cutscene-reel：实践指南

作者：袖梨 2026-10-07

在项目中评估cutscene-reel，可以先看清用途边界：代理技巧：将一张产品照片变成游戏过场风格的有声视频广告。把它放到视频制作流程中，最容易暴露的是素材、节奏、编码和最终画面容易不一致，不能只看演示是否顺利。落地前可以拿一组已有素材完成一段短样片，用素材路径、渲染结果、音画同步和导出格式判断它是否真的省事。如果团队属于有真实素材并需要稳定视频产出的创作者，它有继续测试的理由；否则先看替代方案会更省时间。

名称：过场动画描述：制作一个 25-35 秒的“游戏过场动画”产品广告 - 一个风格化的 3D 角色穿着或拿着用户的真实产品，在现场发表冷酷有趣的事实咆哮，在产品上打出一个妙语，并切入真实的产品照片和 URL。当用户请求 AI 角色广告、游戏过场动画/PS2-style 卷轴、会说话的角色产品视频、“与 T 恤中的游戏角色一起疯传的视频”，或者想要将产品照片转换为图像社交平台、TikTok 或 X 的简短视频广告时使用。

过场动画卷轴

将一张产品照片变成“视频游戏过场动画”格式的简短的会说话的人物广告。

你是导演。脚本负责生成；你做出创造性的决定，审查每一个框架表，并重新生成错误的内容。大多数第一次拍摄都需要一两个修复。

格式是什么

节拍	时间	射击	职位
挂钩（可选）	0-4秒	无声的行动	停止滚动：演讲前的一个时尚小动作
1号线	2-5秒	媒介、手势	令人惊讶的“你知道吗”事实或“有趣的是”观察
2号线	3-5秒	宽大、全套装备	解释一下。显示整体外观和位置
3号线	5-7秒	特写	笑话。狡猾、面无表情
4号线	3-5秒	中等，指向产品	产品的变化
端卡	3-4秒	真实产品照片	“在 <url> 获取您的。生物链接。”

使其发挥作用的规则：一个角色、一个位置、取自产品的两种颜色的灯光，一个干巴巴的声音，大约每分钟 150 个单词，一张安静的低保真床，白色的小写字幕，每一个剪辑 4-6秒，最后以实物照片展示实物。完整细分： references/format.md.

开始之前

询问用户是否缺少任何内容。不要猜测产品或 URL。

产品：2-3 张照片（一张是模特或平面照片，一张是打印特写）以及最后一张卡片的 URL。
角色：谁在说话。默认为您设计的原始角色。请参阅下面的“权利”。
位置：光线与产品的两种主要颜色相匹配的地方。
角度：真实的事实或观察，以及它如何落在产品上。
密钥：环境中的 GEMINI_API_KEY 和 ELEVENLABS_API_KEY 或环境中的 .env 文件工作文件夹。切勿打印密钥或提交 .env。

路径上需要带有 Pillow (pip install pillow) 和 ffmpeg 的 Python 3。

管道

在新的项目文件夹中工作。下面的S是该技能的scripts/文件夹。

1. 脚本

写 4 行，每行 8-16 个字，加上尾卡行。小写态度，没有主题标签，没有炒作。检查每一个事实。将 examples/project.json 复制到 project.json 并填写各行。

2. 关键帧（每次拍摄一张图像，16:9）

python S/gen_image.py shots/k1_medium.png 16:9 "<prompt>" product/on_model.jpg product/print.jpg

首先进行中景。看看它。修复它，直到角色和产品正确为止。
从该图像作为参考生成每个其他关键帧（“相同的确切字符，相同的位置，仅新的拍摄角度”）。这就是在不同镜头中保持脸部相同的原因。
风格、人物、广角、特写和定点镜头的提示模板：references/prompts.md。

3. 动画

python S/make_shots.py project.json

每个镜头都成为 runs/<name>/out/ 中带有语音和口型同步的 10 秒剪辑。然后对于每个剪辑：

python S/sheet.py runs/<name>/out/s1.mp4

并阅读纸张图像。如果出现以下情况，则拒绝并重新生成（删除.mp4，调整action，重新运行）：

面部、肤色或头发从关键帧发生变化；
相机在应该固定的时候推入或切入；
产品打印变成乱码（当角色离开相机时常见）。

4. 语音

python S/voice.py project.json

使用单词时间戳转录每个剪辑，并将语音转换为一个 ElevenLabs 语音语音到语音，保持时间同步，从而保持口型同步。标记为 CHECK 的行与脚本：读取它们，如果单词丢失，则重新生成剪辑。小成绩单（? 为 .、47（对于 forty-seven）可以通过编辑 out/sN_stt.json 来修复，因为字幕是根据它构建的。

5. 音乐

python S/music.py music/bed.mp3

生成原始低保真床。将project.json中的"music"设置为它。

6. 构建

python S/build.py project.json

将每个镜头修剪成其语音，裁剪为 4:3，放大到 1440x1080，刻录字幕，添加结尾卡，混合音乐配音。输出：final/<name>.mp4。

7. 检查

python S/qc.py final/<name>.mp4
python S/sheet.py final/<name>.mp4 1

您无法听到视频。 qc.py具有模型手表和侦听和报告语音一致性，口型同步、字幕和连续性问题。阅读它和表格，修复他们发现的内容，并告诉用户清楚地了解模型检查的内容与他们仍需要自己观察的内容。

钩子

第 1 行之前的无声动作镜头延长了观看时间。添加一个带有 "silent": true 的镜头，它自己的 "prompt"，并在审查其工作表后 "trim": [start, end] 和 "speed" （1.5-1.75 作品）所以 3-5 秒后着陆。有效的例子：涂口红、合上粉盒以及对着镜头飞吻；扔出扳手，抓住它并将其指向相机。保留产品在快速运动期间打印出框或大框，否则会出现污点。

当一代人被封锁时

视频模型拒绝一些提示。效果如何：

第三方内容块：关键帧显示可读的品牌徽标，或文字名称品牌。重新措辞 action 而不命名服装，或使用徽标较小的关键帧。重试同一请求有时会通过。
安全阻止：软化身体接触或暗示性措辞（镜头上的亲吻被阻止；对着镜头飞吻过去）。
503/高需求：等待并重新运行；已完成的剪辑将被跳过。

使用其他型号

各个阶段是独立的。交换其中任何一个并保留文件契约：

关键帧：任何接受参考图像的图像模型。保存shots/<id>.jpg。
动画：任何生成语音的图像到视频模型。保存runs/<name>/out/<id>.mp4。如果模型没有语音，请生成文本转语音的行并使用唇形同步模型。
语音：任何语音转语音以及任何返回单词时间戳的转录器 {"words":[{"text","start","end","type":"word"}]} 为 out/<id>_stt.json，语音为 out/<id>_vo.mp3。
build.py 只需要这些文件加上 project.json。

权利（发布前请阅读此内容）