Imported from jiayushi1-ux/script-to-shot-engine (SKILL.md). Install upstream with npx skills add jiayushi1-ux/script-to-shot-engine. Copyright stays with the author.

Script-to-Shot Engine v2.3.2

目标

读取用户已经拥有的美术资产及动作需求，生成可直接投喂视频模型的动作提示词。默认隐藏规划过程，只向用户展示资产对照卡、全局风格锁定、最终提示词和最多三条生成前提醒。

不要输出 Fight Bible、控制器执行记录、复杂度分数、状态 JSON、逐拍自检报告或资产文生图提示词。

默认值

• 目标模型：用户指定；缺失时采用 Seedance 2.x 通用写法。
• 单次最长时长：用户指定；缺失时按 15 秒处理。
• 画幅：用户指定；缺失时采用 16:9。
• 视觉媒介：优先沿用资产描述；仍缺失时采用真人写实。
• 全局风格：由用户指定风格、视觉资产库风格和剧本题材共同推导，解析为六槽位风格锁定词；用户指定与资产库冲突时提醒并询问，不自动覆盖。
• 输出语言：默认中文；专业视听术语（景别、运镜、角度、视角等）按「中文（English）」双语输出，同一术语在同一 Clip 内只在首次出现时附英文，规则见渲染器的「视听术语双语对照」。
• 声音：默认有环境声和动作音效，无音乐、无字幕；用户要求优先。
• 字幕卡与转场：剧本明确要求的字幕卡、黑屏、渐隐予以保留并写入对应镜头或结尾状态；剧本未要求时默认无字幕。对白以口型与气息呈现，剧本台词以完整原句写入对应镜头，方言保留原文。

信息缺失时先采用保守默认值并继续，不要为了常规参数反复询问。只有缺失信息会导致完全不同的战斗主体或核心结果时，才向用户提一个必要问题。

六步流程

1. 读取需求与资产

提取目标模型、时长、画幅、媒介、战斗规模、武器、动作目标、场景和镜头偏好。对峙场景改为提取人物关系、台词冲突、座位与空间权力结构。

有资产库时，只提取 @资产名、资产类型和一至三个高识别度特征；忽略其中的长篇文生图提示词。只有文字描述或剧本时，建立临时 @资产名。

处理资产时读取 references/asset-anchor-protocol.md。

2. 建立资产短锚点

把每项关键资产压缩为：

@资产名（6—20个汉字的识别锚点）

每个独立 Clip 首次出现时写一次短锚点，后续只使用资产名或角色称谓。不要展开完整外貌、材质设定或资产生成提示词。

3. 选择运行模式

先判断场景类型，再判断段数，两个判断相互独立。

场景类型：

• 动作模式（默认）：存在攻防、追逐、破坏或法术释放。
• 对峙模式：动作由台词、视线和微动作（掐烟、合扇、按桌、离座）推进，全段无攻防或攻防仅在结尾作为引爆点出现。进入对峙模式时读取 references/dialogue-scene-mode.md。
• 混合场景按每段实际内容逐段定性；同一场戏的文戏段与打戏段可以分别使用两种模式。

段数：满足以下任一条件时进入连续模式：

• 总时长超过单次最长时长。
• 用户明确要求完整长打戏、多段生成或整场剧本拆段。
• 战斗或对峙跨越多个空间。
• 武器、伤势、阵营、优势或人物关系发生无法在单段内清楚完成的变化。
• 当前动作或台词密度明显超出单段承载。

进入连续模式时读取 references/continuous-mode.md。

4. 内部设计动作因果链

内部回答三个问题，不单独输出答案：

1. 角色此刻要完成什么？
2. 当前最大的战术限制是什么？
3. 本段结束时什么状态必须改变？

每个主要攻防单元遵循：

发起 → 防守/闪避/命中 → 受力或位移 → 恢复/新状态

根据媒介、武器和战斗规模读取 references/action-choreography-rules.md 的相关章节。只读取相关类型，不加载无关战斗知识。对峙模式改为设计张力因果链（施压 → 承受 → 泄露或反制 → 新平衡），只读取 references/dialogue-scene-mode.md，不加载攻防知识。

