一个人指挥一支 AI 剧组：Gemini 4 + Omni 1.2 剧情短片制作实操教程

点击放大查看原图

Omni 1.2 发布后，很多讨论集中在提示词写法和抽卡技巧上。实际做完几支成片就会发现，调用视频生成工具只是整个流程里最基础的一步。

真正耗费精力的是后续成片制作：把一句话创意扩展成有反转的剧本，保证五六个镜头里的人物外貌与服装一致，解决视频模型说中文吞尾音、读错多音字的问题，并用代码完成字幕、界面包装与混音。

前几天，我用 Gemini 4 配合 Omni 1.2 制作了一系列古装监控视角的西游记喜剧，包括《真假美猴王》和《西梁国留婚》。

点击放大查看原图

不少读者询问成片的制作细节，比如配音咬字不准如何修复，画面上的监控框和时间戳如何添加。下面按实际制作顺序拆解从创意到成片的 7 个步骤，每个环节都附带可直接复制的提示词。

一、核心工具清单与角色分工

制作一支成片共用到四款工具：

1. Gemini 4（在 Antigravity 中使用）：担任总导演兼程序员。如需了解 Gemini 4 的长程推理与工具编排机制，可参阅 《Google 官方 Gemini 4 Carbon 开发者实战指南》 与 《实测 Gemini 4 Argon》。
2. Omni 1.2（在 Google Flow 中使用）：担任摄影师兼演员。
3. VoxCPM2 + Whisper（本地运行）：担任配音师兼台词质检员。
4. Python + ffmpeg：担任剪辑师兼后期特效师。

采用这套组合是为了避免在十几个网页和软件之间频繁切换。整个流程只需与 Gemini 4 对话，由它自动调度其余工具完成执行。四款工具的具体分工如下：

在这套流程中，你无需手动向 Google Flow 逐条粘贴提示词，也不用打开剪辑软件手动校准十几条音轨。你只需审阅 Gemini 4 提交的阶段成果，给出修改意见即可。

二、全流程拆解：从初步创意到完整成片

2.1 从初步创意到完整剧本

制作 AI 视频时，跳过剧本直接写提示词生成画面，往往只能得到零散的空镜头。要将“用现代监控视角拍西游记女儿国留婚”这类初步想法转化为可拍摄的剧本，可遵循以下 5 条原则：

借鉴参考片的结构反差，不照搬台词老梗

遇到表现好的参考片，不要照搬台词和老梗，而是让 Gemini 4 拆解它的叙事结构。这类短片的喜剧效果，通常来自严肃的现代纪实画幅（如安防监控或执法记录仪）与古典人物关系的反差。保留这层反差结构，再填入原创剧情与包袱即可。

采用多机位片段式结构

当前视频模型难以在长镜头连续走位后精准衔接下一镜动作，最稳妥的做法是从剧本结构上直接规避。

例如设置 5 个固定监控机位，依次切换“迎宾大殿”、“后花园凉亭”、“偏殿耳房”、“夜间寝殿走廊”和“城门通关处”。每个镜头拥有独立机位与场景，各自完成一个喜剧包袱，镜头之间用切镜咔哒声衔接，无需强行匹配上一镜的肢体动作，生成成功率会明显提高。

单镜内部遵循“正经场面、动作穿帮、旁人点破”节奏

在 12 秒的单镜视频里，如果三个角色只是站着对话，画面会显得单调。喜剧镜头需要让角色嘴上说一套，手脚做相反的动作。

例如唐僧嘴上说“贫僧一心向佛，绝不留恋红尘”，左手单掌行礼，右手却死死按住桌上的通关文牒与婚书，指节用力发白。旁边的孙悟空凑近指着婚书调侃一句“师父，那你先把婚书松开呀”。用具体肢体动作戳穿台词，画面的戏剧张力会强得多。

剧本阶段提前规避视频模型短板

部分戏份写进剧本很容易，但视频模型生成时极易穿模，应在剧本阶段直接剔除：

• 不写多人打斗或肢体纠缠戏份：多人肢体交叠极易出现手脚穿模。
• 不写当面进食、倒水或吞咽动作：液体流动与吞咽细节容易失真。
• 单镜同框角色不超过 3 人：人数过多时模型难以区分说话人，容易把口型配到其他角色脸上。
• 同一时刻只允许 1 人开口说话：避免设计双人同时抢话的对白。

