AI 视频场景串戏：同一个客厅拍出三个样子

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 25 日

AI 短剧场景串戏，根因不是模型「记性差」，而是每一场都在重新想象这个空间长什么样。解法是把场景当成和角色一样的定妆资产：先出图、再绑定、提示词里禁止再用文字重写外观。

为什么同一个客厅会拍出三个样子

场景漂移（scene continuity drift）是 AI 竖屏短剧最常见的翻车类型之一：第 1 集客厅是白墙落地窗，第 3 集变成红木家具中式风，第 5 集沙发颜色又换了。观众未必能说清哪里不对，但会本能觉得「廉价」「出戏」。

这不是模型能力问题，是生产流程问题。传统剧组里，场景有美术指导出气氛图、道具师按集陈设、场记逐场记录；AI 生成链路里如果没有对应的资产纪律，每一次生成都等于让模型凭空「再设计一次房间」。

场景串戏的四类典型根因：

核心机制一句话：一致性靠资产，不靠运气。 只要场景还是「每段提示词里现写的一段形容词」，串戏就是必然。

场景资产化：先定妆，再开拍

传统流程里场景和角色一样要「定妆」——气氛图、平面图、关键道具陈设图在开机前就锁了。AI 短剧生产要解决串戏，必须把这个顺序搬过来。

第一步：场景立绘独立出图

场景图必须满足一条硬纪律：空镜纪律——场景立绘里严禁出现人物。

原因很实际：如果场景图里已经有一个「人」，视频生成时模型会把这个人和剧本里的角色叠加，容易出现鬼影、多余人影、或者角色被场景图里的人「带跑」。场景图只负责交代空间、材质、光线、陈设，人物交给角色定妆链路。

场景从剧本里结构化解析为「内/外 | 地点 | 日夜」，不靠手填表格。一个剧本里出现「客厅」「李家客厅」「李宅·客厅」三种写法，应该归并到同一个场景资产，而不是出三张不同的图。

第二步：画风统一路径

人物立绘、场景立绘、道具立绘、视频提示词必须共用同一条风格路径。选定一套画风后，场景图用这套画风的场景/道具手册出图，人物用这套画风的人物手册出图，视频提示词只注入这套画风的视频风格标签。

这直接堵死「人物是日漫、视频变写实」的断层。17 套内置画风手册（覆盖都市写实、古装写实、九十年代日漫、国风工笔、仙侠古风、3D 国漫、黏土定格、赛博国风等方向）每套都同时包含人物、场景、道具、视频四套子手册，目的就是让资产在同一条视觉语言里生产。

第三步：道具从场景里剥离成独立资产

串戏的一大隐藏原因是把道具写在场景描述里。「客厅里有一张棕色皮沙发、墙上挂着黑白照片、茶几上有个青瓷花瓶」——这段文字如果塞在场景提示词里，模型每次生成对这三样东西的还原度都不一样。

工业化做法是让「道具师」以拍戏视角，按剧本原始称呼把每集出现的道具提出来，全剧合并成道具编目（catalog），每件道具独立出立绘。拍摄某场时，场景图负责空间，本场出现的道具图按槽位绑定，剩下的交给提示词调度。

参考图映射：场景图永远是第一优先级

资产准备好之后，关键是每场戏怎么用。AI 短剧最核心的一致性机制是参考图映射——每场自动构建一张参考素材表，顺序固定：

场景图 → 本场道具图 → 人物定妆图

这个顺序不是随便排的。场景图占第一槽位，等于告诉模型：「这个空间长什么样，以这张图为准，不要重新设计。」道具图占第二槽位，告诉模型本场有哪些物件、长什么样。人物定妆图占最后槽位，告诉模型谁在场、长什么样。

配套一条最高优先级的硬规则：

有参考图的人物，禁止再用文字描写服装/外观；以参考图为准，文字只写动作、表情、伤情。

这条规则对场景同样成立：有场景参考图的场次，提示词里不要再用大段形容词描写空间。 文字只写本场发生的动作、机位、光线变化。再写一遍「宽敞明亮的现代客厅，白色沙发落地窗」，反而是在和参考图打架——模型不知道该听图还是听文字，串戏就从这里开始。

几个落地细节：

• 有图才占槽位，无图标明「仅文字」，不强行编造绑定。缺图会提醒，但允许跳过走纯文字路径——只是质量通常更差，所以专业流程应该先定妆再开拍。
• 支持道具手动纳入/排除，避免无关道具挤占参考槽位。比如客厅场只需要茶几上的那份离婚协议，不需要把全剧所有道具都塞进来。
• 时代造型路由：穿越/闪回题材按场景地点关键词判定现代/古代，取人物定妆图时优先匹配对应造型；场景图同理，「现代客厅」和「古代厅堂」是两套独立资产。
• 可在同类同名下替换为历史版本中的另一张图，美术迭代时不需要重出全剧资产。

