台词、音效、BGM 在提示词里的符号规范
台词用 {}、音效用 <>、BGM 用（）——这是 AI 短剧镜头提示词里区分三类声音的最小符号约定。符号不统一，模型就会把台词当画面描述、把音效当动作、把 BGM 当场景元素。
为什么要给声音加符号
在竖屏短剧的镜头提示词里，画面描述、人物台词、环境音效、背景音乐是四种完全不同的信息。如果全部混在一段自然语言里交给视频模型，常见结果是：
- 台词被当成画面字幕硬烧进画面，或者干脆被忽略
- 音效词（如「砰」「手机震动」）被理解成人物动作，导致人物做出奇怪手势
- BGM 情绪描述被当成场景元素，比如「紧张鼓点」生成出一面鼓
- 模型自行分配说话人，旁白和对白混在一起
符号规范的本质，是给模型一个稳定的「语法」：看到什么括号，就知道这是哪一类声音，该交给音频通道还是画面通道处理。
三类符号的定义
| 符号 | 类型 | 写法示例 | 模型应理解为 |
|---|---|---|---|
{} | 台词 / 对白 | {你以为你赢了？} | 人物开口说出的话，归属当前镜头主体 |
<> | 音效 / SFX | <玻璃碎裂声> | 环境或动作产生的声音，不是画面里的文字 |
（） | BGM / 配乐 | （低沉弦乐渐强） | 背景音乐的情绪与走向，不对应画面实体 |
这三组符号是工程化镜头提示词规范的一部分，和「一镜一运镜」「用镜头序号不用绝对秒数」「强制兜底包」属于同一套语法体系。
台词 {} 的写法
台词放在花括号里，紧跟在说话人物的动作描述之后。
推荐写法：
女人猛地抬头，眼眶泛红，嘴角却上扬。{你以为你赢了？}
几个要点：
- 一句一对括号，不要把多句台词塞进一个
{}里 - 括号内只放台词本身，不写「女主说：」「冷笑：」这类提示；说话人由括号外的动作描述指明
- 旁白也用
{}，但要在括号外标明「旁白」或「画外音」，例如：旁白：{三年前的那个夜晚，她没有忘。} - 单句台词一般不超过 20 字——这是竖屏短剧的台词铁律，短句模型更容易对口型，观众也更容易接住
- 避免在台词里塞画面信息，比如「{她穿着红色裙子走进来}」，服装外观属于参考图和画面描述的职责
如果一场戏有多个人物轮流说话，按镜头顺序依次写动作 + {}，不要在同一个镜头里堆两个人的对白；该拆镜头就拆。
音效 <> 的写法
音效放在尖括号里，描述的是「观众听到什么」，不是「画面里有什么字」。
推荐写法：
男人一掌拍在桌上，水杯震倒。<拍桌声·水杯碎裂>
几个要点：
- 写声音本身，不写拟声字堆叠。
<玻璃杯碎裂>比<哐当哗啦噼里啪啦>更稳定 - 多个音效用
·分隔，不要写成一长串 - 音效和动作对应，先写动作，再写音效；不要让音效凭空出现
- 不要把音效当画面元素。
<雷声>是声音，不要写成<天空中出现「轰」的字> - 环境音也走
<>，比如<街景嘈杂·远处鸣笛>、<办公室键盘声>
常见反例：把 <手机震动> 写在没有手机出现的镜头里，模型可能会让人物开始抖动。音效必须和本场剧本里真实发生的动作对得上。
BGM （） 的写法
BGM 放在中文圆括号里，描述情绪、乐器、走向，不描述画面实体。
推荐写法：
她缓缓转身，镜头推近到眼睛特写。（低沉弦乐渐强，在她开口前收住）
几个要点：
- 写情绪和强度，不写具体歌名，不绑 IP。比如
（紧张鼓点）可以，（《某主题曲》旋律）不行 - 写走向比写静态情绪更有用：渐强、渐弱、戛然而止、切入、收住
- BGM 不对应画面物体。