让 AI 切换审查视角给剧本挑刺

Gemini 4 写完初稿后，如果直接问它质量如何，它往往倾向于肯定自己的输出。此时应让它切换为喜剧导演兼技术总监视角，专门排查逻辑漏洞、包袱平淡或超出模型生成能力的动作设计。

编写剧本初稿的提示词如下，可直接复制发给 Gemini 4：

我想做一支 AI 视频，初步想法是：[填写你的想法，比如：用现代高清监控视角拍西游记女儿国留婚，共 5 个机位，总长约 60 秒]。
参考片亮点：[如有参考片，写明你想借鉴的节奏或反差感，要求学思路不抄袭剧情]。

请你先不要写分镜，先帮我打磨剧本大纲和分场剧情：
1. 故事结构：采用 5 个独立机位的片段式结构，每段 11-12 秒，段与段之间自然推进，最终在最后一镜完成大反转。
2. 戏剧反差：每一镜都要遵循“表面一本正经 → 手上小动作穿帮 → 旁人一句话点破”的喜剧节奏，用具体的肢体动作制造笑点，不要靠干聊。
3. 规避模型弱点：每镜画面不超过 3 人，同一时刻只有 1 人开口说话，不出现打斗缠抱、吃喝吞咽或复杂手指特写。
4. 台词要求：口语化、接地气、符合人物性格，每镜台词控制在 2-3 句（总字数 28-36 字以内），留出动作和反应时间。

请先输出 5 镜的剧情梗概、每镜核心包袱和台词初稿。

二次挑刺审查剧本的提示词：

现在请你忘掉刚才创作者的身份，扮演一个挑剔的喜剧导演兼 AI 视频技术总监，审视上面这份剧本：
1. 哪一镜的包袱太老套或者只靠嘴说、缺少可视化的动作反差？
2. 哪一句台词字数太多，放进 12 秒视频里会导致语速过快或结尾被截断？
3. 哪一镜的动作设计超出了当前视频模型的能力边界，容易出现穿模或乱动？
4. 角色每一镜的动机是否连贯？
请直接列出问题清单并给出修改后的剧本定稿。

2.2 分镜设计：固定机位、外貌描述与视觉节奏

剧本定稿后，下一步是拆解分镜表。分镜的核心任务有两项：一是确定机位构图，二是保证五段视频里的人物外貌一致。关于镜头方位与空间景别的描述词，可参考站内文章 《AI 设计词典（上篇）｜怎么描述画面》。

点击放大查看原图

优先使用固定机位代替复杂运镜

拍摄剧情喜剧或监控题材时，建议全程使用固定机位，例如天花板右上角 35 度斜俯拍广角镜头。若要求模型同时处理推拉摇移运镜与多人物微表情，画面边缘容易扭曲变形。固定高角度机位能让模型将算力集中在人物眼神、手部小动作与衣物褶皱上，成片稳定性更高。

用固定外貌词保证跨镜头人物一致

在不垫参考图、纯靠文生视频的条件下，要让第一镜和第五镜的唐僧保持同一长相，可以为每个角色编写一段 30 字左右的固定外貌与服装描述，在每一镜提示词中原样粘贴。

例如唐僧在所有镜头中统一写为：身披大红织金锦襕袈裟，内穿素白僧衣，头戴五佛宝冠，面容白净端庄但眼神慌乱的年轻唐僧。即使切换场景，只要这段描述一字不改，Omni 1.2 生成的人物辨识度就能保持统一。

穿插红外夜视黑白画面调节视觉节奏

如果五个镜头全是白天暖光宫殿，观众看到第三镜容易产生审美疲劳。我们将第四镜（夜间走廊偷塞御弟金印）设计为高对比度的黑白红外夜视监控画面，人物眼珠在红外补光下微泛反光，画面带轻微夜视噪点；第五镜城门送别再切回清晨明亮阳光。明暗交替能拉开全片的视觉层次。