5. 设计空间站位与镜头列表

每个独立 Clip 先写一次“空间站位”，明确人物位于画面左/右、前/后、高/低，彼此面向、动作轴、初始姿势和情绪。同框超过四人时用分组写法，不逐人单句展开。

随后按“镜头一、镜头二……”逐镜头输出。每个镜头必须包含：

• 位于镜头标题中的起止时间，格式为 镜头一（0-1.2秒）：。
• 光圈，规范写作 f/2.8，值后紧跟中文景深描述，如 光圈 f/2.8（浅景深，背景明显虚化）。
• 焦段，规范写作 80mm，值后紧跟中文景别描述，如 焦段 80mm（近景）。
• 景别、角度、视角或运镜；专业视听术语写作 中文（English），同一术语在同一 Clip 内只在首次出现时附英文。
• 本镜头承接的动作、接触和结果；对峙镜头写完整台词原句或微动作结果。

每个镜头的摄影参数可以不同，也可以在确有连续性需要时相同。不要在每个镜头复制同一整段“固定镜头参数保持完全不变”或相同否定约束。

每个镜头都必须写时间戳。第一个镜头从 0秒 开始，相邻镜头首尾相接、不得重叠或留空，最后一个镜头准确结束在 Clip 总时长。统一使用半角连字符，例如 镜头十（13.4-15秒）：；需要小数时最多保留一位。

所有普通机位保持在既定动作轴同一侧。只有先用中性正面镜头或可见的连续越轴运动建立新关系后，才能切到轴线另一侧。

区分动作单元与镜头数：一次抓腕、拉颈、搓步、膝击和反击可以由多个不同角度连续覆盖，但不能把同一个动作写成重复发生多次；对峙镜头同理，一句台词由说话镜头覆盖，听方反应不重复播放台词。

镜头数下限按「动作容量」的模式分档执行：动作模式每个完整 15 秒 Clip 至少 10 个镜头，对峙模式至少 5 个；一镜到底或用户明确指定更少镜头时除外。动作模式优先用建立空间、动作发起、接触细节、脚步、主观视角、受力反应和收势等不同观看重点增加覆盖，不要为了增加镜头而增加等量招式；对峙模式不为凑镜头数切分台词或重复拍摄同一反应。

6. 渲染、去重并输出

最终渲染前读取 references/seedance-prompt-renderer.md。

按以下顺序压缩超长提示词：

1. 删除同一镜头内部的重复摄影参数，但保留每个镜头各自的光圈和焦段。
2. 删除镜头内重复的风格和光线描述；全局风格只在锁定块出现一次。
3. 合并意思相同的否定约束。
4. 删除没有造成结果的次要敌人动作。
5. 合并不改变战局的动作阶段。
6. 删除装饰性粒子、衣摆和灰尘描述。

不得优先删除资产身份、武器归属、动作发起者、攻防关系、接触点、受力结果、主要空间变化、结尾状态、全局风格锁定和台词原句。

三层信息规则

第一层：全局不变量

全场只输出一次，放在所有 Clip 之前：全局风格锁定（媒介来源、渲染方式、角色质感、运动质感、材质语言、光影色彩）与特殊风格化声明。任何 Clip 内不得重复全局风格锁定词。

第二层：空间与逐镜头变化

每个独立 Clip 只写一次：资产锚点、物理风格、空间站位、人物数量和动作轴线。每个镜头写本镜头独立的时间范围、光圈、焦段、机位/运镜，以及新发生的动作发起、攻击方向、防守方式、接触、受力、位移、武器变化，或新发生的台词、视线变化与微动作。

第三层：全局失败规避

在 Clip 末尾集中写一次，最多保留五至八项与当前场景直接相关的问题。不要罗列通用质量词或每种可能错误。

动作容量

动作模式

• 15 秒真人写实：安排 2—3 个主要攻防单元，默认用 10—14 个镜头覆盖，任何完整 15 秒逐镜头 Clip 不得少于 10 个镜头，最多一次重要环境互动。
• 15 秒 2D/3D/玄幻：安排 3—4 个主要攻防单元，默认用 12—18 个镜头覆盖，任何完整 15 秒逐镜头 Clip 不得少于 10 个镜头。
• 30 秒真人写实：若用户明确模型支持，安排 5—8 个主要攻防单元，通常使用 10—18 个镜头；镜头数服务动作，不机械按 1.5 秒切分。
• 一对多：同一时刻最多让一至两名对手完成精确前景攻防，其余对手负责封路、包围、补位或形成武器威胁。
• Boss、枪战和法术：每段只设一个局部目标和两至三次决定性因果变化。

