確定分鏡之前，檢查相鄰鏡頭，當它們出現重複時主動更改至少兩個元素：主體/道具、地點、場景大小/構圖、攝影機角度/運動、調色板、材質或過渡類型。除非需要連續性，否則不要讓同一個主要物體連續出現超過兩個節拍；不要連續三個鏡頭使用同一種攝影機風格。多樣性必須來自口語含義的變化，而不是隨意的顏色更改。
在同一個故事線中保持角色、服裝、道具、時間和運動方向的一致性。為每個故事線使用一個主導調色板；可以更改光線或強調色來表現情緒轉變。限制粒子/發光和背景細節，以免干擾主體、文字或字幕區域。
透過更改適合腳本的敘事方式來實現影片間的多樣性，而不僅僅是更改顏色或更換一個道具：可以選擇貫穿始終的角色故事、一系列小插曲、空間之旅、兩個選項的對比、變化的延時攝影或探索內部模型/結構。僅在讓訊息更容易理解時才使用一種敘事結構。如果有先前的影片歷史記錄，避免重複最近的藝術指導和獨特的鏡頭序列；如果沒有數據，不要聲稱已對比過歷史記錄。
選擇場景與可行性
- 在使用之前，檢查程式碼和預設中已註冊的場景/攝影機。舊的場景庫是可行的選項/備用方案，而不是將每個腳本都強行塞入管道、齒輪或水晶圖像的理由。
- 如果專案支援
sceneSpec/場景圖，則結構化描述環境、角色、物體、動作、攝影機和過渡；僅使用資產解析器/渲染器實際支援的幾何體、骨架、材質和動畫。 - 如果僅支援
scene枚舉，則選擇最合適的現有枚舉。不要發明枚舉/攝影機然後聲稱渲染器會理解；在必要時將所需的場景作為分鏡提出，讓使用者決定擴展引擎。 - 優先考慮可實現的動作：行走、放置/拿起、打開/關閉、掉落、給予/接收、建造、破裂、成長、改變方向、相遇然後離開。複雜的人物動畫需要有效的骨架/剪輯；如果沒有，則使用輪廓、簡單的遮擋或替代物體。
- 僅使用來源和權限清晰的程式庫資產。如果專案沒有相應的提供者，不要聲稱可以從文字隨意建立3D模型。當管線支援此元數據時，明確記錄哪個資產是程序化的、程式庫的、生成的還是備用的。
時間線與資料結構
保持現有專案架構和必填欄位以確保相容性。當支援時，每個區段應包含：
{
"id": "beat_01",
"vi": "原始台詞",
"meaning": "節拍的含義",
"visualClaim": "需要看到的具體動作/圖像",
"mustShow": ["主體", "動作", "結果（如果有）"],
"mustNotShow": ["與台詞矛盾的發展"],
"continuityIds": ["跨場景的角色或道具"],
"scene": "專案的有效場景",
"camera": "專案的有效攝影機",
"actions": [{"verb": "可視動作", "cue": "觸發短語（如果有時間）"}],
"timing": {"source": "tts_alignment 或 segment_timing", "startSec": null, "endSec": null}
}
這是一個分鏡建議，不要將不相容的欄位新增到正在渲染的專案中。最終時間必須在渲染之前從音訊/TTS管線獲取；如果渲染器需要時間戳，不要在渲染時間線中保留null。如果只有基於句子的時間，則將節拍保持在區段內，不要偽造時間點。
品質檢查
在匯出之前，根據清單檢查每個節拍：
- 詞語正確： 靜音觀看時仍能猜出主要含義；圖像不與否定、主體、情緒或因果關係相矛盾。
- 節奏正確： 重要動作在對應短語被朗讀時出現；字幕和朗讀根據管線的可驗證能力沒有偏差。
- 美觀且清晰： 主體突出、用色有目的、光線/材質營造深度感、構圖在小螢幕上可讀、不遮擋字幕。
- 有運動： 鏡頭包含動作/變化/揭示；不過度使用軌道或縮放。
- 多樣且連續： 相鄰場景有目的地不同，但相關的角色/道具保持一致。
- 引人入勝且有節奏： 開頭1-3秒直接與掛鉤相關；圖像隨內容進程變化；高潮/揭示服務於正確的主要想法；結尾不會在動作中間突然中斷。
- 有藝術指導： 在每個故事線內風格、調色板、光線和材質保持一致；每個鏡頭都有視覺層級；不使用僅用於裝飾的效果。
- 聲音有變化： 細微差別、重點和停頓適合每個想法；圖像節奏與聲音相伴；TTS的所有限制都已明確說明。
- 渲染可行： 資產可解析、沒有空白/黑色場景、物體沒有被裁剪；持續時間和音訊/影片在工具限制內匹配。
如果無法使用現有工具驗證某個標準，則明確記錄為未執行的檢查，而不是報告為通過。僅在管線支援或使用者要求時，才匯出分鏡/清單/品質報告。
根據台詞選擇圖像的範例
- “每天你只進步一點點”：同一個角色在桌子旁練習數天，動作逐漸熟練；更改光線/天氣來體現時間流逝。僅在句子確實談論數據時才使用圖表。
- “你無法留住一個想離開的人”：兩人在走廊鬆手，一人走向門口；不以團聚結束。
- “錢因為小額支出而消失”：角色觸碰手機，幾筆小額帳單/交易依次從餘額中扣除；不要預設使用漏水管。
- “與父母相處的時間不多了”：家庭聚餐、日曆翻頁、角色回來坐在父母身邊；如果敘述語氣溫和，不要將提示變成悲傷的場景。
- “自律是在沒有動力時也去做”：角色在陰暗的房間裡坐在書桌前，深呼吸，然後開始寫作；窗外的光線逐漸亮起；不要只顯示一個日曆或一個時鐘。