生成分镜表的提示词如下：

剧本已经确认。现在请为这 5 个镜头编写详细的《分镜设计表》，用表格加分镜卡片的形式输出，每一镜必须包含：
1. 镜号与场景名称（含时间、地点、光照模式：白天常规彩色 / 夜间红外黑白）。
2. 机位与构图（固定高角度斜俯拍监控广角，明确画面左、中、右分别站着谁，前景和背景有什么核心道具）。
3. 角色外貌锁死词（为每个出场角色编写固定的服装、头饰和长相特征词，跨镜头保持完全一致）。
4. 动作时间轴：按 [00:00-00:04]、[00:04-00:08]、[00:08-00:12] 三段，写清每个角色的具体肢体动作（手放在哪、眼神看哪、身体往哪偏）。
5. 精确台词与开口顺序（标明谁先说、谁后说、说话时的微表情）。

2.3 编写视频提示词：按时间轴限定动作与台词

分镜表供创作者审阅，视频提示词则直接提交给 Omni 1.2。下表汇总了实测 Omni 1.2 时的常见异常原因与提示词解法：

结合上述约束，单镜视频提示词可归纳为以下固定结构：

以下是《西梁国留婚》第一镜实测使用的完整提示词：

固定高角度监控广角俯拍镜头，真实古装影视质感，86版西游记美术风格，光线明亮清晰。
场景为西梁女国金銮宝殿内部，红柱金砖，中央摆放一张雕花长案，案上放着明黄色的通关文牒与大红婚书。
画面左侧站着女王（头戴九凤朝阳金冠，身穿大红绣金凤袍，容貌端庄华贵）。画面中央坐着唐僧（头戴五佛宝冠，身披大红织金锦襕袈裟，内着白僧衣，面容白净）。画面右侧站着孙悟空（金冠金甲，毛脸雷公嘴，手持金箍棒）。

[00:00-00:04] 女王面带温柔笑意，双手捧起案上的大红婚书推向唐僧，仅女王一人开口用清晰标准普通话温柔说道：“御弟哥哥，留下成亲，这江山都是你的。”唐僧与孙悟空紧闭双唇不说话。
[00:04-00:08] 唐僧立刻脸色微红，左手竖在胸前单掌行礼，但右手却死死按住桌上的大红婚书往自己怀里拽，指节用力，仅唐僧一人开口用清晰标准普通话急促说道：“陛下使不得！贫僧刚才没说清楚！”女王与孙悟空闭嘴观看。
[00:08-00:12] 孙悟空往前凑近一步，低头盯着唐僧按住婚书的右手，伸手指着婚书，仅孙悟空一人开口用清脆标准普通话调侃道：“师父，那你手先松开呀！”说完后最后1.5秒三人保持动作定格与眼神交锋，不再开口说话。

环境音为安静的宫殿室内自然混响与衣料摩擦声，无背景音乐，画面纯净无任何文字，无字幕无水印，无监控UI边框。

让 Gemini 4 批量生成全部镜头视频提示词的模板：

请根据确认好的分镜表，为全部 5 个镜头编写可直接提交给 Omni 1.2 的中文视频提示词。
严格遵守以下 5 条铁律：
1. 结构按【画风与机位】【场景与人物位置外貌】【00:00-00:04】【00:04-00:08】【00:08-00:12】【声音与画面纯净度要求】分段。
2. 每个时间段内只允许 1 个角色开口说话，必须写明“仅X一人开口用清晰标准普通话说道：‘……’，其余人紧闭双唇不说话”。
3. 台词里的易错多音字直接替换成同音单音字（例如“为师”写为“维师”），单句不搞复杂长从句。
4. [00:08-00:12] 段落必须在第 10.5 秒前说完台词，最后 1.5 秒写明角色保持表情与动作反应，不再说话，防止尾音被切。
5. 结尾统一写明：无背景音乐，画面纯净无任何文字，无字幕无水印，无UI界面。

2.4 浏览器自动化生成：让 Gemini 4 接管 Google Flow

提示词就绪后，无需守在电脑前手动打开 Google Flow 逐条粘贴、等待渲染并点击下载。你可以为 Chrome 浏览器开启远程调试端口（如 9222 端口），让 Gemini 4 通过 Chrome DevTools 协议自动接管网页操作。