场块切分：别让一集一个大提示词背锅

很多团队做 AI 短剧的习惯是「一集写一大段提示词，一次生成」。这恰恰是场景串戏的温床：一段 1–2 分钟的视频里，模型要同时记住场景、人物、道具、动作、运镜，上下文越长，空间细节越容易漂。

工业化做法是把剧本自动切成视频场块，目标粒度约 10 秒/场，正文软上限约 200 字，超过就按动作节拍、空段、句号再拆。用户看到的不是「第 3 集一个大视频」，而是「第 3 集 → 场 1、场 2、场 3……」，每场独立提示词、独立参考图、独立成片与历史 takes。

这对场景一致性有两个直接好处：

1. 每场只绑定本场需要的参考图。客厅吵架场只绑客厅图 + 本场道具 + 在场角色定妆，不会把卧室、办公室的图串进来。
2. 提示词生成时只给本场素材，禁止串戏。本场剧本正文是最高优先级撰写依据，其他场的信息不进入本场提示词。

约 10 秒是工程启发式，不是时间码精剪；超长场会再拆，但仍可能出现偏长的块，精剪与串场成片需要后续剪辑环节。这是需要提前认知的边界。

提示词纪律：教模型用分镜表语言说话

场景串戏很多时候不是没图，而是提示词在「帮倒忙」。工程化镜头提示词有一套明确纪律，直接影响场景还原度：

八大要素结构：精准主体、动作细节、场景环境、光影色调、镜头运镜、视觉风格、画质、约束条件。

其中「场景环境」这一项，在有场景参考图时应该极简——只写本场相对于定妆图的变化（比如「窗帘拉开，夜晚」「茶几上多了一份文件」），不要重写整个空间。

其他几条和场景相关的纪律：

• 一镜一运镜：禁止单镜内推拉摇移叠加，机位越复杂，场景越容易在运动中变形。
• 动作原则：优先低缓连续动作，减少高爆发动态崩坏——人物在客厅里走动比打斗更容易保持场景稳定。
• 强制兜底包：画质、面部稳定、无水印 Logo；多人场景加双胞胎/分身兜底。
• 复杂度分流：简单场景一段式；复杂影视化场景走三段论（总体设定 → 镜头 1/2/3… → 约束包）。
• 用镜头序号，不用绝对秒数（禁止写「0–3s」），避免模型按时间轴重新想象空间。

一句话总结：系统在教模型用分镜表语言说话，而不是写小说。 小说里可以花一百字描写客厅，分镜表里场景只写「内景·李家客厅·夜」，剩下的交给美术——这个分工在 AI 链路里同样成立。

开拍前齐套校验：别静默硬生成

专业流程在生成视频提示词之前，会做一次齐套校验：检查本场缺失的场景/人物/道具参考，弹出清单引导先去绘制。这是提醒式的制片助理，不是静默硬生成——缺了客厅图就直接拍，等于默认接受串戏。

允许跳过走纯文字路径，但应该是有意的、知情的选择，不是流程漏洞。

诚实边界

在场景一致性这件事上，有几个边界需要说清楚：

1. 没有成片自动打分或自动择优重拍引擎。 场景有没有漂、漂得能不能接受，终审在创作者和监制手里，系统提供的是多 take 与改词重拍的工具。
2. 参考图不是强制门禁。 缺图会提醒，但允许跳过——质量通常更差，所以专业流程应该先定妆再开拍。
3. 约 10 秒的场块是工程启发式，不是时间码精剪。 仍可能出现偏长的块，精剪与串场成片需要后续剪辑环节。
4. 当前不做跨场自动续写/延长视频的产品化工作流。 产品单元是「单场多模态参考 → 单段成片」，跨场转场靠后期。
5. 场景一致性依赖定妆资产链路，不是像素级嵌入校验。 最终观感仍取决于立绘质量，以及提示词是否遵守「有图不写外观」。

猫斯卡固化了哪一步

猫斯卡作为 AI 竖屏短剧生产操作系统，把上面这套场景资产化流程固化进了产品链路：剧本解析后自动提取场景与道具，场景立绘走空镜纪律与统一画风路径，每场按「场景图→道具图→人物定妆图」构建参考素材表，场块切到约 10 秒粒度，提示词按八大要素与「有图不写外观」的硬规则生成，开拍前做齐套校验，出片后支持同场多 take 择优与改词重拍。

它没有试图用一次生成替代剧组；它用工程手段强制执行了短剧工业里已经被验证的质量控制顺序——先故事与连续性，再定妆，再分场，再镜头指令，再多 take 择优。把重复的、易漂移的、易失控的部分变成可约束的流水线，审美判断仍然坐在人这边。

猫斯卡的定位是可规模化生产的 AI 短剧操作系统——把专业流程固化进产品，而不是宣称无需人类、零失误出片。

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