# 研究了一下 AI 短剧开源项目shuohao-skills

> 龙虾AGI通用实验室 · 2026-11-16

大家好，我是格里灰丝。

这次拆的项目叫 shuohao-skills，一套做 AI 短剧的 skill 包。今年 8 月 6 日建仓，三个月攒了六千三百多个 star、近九百个 fork，已经发到 2.2.1 版。

前面我们拆过写小说的 InkOS、chinese-novelist，也拆过做短剧的 Toonflow 和 Jellyfish。问题照旧：主模型是 Opus 5.5，写剧本、写分镜提示词它都会，这套 skill 还能帮它什么？

拆完的结论：**有价值，价值在作者翻车以后补上的那些规则，大部分落在"文字变成视频"这一段。整套框架（怎么分层、JSON 加检查脚本、报告页面）Opus 5.5 一天就能搭出来，不值钱；搭不出来的，是作者把一部小说一路做到视频投产包、出图出错以后才知道的事。这些规则大多只跑过一两次，没有对照实验，拿来用要自己再验一遍。**

## 它是什么

7 个 skill，串成一条管线：

**1.** novel-outline 把小说改编成短剧大纲：砍线、合人、排爽点、列道具。

**2.** novel-characters、novel-art、novel-script 三个互相迭代：角色设定、场景和道具设定、剧本。

**3.** novel-staging 给每一场排开场站位。

**4.** novel-storyboard 切分镜，导出给 MiniMax H3 或 Seedance 用的投产包。每段视频一个文件夹，里面是提示词和分镜图清单。

**5.** character-refs 单独存在，真的调用图像模型给角色出参考图。

做法很统一：模型只填 JSON，零依赖的 Node 脚本负责检查、渲染报告、导出。六个制作阶段的检查加起来大约 80 道，作者叫"质量门"，每一道都配了故意写坏的测试用例，证明它真的会拦。除了 character-refs，其余 skill 都只交提示词，不出图，也不出视频。

![](images/ca4da9/img_001.jpg)

样例是作者自己写的 6 集短剧《渡口》：民国，一个抱着旧皮箱的女人，上了一条雾里的渡船。从大纲到分镜，每一层的产物仓库里都有。

## 模型这么强，为什么还需要它

作者在第一个版本的更新说明里写了一句话，整套项目都建在它上面："checklist 交给模型自觉是靠不住的。"

这句我们认同。可光靠检查，解决不了另一类问题：视频模型会怎么失败。动作写得多精巧就会崩，参考图少挂一张会怎样，哪句话会被画进画面，这些事发生在图像模型和视频模型里。Opus 的训练数据里没有，推理也推不出来，只能跑一次看一次。

这个项目的规则文档里，带"实测""踩过""必崩"的句子特别多。下面只挑这类经验，框架本身略过。

## 第一份精华：剧本在写的时候就要替视频模型着想

先说清楚，这个项目不写小说，它把现成的小说改编成短剧大纲和剧本。文字这一侧，"台词要短""别让一个人连说四句""台词别把信息说尽"这些写作课，Opus 本来就会。有增量的只有下面几条，全是为了视频模型才定的规矩。

**动作只写常见动作。** 判据就一句：这个动作在生活视频里常见吗？上船、坐下、递东西、点头、回头、抱紧，放心写。"货担撞上船帮，老周伸篙一挡，担子稳稳落进舱里"，篙、担、船帮三样东西互相作用，作者的原话是"必崩"，要改成"胡二爷挑着担子上船，老周搭手帮他把担子卸进舱里"。微表情（睫毛颤）、以寸计的位移（退了半寸）、比喻式的画面，一律改写。样例里 29 处这类动作，全按这条洗过一遍。