启动 Chrome 时加上远程调试参数并登录 Google Flow，随后将下方提示词发给 Gemini 4，它就会按顺序提交任务、下载原片并抽帧初检：

我的 Chrome 已经开启了远程调试端口，里面打开了 Google Flow 页面。
请你直接接管浏览器，帮我把这 5 个镜头的视频全部生成并下载回本地项目目录：
1. 先检查生成配置：确认模式设为 Video，单次生成数量设为 x1，模型选择 Omni 1.2（或当前可用的高质量视频模型），画幅设为 16:9 横屏。
2. 按顺序提交第 1 到第 5 镜的提示词，等待生成完成。
3. 每生成完一条，自动获取高清原片直链下载到本地，按 raw_scene_01.mp4 到 raw_scene_05.mp4 命名保存。如果需要重拍某一条，新文件按 _v2、_v3 递增命名，绝对不要覆盖旧文件。
4. 下载完成后，自动用 ffmpeg 对每段视频每秒抽 1 帧图片，并检查画面是否符合分镜要求、头尾有没有废帧。

这一环节有三条实操建议：

• 保留全部历史文件：有时重拍第 2 版后，会发现第 1 版前半段表情更自然、第 2 版后半段动作更稳，保留历史素材便于拼接优选。
• 局部瑕疵优先用代码裁剪：若只是开头半秒人物未站稳，或结尾半秒嘴型多动了一下，直接让 Gemini 4 用脚本裁掉对应帧即可，无需重新生成整段视频。
• 首尾留白不足用 tpad 补齐：若模型在第 0.1 秒就开口说话，切镜会显得仓促。让 Gemini 4 调用 ffmpeg 的 tpad 滤镜，将首帧向前克隆静止 0.35 秒，末帧向后克隆静止 0.45 秒，留出自然的镜头停顿。

2.5 多角色配音重制：VoxCPM2 与 Whisper 本地流水线

使用视频模型直出中文台词时，常会遇到三类音频缺陷：

1. 咬字含糊或带有异常口音：部分字词发音发飘，清晰度不足。
2. 多音字与专有名词误读：例如把“监控”读成“中宫”，把“为师”读成“喂师”。
3. 句尾音频提前截断：最后一个字刚发出一半声音即中断。

在监控俯拍、远景或中景镜头中，人物面部占画面比例较小。最稳妥的方案是保留原视频的动作与环境底噪，用本地语音模型重新生成全部角色台词。这种将语音生成与画面表现分离的做法，在数字人口播场景中同样适用，详见 《99% 的人没看出来的数字人口播实战攻略》。

我们在本地部署了 VoiceStudio 与 VoxCPM2（48kHz MLX 量化版），配合 DeepFilterNet3 降噪与 mlx-whisper 词级时间戳定位，搭建了自动化的多角色配音流水线。

点击放大查看原图

要让合成语音自然贴合画面，需处理好以下五个细节：

用自然语言设定角色音色基底与情绪

VoxCPM2 支持直接通过自然语言控制音色，无需参考音频克隆，还能随剧情分镜切换语气。以下是《西梁国留婚》四个角色的音色设定表：

在台词末尾添加省略号防止吞尾音

语音生成模型遇到句号时常会提前收气，导致“清楚”的“楚”、“松开呀”的“呀”等句尾轻声字变弱甚至被截断。在送入模型的文本末尾加上 ……（例如 "贫僧刚才没说清楚……"），模型读完最后一个字后会自然留出 0.25 秒的气息衰减，保持尾音完整。

用 Whisper 双重质检并保护塞擦音

每生成一条配音，Gemini 4 都会自动调用 mlx-whisper 听写校验：

• 核查字词准确率：检查是否存在漏字、多字或多音字误读，发现异常立即换随机种子重新生成。
• 核查首尾时间边界（保护塞擦音闭塞段）：中文里的 c / ch / q / x / s / sh（如“清楚”的“楚”）发音前存在约 50 毫秒的无声闭塞段。若按常规静音阈值直接裁剪，容易把最后一个字切掉。脚本需以 Whisper 识别出的末字结束时间为基准，向后保留 0.26 秒余音淡出。

