TokenToSea提示词广场
English 控制台

商品短视频生成智能体 · AI 视频 Prompt 与配音

智能体与系统提示·任务模板

在聊天中使用

从一句卖点，到一条能直接录的分镜脚本。

中文原文
# TASK · AI 视频 Prompt 与配音

> 配套使用：`00_system.md` + `01_script_and_storyboard.md` 的输出（分镜表）
> 本任务把分镜表落成**可执行的生成指令**：视频 Prompt、配音稿、字幕。

---

# INPUT

| 字段 | 来源 | 说明 |
|---|---|---|
| `platform` | 人工 | 决定比例与安全区 |
| `target_market` | 人工 | 决定语言 |
| `prompt_language` | 人工 | `en`（默认）/ `zh` |
| `storyboard` | **01 的输出** | 分镜表 |
| `production_mode` | 人工 | `ai_generated` / `real_shoot` / `mixed` |
| `spec_table` | 03 | 参数校验 |
| `forbidden_words[]` | 03 | 字幕拦截 |
| `visual_tone_confirmed` | 04 | 风格统一 |
| `hero_visual` | 04 | 首帧参考 |
| `voice_style` | 人工 | 配音风格偏好（可选） |

---

# PART A · AI 视频 Prompt

## Prompt 结构公式（六槽位）

```
[SUBJECT]      主体：是什么，什么形态，颜色材质，处于什么状态
[ACTION]       动作：主体在做什么（这是视频区别于图片的核心槽位）
[CAMERA]       镜头运动：推 / 拉 / 摇 / 跟 / 环绕 / 固定，以及速度
[LIGHTING]     光线：方向、柔硬、色温
[ENVIRONMENT]  环境：背景、场景、氛围
[STYLE]        风格 + 技术参数：写实/商业广告/材质质感、比例、时长
```

## 视频 Prompt 的三条特殊要求

| 要求 | 说明 |
|---|---|
| **动作要单一** | 一个镜头只做一件事。写"同时旋转、发光、变形"→ 模型会给出一团糊 |
| **避免精细手部动作** | AI 视频模型对手指处理仍不稳定。需要手持产品时，用"手部出画/近景不露手"的方式规避 |
| **镜头运动要慢** | 明确写 `slow`、`gentle`。快运镜在生成模型里极易产生位移扭曲 |

## 输出格式

```markdown
### 镜头 <n> · <时间段>

**视频 Prompt（<prompt_language>）**
```text
<六个槽位齐备>
```

**首帧参考 Prompt**（可选，需要图生视频时）
```text
<静态画面 Prompt>
```

**负面 Prompt**
```text
<排除元素>
```

**技术参数**
- 比例：<1:1 / 9:16 / 16:9>
- 时长：<n>s
- 运动强度：<low / medium>
- 生成方式：<文生视频 / 图生视频>

**校验**
- 数值一致性：✅ / ❌
- 场景范围：✅ / ❌
- 真人肖像：✅ 无真人 / ⚠️ 见下方特殊说明
```

## 真人镜头的特殊处理（重要）

若分镜含真人出镜，**不输出 AI 生成 Prompt**，改为输出拍摄指令：

```markdown
### 镜头 <n> · <时间段> · [真人镜头 — 不生成 AI Prompt]

**原因**：涉及真人肖像，按 V6 规则改为拍摄指令。

**拍摄指令**
- 机位：<高度、角度、景别>
- 动作：<人物的具体动作顺序>
- 道具：<需要准备的物品>
- 场地：<环境要求>
- 时长：<n>s
- 注意事项：<如"避免露出可识别面部"或"需签署肖像授权">

**替代 AI 方案**（如需全 AI 制作）
- 采用不露脸构图：<手部 / 背影 / 远景 / 剪影>
- 对应 Prompt：<...>
```

---

# PART B · 配音稿

## 配音稿的写法规则

| 规则 | 说明 | 反例 |
|---|---|---|
| **短句** | 每句 ≤ 12 个词 | ❌ 一句话套三个从句 |
| **口语** | 写"说出来的话"，不是"写下来的话" | ❌ `O dispositivo possui capacidade de…` |
| **数字口语化** | 按朗读方式写 | ✅ `vinte mil mAh` / ❌ `20000mAh` |
| **每句独立可用** | 单句拿出来也听得懂 | — |
| **标注停顿** | 用 `|` 标注换气点 | — |
| **标注重音** | 用 **加粗** 标注重读词 | — |

## 输出格式

```markdown
## 配音稿（<n>s 版）

| 镜号 | 时间 | 配音文案 | 词数 | 累计词数 | 预估时长 |
|---|---|---|---|---|---|
| 1 | 0–3s | Você já ficou sem bateria no meio do dia? | 9 | 9 | 3,6s |
| 2 | 3–6s | Este carregador tem **vinte mil mAh** … | 11 | 20 | 8,0s |
```

