优化多个视频带字幕问题

2026-09-02 11:51:08 +08:00
parent ad6f4281c0
commit c9522eea08
8 changed files with 48 additions and 4 deletions
@@ -32,7 +32,7 @@ PROMPT_PLACEHOLDERS = {
    "person_triview": [],
    "product_triview": ["商品", "补充"],
    "scene": ["场景描述"],
-    "video_segment": ["设定", "风格", "脚本", "时长"],
+    "video_segment": ["开场", "设定", "风格", "脚本", "时长"],
 }


@@ -1 +0,0 @@
-
@@ -489,6 +489,8 @@ _CREATIVE_DIRECTION = """
 全片只围绕这一个情境推进。不要在一条短视频里罗列所有卖点。

 ### 每一镜都必须有推进，禁止平铺直叙
+- 钩子镜的**画面**必须从一个正在进行的动作或一个可见状态开场，第一条秒级分镜不能是
+  「对着镜头说话」这种静态口播开场（观众先看到事，再听到话；静态对镜口播也是成片被自动加大字的高发语境）。
 - 钩子镜：前 15 个字就抛出反常、尴尬、选择或结果；禁止「大家好」「今天分享」
  「给你们推荐」「这款很好用」「值得买」等任何寒暄或泛推荐开场。
 - 痛点镜：拍得到的细节，而非抽象感受。例如「开会前刘海粘成一绺」而不是「头发很油」。
@@ -891,6 +891,17 @@ NO_EMBEDDED_CAPTIONS_REQUIREMENT = (
 # 结尾再补一句极短的正面复述:末位权重高,但只用「叠加」这类中性词,不再重复负面名词。
 NO_EMBEDDED_CAPTIONS_TAIL = "画面全程保持纯实拍，无任何叠加层。"

+# ★ 实测:同一条片子出四段,只有**开场那一段**带字幕,后三段干净。
+# 原因不在我们的提示词结构(四段模板完全一致),而在模型的先验:在「电商口播开场」这个语境下,
+# 它学到的强关联是「钩子 = 屏幕上打一行大字」;使用过程 / 特写 / CTA 段几乎不触发这个先验。
+# 所以给开场段单独一句**正面**指令,把这个先验掰到「钩子靠画面和表演」上 ——
+# 注意全句不含任何负面名词(字幕/花字…),否则又会掉进「越说越画」的坑。
+OPENING_SHOT_DIRECTIVE = (
+    "【开场】这是全片的第一段：第一帧就是实拍画面本身，人物已经在做第一条秒级分镜里的那件事，"
+    "镜头直接开拍，像从一段连续素材里截出来的。开场的吸引力全部来自人物的表情、动作和环境，"
+    "屏幕保持干净。"
+)
+
 # 提示词正文里残留的「字幕：…」「花字：…」会和上面的禁令打架 —— 模型看到具体字幕内容就会画出来。
 # 来源:脚本【声音】栏、视频提炼稿逐字照抄的画面花字、用户自己写的提示词。这里在送出前统一抹掉。
 _CAPTION_WORDS = r"(?:字幕|花字|艺术字|贴片|水印|角标|标题栏|弹幕)"
@@ -2718,10 +2729,11 @@ def build_video_segment_prompt(project, video_segment, scene, refs, user_prompt:
    extra = (user_prompt or "").strip()
    if extra:
        script_text = (script_text + "\n" + extra).strip() if script_text else extra
-    # 正文可在 admin「提示词·视频」页改。占位符:{设定}=@图N点名、{风格}=全片风格锚点、{脚本}=本段脚本、{时长}。
+    # 正文可在 admin「提示词·视频」页改。占位符:{开场}=仅第一段有的开场指令、{设定}=@图N点名、
+    # {风格}=全片风格锚点、{脚本}=本段脚本、{时长}。
    # 时长/比例靠 API 参数传(duration/ratio),不写进正文;尾句给风格 + 音效/字幕要求。
    default = (
-        "{设定}{风格}【脚本】{脚本}\n"
+        "{开场}{设定}{风格}【脚本】{脚本}\n"
        "【执行纪律】严格按脚本里的秒级分镜拍:每一个时间段都要拍到,景别、机位、运镜、动作按写的来;"
        "不要把整段并成一个静止长镜头,也不要加脚本里没有的转场、人物或道具。"
        "\n【一致性】参考图是本片唯一的视觉依据:角色保持同一张脸、同一发型、同一套服装;"
@@ -2733,8 +2745,11 @@ def build_video_segment_prompt(project, video_segment, scene, refs, user_prompt:
        "\n【画质】真人实拍质感,自然光影,肤色与材质真实,焦点始终落在脚本指定的主体上,画面稳定不糊。"
        "\n电商带货短视频,商品露出清晰,节奏有转化感。不要背景音乐,但是要有音效,逼真的音效。"
    )
+    # 开场段(全片第一段)额外挂一条正面开场指令 —— 字幕基本只在这一段冒出来
+    opening = OPENING_SHOT_DIRECTIVE + "\n" if video_segment.sort_order == 0 else ""
    rendered = render_prompt(
        "video_segment", default,
+        开场=opening,
        设定=("【设定】" + "，".join(setup_parts) + "。\n" if setup_parts else ""),
        风格=(f"【风格】{_scene_context(project)}。\n" if _scene_context(project) else ""),
        分镜="",  # 兼容:旧模板行里可能还留着 {分镜}(故事板时代的占位符),渲染成空串而不是原样漏出
@@ -3,6 +3,7 @@ from django.test import SimpleTestCase
 from apps.ai.services import (
    NO_EMBEDDED_CAPTIONS_REQUIREMENT,
    NO_EMBEDDED_CAPTIONS_TAIL,
+    OPENING_SHOT_DIRECTIVE,
    enforce_no_embedded_captions,
    strip_caption_directives,
 )
@@ -87,3 +88,15 @@ class VideoCaptionPolicyTests(SimpleTestCase):
        self.assertNotIn("手慢无", prompt)
        self.assertIn("0-3s：特写；推近；倒入", prompt)
        self.assertTrue(prompt.startswith(NO_EMBEDDED_CAPTIONS_REQUIREMENT))
+
+
+class OpeningShotDirectiveTests(SimpleTestCase):
+    """实测:一条片子出四段,只有开场那段带字幕,后三段干净 —— 模型在「电商口播开场」语境下
+    有「钩子 = 打一行大字」的强先验。开场段单独给一条正面指令把它掰回来。"""
+
+    def test_directive_is_purely_positive(self):
+        """★ 关键约束:这句里不能出现任何负面名词,否则又回到「越说越画」的老路。"""
+        for word in ("字幕", "花字", "标题", "贴片", "水印", "文字"):
+            self.assertNotIn(word, OPENING_SHOT_DIRECTIVE, msg=f"开场指令里不该出现「{word}」")
+        self.assertIn("实拍画面", OPENING_SHOT_DIRECTIVE)
+        self.assertIn("屏幕保持干净", OPENING_SHOT_DIRECTIVE)
@@ -1333,3 +1333,4 @@ class QuickCreateCoordinatorTests(TestCase):