叠加室内早期反射混响与环境底噪

语音模型直出的干音带有明显的近讲录音棚质感，直接合成到大殿监控画面里会像画外音。合成音轨时，可让 Gemini 4 调用 ffmpeg 添加轻微的室内早期反射混响（aecho=0.85:0.82:22|48:0.14|0.07），并在底层铺入压低音量的原片环境底噪，使人声融入空间环境。

毫秒级唇形同步与语速微调

配音贴回画面后若出现口型脱节，通常有两个原因：一是生成音频在分句间留下了超过 1 秒的静音停顿，拉长了整句时长；二是前句超时，挤占了后续角色的开口时间窗。

处理时先用 Whisper 提取原视频角色张嘴与闭嘴的时间节点，再用脚本将分句间大于 0.25 秒的空白压缩为 0.14 秒的自然换气停顿。若总时长仍偏长，可调用 ffmpeg 的 atempo 滤镜做 1.05～1.15 倍无损变速，在不改变音调的前提下让台词起止贴合人物唇动。

让 Gemini 4 自动执行全片重配音与时间轴同步的提示词：

原视频的画面已经就绪，但模型直出的中文配音有咬字不清和尾音截断问题。
请调用我本机的 VoxCPM2（或 VoiceStudio）+ DeepFilterNet3 + Whisper，编写脚本为全部 5 镜生成多角色配音并替换合成：
1. 角色音色设计：为每个角色设定固定的年龄、声线基底，并根据每句台词的剧情处境写入具体的情绪语气描述。
2. 多音字与防吞尾处理：把容易读错的多音字替换为同音单音字（如“为师”改为“维师”），每句送入模型的文本末尾加上“……”延长尾音呼吸，并在音频末尾拼接 0.45 秒静音缓冲。
3. Whisper 自动质检与防误切：每条语音生成后用 Whisper 识别校验字准，裁剪尾部静音时必须以 Whisper 最后一个词的结束时间为基准向后保留 0.26 秒自然衰减，严禁在塞擦音（如“清楚”的“楚”）前的闭塞段提前切断。
4. 时间轴对齐与空间混响：对照原视频角色开口的时间窗口，将配音精准落位（语速偏差超过 8% 时微调语速或延长镜头首尾静止帧），加入轻微的室内早期反射混响与监控频段滤波，与低音量环境底噪混合输出。

2.6 代码后期包装：绘制监控界面、补齐留白与合成母带

制作监控风格或特效包装时，如果直接在视频提示词里要求 AI 生成文字和边框，往往会出现字符扭曲和边框跳动。凡涉及文字字幕、监控边框与动态时间码的元素，统一交给 Gemini 4 编写 Python（PIL 图像库）与 ffmpeg 脚本逐帧绘制，可保证 100% 清晰稳定。

点击放大查看原图

以《西梁国留婚 · 监控实录》为例，Gemini 4 用不到 200 行 Python 代码完成了以下全部后期包装：

• 监控四角边框与暗角：画面四周绘制半透明白色直角取景框，叠加轻微镜头暗角与扫描线。
• 左上角机位名与右上角动态时间码：左上角绘制闪烁红点 ● REC | 西梁女国·金銮殿 [CAM-01]，右上角按帧跳动日期与时间码。
• 画面内的人物状态识别框：在角色身上绘制半透明跟踪框，例如在唐僧头顶标注 [目标：御弟哥哥 | 心率：148 bpm | 状态：嘴硬手诚实]，强化监控喜剧反差。
• 底部高对比度字幕：绘制深色半透明衬底条与带角色名的中文字幕，严格按 Whisper 提取的每句台词起止时间显示。
• 切镜静电咔哒声：在相邻监控镜头切换的 0.15 秒处合成静电咔哒音效，将 5 段独立视频衔接为完整成片。