**语速参考**（口语广告节奏）：

| 语言 | 语速 |
|---|---|
| 葡萄牙语（巴西） | 约 **2,5 词/秒** |
| 西班牙语 | 约 **2,5 词/秒** |
| 英语 | 约 **2,8 词/秒** |

> 预估时长 = 词数 ÷ 语速。若累计时长超过该段的时间窗 → **删词，不加语速**。

## TTS 建议

```markdown
**TTS 参数建议**
- 语言 / 口音：Português (Brasil)
- 音色：<男声 / 女声>，<年龄感>，<语气：亲切 / 专业 / 活力>
- 语速：<1.0x>（不要加速超过 1.1x）
- 停顿：句末 0,3s，镜头切换处 0,2s
- 变音符号检查：✅ 已核对 ã ç õ é ê í ó ú
```

> **变音符号是 PT-BR TTS 的翻车点。** 生成后必须人工核对一遍拼写，尤其是 `ã` `ç` `õ`。念错的听感极其明显。

---

# PART C · 字幕

## 字幕规则

| 规则 | 值 |
|---|---|
| 每屏行数 | ≤ **2 行** |
| 每行字符数 | ≤ **20 字符**（葡语） |
| 位置 | 竖版避开底部 20% / 顶部 15%；横版居中偏下 |
| 字号 | 移动端可读，等效高度 ≥ 视频高度的 4% |
| 对比 | 必须有描边或底衬，避免压在浅色画面上 |
| 与配音关系 | **不要求逐字对应**，可以精简——字幕要短，配音可以稍长 |
| 与画面关系 | 字幕不能遮挡产品主体 |

## 输出格式

```markdown
## 字幕表（<n>s 版）

| 镜号 | 时间 | 字幕（第 1 行） | 字幕（第 2 行） | 字数 | 位置 |
|---|---|---|---|---|---|
| 1 | 0–3s | | | | |
| ... | | | | | |
```

## 静音测试

输出完字幕表后，做一次**静音自检**：

```markdown
## 静音可理解性检查

| 检查项 | 结果 |
|---|---|
| 关掉声音，能否看懂这是什么产品 | ✅ / ❌ |
| 关掉声音，能否看懂核心卖点 | ✅ / ❌ |
| 关掉声音，能否看懂结尾要做什么 | ✅ / ❌ |
```

> 三项全 ✅ 才算通过。巴西站和短视频场景下，**多数用户是静音浏览的**——过不了这一关，配音写得再好也没有意义。

---

# 分 production_mode 的处理

| 模式 | 处理 |
|---|---|
| `ai_generated` | 全部分镜输出视频 Prompt。避免复杂手部动作与真人出镜 |
| `real_shoot` | 不输出视频 Prompt，全部输出拍摄指令（机位/动作/道具/场地） |
| `mixed` | 逐镜头标注，AI 镜头出 Prompt，真人镜头出拍摄指令 |

---

# 输出结构

```markdown
## 1. AI 视频 Prompt
### 镜头 1 · 0–3s
### 镜头 2 · 3–6s
...

## 2. 配音稿
（表格 + TTS 参数建议）

## 3. 字幕表
（表格）

## 4. 静音可理解性检查

## 5. 技术与素材需求
- 比例 / 分辨率
- BGM 情绪：<...>（⚠️ 需可商用素材）
- 音效清单
- 后期需要叠加的图形元素（Logo 位置、参数卡）

## 6. 视频合规扫描
（按 00_system.md 的 V1–V8；无命中写"无命中"）

## 7. 交付字段
- prompt_count:
- subtitle_lines: []
- voiceover_word_count:
- final_cta:
```

---

# SELF-CHECK

- [ ] 每个 AI 镜头 Prompt 六槽位齐备
- [ ] 动作单一，无"同时做多件事"
- [ ] 镜头运动标注了速度和方向
- [ ] 真人镜头**未输出** AI 生成 Prompt，改为拍摄指令 + 不露脸替代方案
- [ ] 配音稿每句 ≤12 词，数字已口语化
- [ ] 配音累计词数符合时间窗，未超时
- [ ] 字幕每屏 ≤2 行、每行 ≤20 字符
- [ ] 已做变音符号核对
- [ ] 静音可理解性三项全 ✅
- [ ] 所有数值与 `spec_table` 一致
- [ ] 字幕无 `forbidden_words[]` 中的任何词
- [ ] BGM 已标注可商用要求
- [ ] 末尾已附视频合规扫描

相关推荐

更多