用WorkBuddy做视频：脚本、分镜、配音和剪辑这样衔接

用 AI 制作短视频时，很多人容易陷入一个误区：直接输入一句笼统的话，期望模型一次性生成整条几十秒的精美成片。这种做法往往导致镜头画面跳跃、画风前后割裂，台词与画面时长也完全对不上。

在 WorkBuddy 环境中制作视频，核心思路不是依赖黑盒一键生成，而是把编导、分镜、画面生成、配音与剪辑合成分解为串行流水线。每个环节明确输入与交付标准，上游产出成为下游约束。与此同时，环境本身并非无所不能的万能黑盒，TTS 配音、文生视频模型或自动化剪辑脚本需要配合相应插件、模型能力或外部工具协同完成。理顺工序，才能在少返工的前提下稳定出片。

脚本与台词定时长

短视频制作最常见的返工是"画面做好了，但配音时长对不上"。视频画面的节奏本质上由声音决定，因此流水线的第一步必须是脚本定稿，并先用台词字数估算，再用试音确定实际时长。

在 WorkBuddy 中开辟独立的创作对话窗口，避免过长的历史上下文污染编导指令。输入需求时，把受众、平台规格、核心主旨、时长限制和结构切分作为前置约束，直接输出包含时间轴的分镜脚本。

复制代码

你是资深短视频编导，请为我生成一条总时长60秒的短视频脚本。
平台规格：9:16竖屏，1080P
目标受众：关注生活方式与数码效率的年轻职场人
视频主题：快节奏生活中的"窗边独处时刻"
结构要求：
1. 0-3秒强钩子开篇，引发情绪共鸣；
2. 正片由3个核心场景层层递进（窗外车流、桌面热茶、整理思绪）；
3. 结尾收敛，给出简短治愈总结；
4. 语言口语化，语速适配一秒3-4字，严禁堆砌冗长生硬的书面修饰词；
5. 输出Markdown表格，列包含：【分段、时间范围、口播台词、画面镜头描述、音效/BGM情绪说明】。

拿到脚本表格后，必须先通读口播文案，或者直接调用环境内的 TTS 插件或外部语音合成能力跑出试音音频。以实际生成的语音时长作为分镜标尺，台词有28秒，画面总长就按28秒拆解，决不能凭空猜测时长。

锁定统一视觉规范

AI 视频生成最大的痛点是"镜头画风漂移"------前一个镜头是低对比度的冷淡纪实风，下一个镜头突然变成饱和度过高的高光油画感。要解决风格连贯性，不能在每个镜头提示词里临场发挥，必须让 WorkBuddy 先提炼出一份全局唯一的视觉设定卡。

在脚本确认后，发送以下指令生成视觉基准：

复制代码

基于已定稿的脚本内容，提取一份全局视觉规范（Visual Style Sheet）。后续所有镜头画面生成必须严格遵守此规范：
1. 画面画质：4K电影质感，35mm镜头景深，轻微细腻胶片颗粒；
2. 色彩基调：低饱和灰调冷暖微反差，色温偏暖但不过曝；
3. 光影氛围：午后侧逆自然光，明暗过渡平缓，光斑边缘柔和；
4. 镜头语言：固定机位平摇或极缓慢推拉，严禁剧烈晃动与失真畸变；
5. 负面排除项：塑料感、高饱和艳俗反光、粗糙多余文字、五官扭曲变形、过度锐化。
请输出一段200字以内的纯文本描述块，方便我嵌入每个镜头的提示词前置区。

将输出的设定块妥善保存。在进入镜头生成阶段后，每一条指令都以这套规范打头，以此约束底层图像和视频模型的美学边界。

单镜头拆分生成

这份示例先按3到6秒规划单镜头，方便分别验收和调整节奏。实际请求时，要按所选模型支持的时长填写，不能把提示词中的秒数当成所有模型都支持的参数。

生成提示词遵循固定结构：【全局视觉规范】 + 主体细节 + 动态趋势 + 空间场景 + 镜头运动 + 负面限制。以一个窗边茶杯的特写镜头为例，提示词应当具体到物理动作与光影细微变化：

复制代码

【视觉规范嵌入】：4K质感，35mm景深，低饱和灰调微暖，午后侧逆自然光，固定机位细腻平移，严禁塑料高饱和与失真扭曲。
主体：一只粗陶深灰色茶杯，杯壁带有手作颗粒微肌理，杯口升起极细微温和的白色热气。
场景：木质窗台边，背景虚化显示雨后湿润的窗外街景，微弱光影在台面浮动。
动作动态：杯中热气袅袅上升并在半空中自然消散，光线随微风透过窗棂产生轻微明暗呼吸感。
运镜：极慢速微距推进（Slow Push-In），景深柔和。
时长参数：5秒。
负面项：杯体变形、液面剧烈翻滚、杂乱文字水印、画面撕裂、机械高频闪烁。

镜头拆解时，尽量规避远近快速缩放或复杂的人体肢体大幅度运动，多用环境物象、中远景与局部微动态传递叙事。一镜一条指令，生成完毕后按脚本时间轴标号归档。

音频对齐与剪辑合成

当所有分段视频素材、TTS 配音音频和字幕文件准备就绪，工作流进入最终的剪辑合成。如果 WorkBuddy 已经配置了多媒体脚本处理能力（如基于 FFmpeg 或剪辑引擎的执行技能），可以直接发送批处理指令；若处于纯文本协作状态，则输出标准的工程剪辑清单，导入剪辑软件执行拼接。

自动化剪辑处理指令示例：

复制代码

准备执行视频合成，输入资源清单如下：
- 视频片段：shot_01.mp4（5s）、shot_02.mp4（6s）、shot_03.mp4（5s）、shot_04.mp4（4s）
- 音频轨道：voiceover.wav（总长20s）、bgm_ambient.mp3
- 字幕文件：captions.srt
合成规则：
1. 视频轨按镜头编号顺序拼接，本例使用硬切，四段合计20秒，保持与配音总长一致；
2. 配音轨主音量设为 -6dB，背景音乐应用自动化衰减（Ducking），基础音量 -20dB，结尾1秒淡出；
3. 字幕轨位置设为底部居中，无衬线字体，字号适中，白色半透明黑底描边；
4. 输出格式：MP4，1080x1920，30fps，H.264编码。
请输出处理命令或直接生成成片工程文件。

成片生成后，对照排查清单逐项验收：口播与字幕是否逐字对应、音画是否在转场切点处重合、高光画面是否出现闪烁破损。确认无误后完成导出。