**冷开场要在运动中给。** 第一拍原本是"旧皮箱抱在怀里，指节掐白"，一个静物特写。作者人审时发现这一秒画面是死的，竖屏观众划走就在这一秒。改成"抱着旧皮箱在雾里跑"，掐白的指节留到登船那一刻再给。

**声景也是动作指令。** 剧本把撞船帮改成了搭手卸担，声景还写着"铜铃在撞击时炸响"，视频真把撞击演了出来。改画面，声景要一起改。

**改一拍，连读前后三拍。** 写的时候，人物在哪、手里拿着什么，都在脑子里；改的时候，这些状态不在了。所以每改一拍，前后各读一拍，专查位置、道具、谁在场。

## 第二份精华：文字变成视频这一段的翻车经验

这是全项目最值钱的部分。先交代一下它的结构：段是一次视频生成，不超过 15 秒，不跨场次；段里切成 2 到 5 秒一个的镜头，大致 3 秒一切；每个镜头配一张分镜图。给 H3 时，第一张图钉在 0 秒，其余各钉在自己镜头开始的那一秒。这套结构 Opus 自己也设计得出来，值钱的是下面这些出过错才知道的事。

![](images/ca4da9/img_002.jpg)

**参考图按"画面里有什么"挂。** 这段属于栈桥那场，画面里却出现了渡船，就要把渡船的设定图也挂上。作者漏挂过一次，结果每一帧都发明了一条新船。船、马车、宅门这类会入画的大件都一样。

**人物此刻在哪，要写进提示词。** 只写构图，不写"已上船、在舱内、站在桥头"，模型会把上了船的人又画回岸上。

**名字的规矩两头相反。** 分镜图的提示词里直接写角色名，因为它是挂着角色设定图一起生成的，名字就是"去找哪张图"的地址；两个年轻男子同框时，写"一名年轻男子"分不清谁是谁。视频提示词的正文里一律写通用身份，比如"一名铁灰袍中年男子"，这是 H3 和 Seedance 官方提示词规范的要求，人名只许出现在台词里。设定图本身的提示词也禁写名字，图像模型会照着它记忆里的同名角色画。

**两家视频模型的官方口径，它整理好了。** H3 要英文、逐镜写时间码、台词放进  标签；Seedance 要中文，台词用大括号，音效用尖括号，而且官方指南明说正文里别写秒数，原话是"模型对精确时间的支持不稳定"。Seedance 还有两条值得记：人物参考别用三视图，会被当成几个人；参考素材四五个就够，别用满上限。这部分是整理官方指南，算资料，好处是省得自己去翻。

**每场先排开场站位。** 这是 10 月新加的一步。每段视频各自生成，每场第一段谁坐哪是模型自己编的，群戏里桌边多出五个没名字的宾客，端酒的人穿着主角的衣服。站位这一步先从场景图里认出能站能坐的东西，再排谁在哪。两条规矩很实用。一是认图，不认提示词：提示词里写了北端有个主位高台，图上没画出来，站位让人坐了上去，出来的视频每段都不一样。二是剧本没写有别人，就是没有别人：别为了热闹加群演，视频模型会把空出来的位置画成一个个有脸的人。

![](images/ca4da9/img_003.jpg)

**画风别写进每条提示词。** 1.x 版把画风写死在每条提示词里，换风格要逐条改，还会和出图时选的画风打架。2.0 版全部拿掉，上游只写"画什么"，出图时整批附加画风。代价作者也写了：写死的时候，能压住一部分画风漂移。

## 第三份精华：设定图和参考图的写法

character-refs 的提示词文档开头写着："每一条都是某一轮实测失败换来的。"测的是 Qwen Image 2.1 和 GPT 出图，四个角色，多数写法各跑两个种子。

**一组图只有一个根。** 正面全身是唯一一张从文字生成的图，大头照、侧面、背面、细节图都只参考它。图与图之间不互相参考，否则偏差会一张张累积，重出一张还会牵连一串。

**改图模型只听第一句。** 参考图的构图力量很强，模型默认照着重画一张差不多的。要大头照，第一句就得写"拉近成证件照式的头肩特写"，再写头顶贴上边、下巴在画面正中、下边切在锁骨；只写 close-up，出来是半身。要正面，就写成几何：肩、髋、脚都正对镜头，两只耳朵一样可见。只写"面向镜头"，动漫画风会画成微侧身。