+
@@ -32,6 +32,7 @@
 ## B. 内容质检（钩子 / 结构 / 一致性）

 - [ ] 钩子镜第一句在前 3 秒抛出钩子，套用了 `hook-library.md` 的某个公式。
+- [ ] **钩子镜 0-3s 是动作或可见状态，不是「对着镜头说话」的静态口播开场**（见 `hook-library.md`）。
 - [ ] 顶层 `hook` 与钩子镜口径一致。
 - [ ] 卖点镜的卖点**挂在前面铺的痛点上**，不是干罗列参数。
 - [ ] CTA 回到了钩子那个情境，点名了谁适合，用一句自然口语收尾。**场景种草结构的 CTA 要更软**。
@@ -9,6 +9,19 @@
 动作、后果或反差中的至少一个。禁止「大家好」「今天分享」「给大家推荐」「这款很好用」
 「值得买」等寒暄和泛推荐；它们没有任何让人停下来的理由。

+### 钩子镜的画面必须从「动作」开场（硬规则）
+
+钩子镜 `visual` 的**第一条秒级分镜（0-3s）必须是一个正在进行的动作或一个可见的状态**，
+不能是「女主对着镜头说话」这种静态口播开场。
+
+- ✅ `0-3s：中近景；平视；手持轻晃；女主从电脑前抬眼，指腹按着太阳穴，屏幕的光打在脸上`
+- ✅ `0-3s：特写；俯拍桌面；缓慢推近；第三杯冷掉的咖啡摆在键盘边，杯壁挂着水珠`
+- ❌ `0-3s：近景；平视；固定机位；女主看着镜头开口介绍商品`
+
+**为什么是硬规则：**静态的对镜口播开场，正是出片模型学到「开场要打一行大字」的那个语境 ——
+实测一条片子出四段，只有这样开场的第一段带上了字幕，后三段全都干净。
+从动作切入既避开这个坑，也本来就是更好的钩子写法（观众先看到事，再听到话）。
+
 ---

 ## 公式 1 · 痛点提问（最稳，默认首选）
				`@@ -1333,3 +1333,4 @@ class QuickCreateCoordinatorTests(TestCase):`