（钢琴独奏）不会也不应该让画面里出现一架钢琴 - 一场戏一个 BGM 标记即可，不要每句都加；BGM 是段级的，不是镜头级的噪音
- 在情绪转折点标记：开场钩子、爽点爆发前、cliffhanger 收束处，这三个位置最值得标
三类声音的组合顺序
一个镜头里同时出现动作、台词、音效、BGM 时，推荐顺序：
[画面与动作描述] → [BGM（）] → [动作细节] → [台词 {}] → [音效 <>]
实际例子：
特写：男人手指捏紧照片边缘，指节发白。（压抑钢琴单音重复）他抬眼看向门口。{她回来了。}<门锁转动声>
这个顺序的逻辑是：先让模型知道画面长什么样、情绪基调是什么，再给人物动作和台词，最后用音效点在动作落点上。BGM 放在前面，是因为它决定整段镜头的情绪底色；音效放在最后，是因为它是动作的「落点标记」。
常见翻车与排查
| 现象 | 可能原因 | 改法 |
|---|---|---|
| 台词被烧进画面当字幕 | 台词没加 {}，混在画面描述里 | 把对白单独放进 {} |
| 人物嘴在动但没声音 | 台词写在括号外被当成叙述文字 | 检查所有对白是否都在 {} 内 |
| 画面里凭空出现乐器 / 文字 | BGM 或音效被当成画面元素 | BGM 用 （），音效用 <>，不在括号外写「鼓点」「雷声」作画面物 |
| 多人说话声音归属错乱 | 一个镜头里堆了两个人的 {} | 拆成两个镜头，每个镜头一个说话人 |
| 音效触发奇怪动作 | 音效和动作没对上，或音效写得像动作 | 先写动作，再跟 <>；音效只写声音 |
| 情绪和画面脱节 | BGM 没标走向，只写了「紧张」 | 改成「（弦乐渐强至她开口时收住）」这种带走向的写法 |
一个完整的场块示例
以一段约 10 秒的竖屏场块为例：
场 3 · 内 · 办公室 · 夜
中景，女人背对镜头站在落地窗前，城市霓虹在玻璃上拉出光带。（冷色调电子音·低频持续）她缓缓转身，手里攥着一份文件。
镜头推近到她面部特写，眼底有红血丝，但嘴角是笑的。{你以为，这就结束了？}
她把文件甩在桌上，纸张散开，露出红头文件抬头。<纸张甩落·桌面闷响>（电子音在甩落瞬间切断，留白一秒）
这段里：BGM 定了情绪底色并标注了切断点，台词归属于女人这个明确主体，音效对应「甩文件」这个真实动作，没有任何声音信息混进画面描述。
边界与提醒
符号规范是「让模型分清通道」的语法，不是「让音频一定完美生成」的魔法。几个需要心里有数的边界：
- 不同模型档位对音频的支持程度不同，有的档位默认不生成音频，需要在出片时确认音频开关
- 符号靠规范引导，不做二次硬拼——创作者在提交前仍应扫一眼提示词，确认所有台词都在
{}里、音效没有写成画面物 - 对口型质量受台词长度和动作幅度影响，短句、少转头的镜头更稳；大段台词应该拆成多个场块
- BGM 是情绪提示，不是精准配乐，想要精确卡点仍需后期剪辑环节处理
- 提示词交付前会剥离具体影视作品 / IP 名称，所以不要在 BGM 里写歌名或主题曲，会被清洗掉
把声音信息用符号分门别类，本质上和「先出定妆图再开拍」「先写场戏清单再写正文」是同一件事：把原本靠模型自由发挥的部分，变成有语法可约束的流水线。系统在教模型用分镜表语言说话，而不是写小说。
关于猫斯卡 ｜ 猫斯卡 · 专业AI视频自动生产系统。把创意评估、剧本写作、人物场景道具定妆、镜头提示词与出片串成一条可审、可改、可回退的生产链。官网：www.maosika.com