**一致性清单要短。** 大头照只写脸、头发、上装。写了裤子和鞋，模型就把镜头拉远去画它们。细节图把整套衣服列了一遍，第一轮 8 张全部失败。

还有几个小坑：

写光的效果，别写光源。写了 window，窗户就会出现在画面里。

别写 model sheet、turnaround，模型会在一张图里画好几个视图。

细节图没有脸做参照，露出来的皮肤会画老，要补一句"露出的皮肤是 16 岁的皮肤"。

脸上的小东西（比如眼镜）单独出特写，三种写法、两个种子，全都画成了整张大头照。

多人同框时，给每人一张"大头照加三视图"的拼接图当参考，4 张里有 3 张画出了三四个人，女主还被男主"吃掉"了。

![](images/ca4da9/img_004.jpg)

角色和场景设定的写法，也有几条好的。

**关于设定的话不进提示词。** "古代""架空"在画面上没有对应物，模型只能自己挑，于是庭院出成宋、书房出成明、道具出成清。整部剧要定一个具体朝代，架空的就写它像哪个朝代。

**"用旧"不能当默认。** 场景的表面处理分两档：日常使用的，有掉漆、水渍、包浆；一直有人维护的，漆面匀亮，只在门槛、扶手、台阶这些人走出来的地方有磨损。整部戏都写成用旧，金銮殿出来就是漆面剥落、门框带水渍。

**服饰的款式名放第一个。** 中文描述转成英文时，丢东西总是从尾巴开始丢。"素玉小冠""细密暗纹丝绸"放在中段，转完英文都没了，只剩一件谁都能穿的素袍。

**族裔不写，模型默认画西方人。** 民国的老船夫，出成了穿工装的美国老头。

**道具的尺寸要写死。** 手持、桌面、家具三档，各有一个固定的英文短语进提示词，不写的话，皮箱会被画成衣柜。

## 第四份精华：音色提示词

有用户拿生成的音色描述去跑语音合成，效果很差。作者查出两个原因。

**写成参数串，别写成散文。** 同一个角色，500 字的英文散文明显不如 230 字的参数串。他给了固定顺序：年龄性别、音色、音区、共鸣、动态范围，然后是音量、语速、语调习惯、口音、默认情绪。比喻、表演指导（"威胁时从不提高音量"）、条件分支（"公堂上能切换成官话"）都不要写。引号里的台词更不能写，有些引擎会把它念出来。

**界面上只留一条能复制的。** 原来报告里中文对照排在前面，用户点了它，把中文散文喂进了引擎。作者的修法是直接删掉中文对照，他的原话是"消除歧义优于解释歧义"。

**有的引擎根本不吃文字描述。** Qwen3-TTS Voice Design、ElevenLabs、MiniMax speech 吃；CosyVoice 的 instruct 和 IndexTTS 不吃，它们的音色只来自参考音频。

## 第五份精华：检查规则怎么设

这部分对做任何 AI 流水线的人都有用。

**误拦的检查比没有检查更糟。** "开场有没有运动""音色描述里有没有比喻"，这类语义判断靠关键词扫描，会两头漏。作者只把它们写进规则文档，不设检查。

**阈值是量出来的。** 判断两个角色的提示词是否雷同，他先量了样例：正常角色两两最高 39%，"只改年龄和衣服颜色"的坏例 98%，阈值定在 75%。

**缺了上游文件，要明说跳过。** 不判失败，也不悄悄略过。

**检查失败要攒起来看。** 每次失败记一行日志，统计哪条规则最常被违反（该改措辞了），哪条从没响过（可能是死规则）。作者没让程序据此自动改规则，理由是没有评测集，自动改就是瞎改。他还给自己留了一句："如果长期没人打开它，说明这个功能不该做。"

## 哪些部分不值钱，或者已经过时

**框架和报告。** 分层设计、JSON 结构、约 80 道检查、能拖动调整的报告页面、把五份报告合成一页的组装器、中英双语界面，代码写得很认真，Opus 5.5 照着需求一天能搭出来。读这个项目，scripts 目录可以跳过。

**写作课。** 前面说过，剧本规则里通用的写作手法 Opus 都会。

**跟着模型版本走的数字，过时得很快。** 单段 15 秒是按当时的模型定的，Seedance 2.5 已经能一次生成 30 秒。它整理的是 Seedance 2.0 的官方指南，到了 2.5，时间怎么写已经有不同说法。ChatGPT 订阅大约出 25 张图触顶、Qwen Image 2.1 的工作流参数，换个版本都要重测。

