VibeCoding AI短剧应用：提示词工程与分镜思路详解

背景

当前 AI 生成内容（AIGC）在短视频、短剧领域的应用日趋成熟，但创作者普遍面临提示词难以掌握、分镜连贯性差、人物形象同质化等问题。许多用户虽然能借助大模型生成图片或视频，却难以输出符合剧情逻辑、具有一致性的高质量片段。在此背景下，一位来自 LINUX DO 社区的开发者基于自身兴趣，尝试用“Vibe Coding”的思路构建了一款 AI 短剧创作应用，并在社区中分享了其设计与实践经验。该应用目前处于半开源状态，可通过 Docker 本地免费体验。

核心内容

该应用的核心目标是“提高做视频或动漫的效率和质量”，开发者从底层逻辑出发，将 AI 训练成“提示词大师”，围绕完整创作流程构建了以下功能模块：

1. 剧本解析与资产提取：用户可直接导入小说或剧本，应用自动解析每一集的剧情内容，提取人物、场景、物品等资产。在此过程中，AI 被训练以理解专业提示词结构，并通过不断拆解和优化，输出高质量的：

   • 人物建模提示词：需识别面部特征、性别、发型、服饰等，更重要的是让 AI 自动识别剧本中的人物关系（主角帅气漂亮、配角其次、反派丑陋或有鲜明个性），并锁定风格与负面提示词。
   • 场景建模提示词：强调空间逻辑——场景的“前、中、后镜布局方式”以及参照物对比，避免生成 2D 平面感，需考虑物品比例、光影、材质等。
   • 物品建模提示词：相对简单，主要从多维视角描述比例与细节。

2. 分镜脚本与图片生成：基于每集剧情输出分镜脚本及对应图片。开发者指出，分镜图不应仅追求视觉上的“漂亮、帅气”，而应关注：

   • 前后剧情是否连贯
   • 人物在场景中的站位是否合理
   • 画面承接是否跳跃或无厘头
   • 人物对场景的空间理解是否到位
   • 人物与物品的绑定关系是否合理
   • 物品在场景中的摆放位置是否合理
   • 分镜人物台词是否有内容和连贯性
   • 人物间的关系（队友/敌人）是否被正确理解 若忽略这些因素，易出现“场景像贴纸”“人物永远看镜头”“与敌人一起拼杀队友”“人物手拿火锅”等问题。

3. 分镜图生成视频：图片质量决定后续视频的前提条件。视频提示词的结构为“一致性锁定说明 + 主体动作的具体描述 + 环境音 + 负面提示词”。开发者强调：

   • 提示词太少，视频模型无法理解主体运动方式，导致动作僵硬；
   • 提示词太多，会分散模型注意力，导致质量下降且处理变慢；
   • 理想状态是“一个视频提示词只表达一个中心思想”，类似写作文不要涵盖跨度太大的内容。

4. 语音与人物绑定：应用支持将语音与特定人物绑定，即使主流视频模型（如 seedance 2.0、可灵 3.0、海螺 2.3 等）已支持音画同步，仍可通过此功能弥补部分视频输出时出现台词异常的问题。资产库中的人物可绑定多种声音，甚至支持上传自定义配音，确保全程声音一致性。

5. 单图与多图创作：为增强剧情深度与效果，增加单图和多图功能。多图包括两种类型：

   • 类似九宫格图，用于增强打斗等紧凑戏份的叙事感；
   • 多图连续性单独画面，主要用于首尾帧视频叙事，提升连贯性。

6. 创意画板：当前 2.0 版本效果良好，后续计划小修小补并升级后端接口与模型适配性。下一个大版本将把应用做成 Agent 形态。

关键要点

• 提示词的本质：不仅是描述主体样子，更要赋予边界和约束（负面提示词），并理解人物关系、场景主体、空间逻辑等。
• 分镜脚本的核心：连贯性、合理性优先于单帧美观，必须考虑剧情逻辑、人物站位、空间理解、物品绑定、台词内容、关系识别八大维度。
• 视频提示词原则：一个提示词只表达一个中心思想，准确描述主体运动轨迹和方式，避免过多或过少。
• 语音一致性：通过人物-声音绑定机制保障多分镜视频中对话的连贯性，作为主流模型音画同步功能的补充。
• 多图功能：九宫格图用于紧凑叙事，连续多图用于首尾帧过渡，丰富视频表现力。
• 半开源与本地部署：项目目前可通过 Docker 本地免费体验，暂时未公开 GitHub 地址，但开发者计划尽快提供网页直连方式。

意义与影响

该分享侧面反映了当前 AIGC 短剧创作领域从“盲目生成”到“结构化流程”的进步。开发者通过自身数千张图片的测试经验，总结出提示词与分镜设计的系统方法论，使 AI 工具能更贴近真实创作需求。其对空间逻辑、人物关系、剧情连贯性的强调，有助于减少生成内容中的常见“AI 味”（如贴纸式场景、人物呆望镜头等）。同时，将提示词训练从“写词”升维为“训练模型理解创作剧本逻辑”，为后续 Agent 化、全自动化的短剧生产提供了可行路径。半开源和本地化体验的策略，也降低了普通创作者尝试高级工作流的技术门槛，有望推动社区进一步迭代出更鲁棒的创作工具。