对峙模式

• 15 秒真人写实：安排 1—2 个张力单元（一次施压与一次反制或泄露），用 5—8 个镜头覆盖，任何完整 15 秒对峙 Clip 不得少于 5 个镜头；单镜头默认 2—4 秒，凝滞时刻允许 4—6 秒长镜头配缓慢推进。
• 台词镜头按台词实际时长划分，不为凑镜头数切分台词；一句完整台词不跨两个镜头。
• 镜头功能配额（每 15 秒）：建立空间 ≤1、说话人 ≤3、听方反应 ≤2、微动作特写 ≤2、局势变化 1；反应镜头不得连续超过两个。

镜头数下限按模式执行：动作模式不放宽，对峙模式可降至 5。容量超限时优先减少次要动作或拆 Clip，不把所有动作硬塞进一段。

输出协议

固定输出四个部分：

## 美术资产对照卡

| 资产引用 | 文字短锚点 | 本段用途 | 请用户核对 |
|---|---|---|---|

## 全局风格锁定

```text
风格锁定：{媒介来源}，{渲染方式}，{角色质感}，{运动质感}，{材质语言}，{光影色彩}。
特殊风格化：不启用。全片保持普通风格锁定，不额外叠加梦境、回忆、监控、漫画化、游戏 UI 等局部风格。
```

## 视频生成提示词

### Clip 01｜时长

```text
空间站位：人物与场景的初始画面关系。

镜头一（0-1.2秒）：光圈 f/2.8（浅景深，背景明显虚化），焦段 80mm（近景），景别、机位或运镜（专业术语附英文），动作与结果。
镜头二（1.2-2.4秒）：光圈 f/2.8（浅景深，背景明显虚化），焦段 200mm（特写），景别、机位或运镜，动作与结果。
……中间镜头继续从不同观看重点覆盖连续动作，并保持时间首尾相接。
镜头十（13.4-15秒）：光圈 f/4（中等景深，背景轻微虚化），焦段 35mm（全景），交代本段最后的动作结果；需要时继续镜头十一及以后，并重新分配连续时间。

结尾状态：人物、武器与空间结果。
约束：集中失败规避与声音要求。
```

## 生成前提醒

- 最多三条；没有明显问题时写“未发现明显资产冲突”。

默认不展示动作摘要、Beat 表、连续性账本、复杂度分数、台词核对摘要或自检全文。

最终检查

输出前在内部确认：

• 资产卡只描述已有资产，不生成新资产；纯剧本输入的推断外观已在「请用户核对」列标注「外观为推断」。
• 全局风格锁定全场仅输出一次且位于所有 Clip 之前；用户给的风格词已解析为六槽位锁定词而非照抄；特殊风格化已显式输出启用或不启用。
• 任何 Clip 内没有重复全局风格锁定词。
• 每个 Clip 都有且只有一个“空间站位”。
• 每个镜头都含光圈（附景深描述）、焦段（附景别描述）、摄影描述（专业术语附英文）和动作结果。
• 没有重复的整段固定机位声明或逐镜头重复否定句。
• 第一视角的视角拥有者与被拍摄对象没有逻辑冲突。
• 没有无因出现“轴线另一侧”或画面左右反转。
• 每个镜头标题都符合 镜头N（起始-结束秒）：，第一个镜头从 0 秒开始。
• 相邻时间戳连续、无重叠、无空档，最后一个镜头准确结束在 Clip 总时长。
• 按场景模式实际数出“镜头”条目：动作模式完整 15 秒 Clip 至少 10 个，对峙模式至少 5 个；一镜到底或用户指定更少时除外。
• 相邻镜头是同一动作的连续覆盖或明确的下一动作，不会让一个动作无因重演。
• 每个主要动作都有发起、反应和结果。
• 多人交互没有要求所有人同时完成精确动作；背景人物状态有交代（保持原位或具体微动作）。
• 武器归属、角色数量和关键空间方向没有无因变化。
• 连续模式的下一段从上一段结尾自然开始。
• 提示词字数遵循渲染器的建议范围，不靠重复摄影说明或重复动作扩充。
• 对峙模式下：台词以完整原句写入镜头且不跨镜；反应镜头未连续超过两个；剧本要求的字幕卡与黑屏有规范落点。

禁止事项

• 不生成多宫格动作预演图。
• 不生成资产文生图提示词。
• 不把 10 个以上镜头误写成 10 个以上独立高速动作。
• 不用导演或在世创作者姓名代替可观察的摄影描述；用户未要求强风格时不使用导演名、胶片品牌和强类型风格词。
• 不只照抄用户给出的风格名，必须解析为可执行的风格锁定词。
• 不承诺生成模型会逐字执行提示词。
• 不把内部规划过程包装成额外用户交付物。