**给弱模型留的余量，可能偏保守。** 分集梗概每批不超过 10 集，理由是"60 集一口气写，后半段一定崩"；扫描小说找角色，每块 4 万字符。作者自己已经把分块从 1.4 万字符提上来过一次，理由是"现在的模型读 4 万字符毫无压力"。换成百万上下文的 Opus 5.5，这些上限多半还能放宽，我们没有测过。

**仓库里已经被自己推翻的写法。** 角色设定图还是把半身像、三视图、细节拼在一张 16:9 的图上。后来做的 character-refs 实测发现，拼接图当参考会把人画小，多人同框时还会画出多余的人，于是改成每个视图单独一张；Seedance 官方也说多视图会被当成几个人。拼板当设计稿给人看没问题，别拿去当视频的参考图。

**"出图提示词一律写英文"值得重新想。** 角色和场景的出图提示词规定全用英文，理由是图像模型吃英文最稳。前面"款式名放第一个"那条，翻车的原因恰恰是中文转英文时丢了尾巴。现在 Qwen Image、Seedream、Seedance 都是中文原生模型，它 2.0 版的分镜图提示词也已经改成了中文。这一条是我们的判断，没有实测。

## 用之前要知道的几件事

**证据偏薄。** 大部分"实测"是一两个种子、一个样例故事，没有前后对照。和做过严格对照的 h3-storyboard 放在一起，还有一处冲突：shuohao 让每个镜头用文字写谁在左谁在右，h3-storyboard 的对照实验发现，文字写的站位对左右不起作用，站位由图决定。

**停在投产包。** 它不出视频，也不检查生成出来的视频。场景设定里的"锚点"写明了是给质检核对用的，这一步没有做。站位结果也要人手抄进分镜。

**跨集的故事记忆很薄。** 剧本一集一集独立写，靠大纲衔接，没有伏笔账本这类东西。几十集的长剧，这方面不如 InkOS。

**镜头配方卡没公开。** 更新记录里有一套 71 张的镜头配方卡和技法卡，已经迁到作者的私有仓库，公开版只剩 3 张测试卡。

## 和之前拆过的几个项目放在一起看

	chinese-novelist	InkOS	Toonflow	Jellyfish	shuohao-skills

管到哪	小说正文	小说为主，兼剧本分镜	剧本到视频	剧本拆镜到视频	小说到视频投产包

谁在干活	纯提示词	程序，多个 Agent 分工	大量规则文档	程序工作台	模型填 JSON，程序检查

长篇不乱	靠模型自觉	最强	中等	很薄	薄

文字变视频	无	不是重点	规则多，靠模型自觉	工程全，经验少	最细，也最程序化

写小说、管长篇记忆，InkOS 更强。从剧本到视频这一段，shuohao-skills 是我们看过的项目里规则最细、落到程序最多的一个。

## 最后

简单总结一下：shuohao-skills 值得读，值得读的是它的规则文档，代码不用细看。用 Opus 5.5 做 AI 短剧，从剧本到视频提示词这一段，它能省下一轮轮"生成出来不对、回头查原因"的来回。拿来用之前，挑几条关键的自己跑一次。

如果只想读，最值得看的是这几个文件：

skills/novel-storyboard/references/ 下的 storyboard-pass.md、shot-writing.md、frame.md：分镜和挂图规则；

skills/character-refs/references/prompting.md：参考图的实测写法；

skills/novel-script/references/script-pass.md：常见动作和冷开场；

skills/novel-characters/references/profile-pass.md：角色设定和音色提示词；

skills/novel-art/references/scene-pass.md 和 skills/novel-staging/references/read-pass.md：场景设定和认图；

CHANGELOG.md：每次为什么改，翻车经过大多写在这里。

希望这篇对你有帮助。对 AI 做视频感兴趣的朋友，欢迎在留言区一起交流。

项目地址：github.com/eternityspring/shuohao-skills
