Highlight 01
意义协商节点
问题：AI 直接生成很快，但经常不知道故事真正想表达什么。
做法：先追问论调、人物动机、冲突和结构空白点，让用户确认方向。
结果：后续分镜不是凭空生成，而是带着明确的故事意图往下拆。
流程图
生成引擎 V4 流程图
强化剧本打磨、意义协商、抽卡和故事生成。
01｜输入Input
主题 / 人物 / 世界观 / 情节方向
↓
02｜理解Process
意义协商 / 剧本打磨 / 情节拆解
↓
03｜生成Process
遗传算法抽卡 / 场景 / 分镜 / 提示词
↓
04｜输出Output
scene / beat / shot / video prompt
流程快照
这版流程做什么
我的职责
我负责的是故事生产链路
把原始故事从“文本”拆成可生成、可审查、可修改的 scene / beat / shot / prompt 结构。
Keywords
关键词要直接看到
意义协商、剧本精炼、scene/beat 拆分、镜头字段、宫格图、视频 prompt、遗传算法抽卡。
关键问题
可追问的问题
为什么要先做意义协商？beat 怎么切？遗传抽卡怎么保持角色一致？视频 prompt 如何从相邻 beat 生成？
Highlight 02
遗传算法优化抽卡
问题：角色、场景、道具如果每次都重新生成，很难保持风格和一致性。
做法：候选资产保留基因、父代、评分和历史，用户选择后进入下一轮进化。
结果：把“随机抽卡”变成可积累的资产筛选系统。
Production route
生成引擎 V4的主线：故事 → scene → beat → shot → video prompt
01
故事协商
确认主题、论调、角色关系和结构空白。
02
剧本改编
把原文拆成 segments 并改成漫剧表达。
03
详细分镜
scene 拆成 beat，补人物、场景和说话人。
04
镜头扩写
输出景别、机位、光线、情绪和主体。
05
视频提示词
按相邻 beat pair 生成首尾帧视频 prompt。
结构映射
代码路径要这样讲
script_refine.py
论调问答、结构分析、空白追问、剧本精炼。
script_parser.py
scene 到 beat 的拆分、字段补全和校验。
shot_optimizer.py
全局预读、叙事分析、景别规划、逐 beat 执行。
grid_generator.py
按 beat 数生成宫格、panel 描述和切图状态。
video_prompter.py
导演手册、segment 规划、beat pair 视频提示词。
app.py / Tab0-Tab8
把问答、分镜、资产、宫格、视频串成可操作工作台。
技术栈
生成引擎 V4的完整技术栈
故事解析
意义协商、论调问答、叙事结构分析。
分镜导演
scene/beat 拆分、镜头字段扩写、视频 prompt。
资产系统
角色、场景、道具、遗传抽卡、候选继承。
工作台
Python / Streamlit 风格页面 / Tab0-Tab8 流程编排。