让 Gemini 4 编写后期包装与母带合成脚本的提示词：

请用 Python（PIL / numpy）配合 ffmpeg 为这 5 段视频编写全自动后期包装与母带合成脚本：
1. 镜头首尾呼吸留白：检查每段视频第一句台词的开口时间与最后一句台词的结束时间，使用 tpad 滤镜克隆首尾帧，确保每镜开头至少有 0.35 秒环境铺垫、结尾至少有 0.45 秒表情定格余韵。
2. 逐帧绘制高清 UI 图层（1920x1080）：
   - 左上角绘制闪烁红点 REC 与当前机位名称、画面模式（常规彩色 / 红外夜视）。
   - 右上角绘制按帧递增的实时监控时间戳与帧率标识。
   - 四角绘制监控取景直角线与轻微扫描线质感。
   - 画面底部绘制圆角半透明深色字幕条，严格按照每句配音的真实起止时间显示“角色名：台词内容”，无台词时段不显示空字幕条。
3. 切镜转场与成片拼接：在每两镜交界处加入 0.12 秒的监控切镜静电咔哒声，将 5 段单镜母带（master_cut_01.mp4 - 05.mp4）无损拼接为最终成片 final_master.mp4。
4. 完成后在成片的关键台词切点和转场处抽帧，检查字幕是否对齐、画面有无黑帧。

2.7 成片抽帧复核与经验归档

成片合成后先不要急于发布。制作过程中反复观看分镜容易产生视觉盲区，忽略局部穿帮或字幕时间偏移。此时可让 Gemini 4 切换为初次看片的观众视角，对最终成片执行全片抽帧与音画波形检查。

成片抽帧复核的提示词：

这是刚合成出来的最终成片：[成片路径]。请你当作第一次看到这支视频，对它做一次全面体检：
1. 从头到尾按每秒 2 帧抽图，并在每次切镜前后各取 3 帧，同时读取音频波形与字幕时间轴。
2. 逐镜核查：
   - 画面：有没有废帧、黑帧、人物脸部崩坏、多余的手指或画面边缘畸变？
   - 声音：有没有哪句台词结尾被切半截、音量忽大忽小、或者两句台词之间撞车重叠？
   - 字幕与UI：字幕出现的时间和人声开口时间是否严丝合缝？文字有没有错别字或压住人物关键动作？
3. 把发现的问题分为“必须修的硬伤”和“可优化的细节”，修完后再把这次做片子踩过的坑整理成一份经验文档存进项目目录。

三、“导演 + 质检”双角色协同工作流

单开一个长对话连续制作视频时，随着上下文拉长，模型容易遗忘最初约定的规则（例如画面禁出文字或特定角色的服装颜色）。关于多智能体职责隔离的架构设计，也可对照阅读 《卡兹克：折腾了整整 1 年的 Agent 自动化系统》。

使用 Gemini 4 制作短片时，建议采用“主创制作 + 独立质检”的分工模式。在定剧本、审提示词与查验音画成片等节点，让模型按以下四项职责分别执行：

你可以将下方总控指令发给 Gemini 4，由它按这套规范统筹整支短片的交付：

这支视频我们按“主创制作 + 独立质检”的流程来跑，请你统筹完成，直到最终成片交付：

1. 需求清单常驻：先把我交代过的所有创作要求整理成一份《项目铁律清单》存在项目目录下，每推进一个阶段都对照核查一遍，防止遗忘。
2. 提交生成前必审：写好分镜和视频提示词后，先按审核标准自查一遍（人物外貌词是否统一、同一时间是否只有一人说话、结尾是否留出 1.5 秒定格、是否写明无字幕无UI），确认无误再去浏览器提交生成。
3. 声音字字过关：每一句后期配音生成后，必须跑一遍 Whisper 识别与尾音能量检测，确保没有错字、漏字和尾音截断，达标后才能进入合成。
4. 留存全部资产：生成的所有视频片段、配音干音、分镜稿和后期脚本全部按版本号归档保存在项目文件夹里，方便随时回退或微调。

AI 视频模型迭代很快，但叙事反差设计、固定机位分镜控制，以及用本地语音模型和 Python 脚本补齐生成短板的工程方法始终通用。你可以直接复制上方的提示词模板，或通过下方工作台生成定制参数开始测试。

四、交互工作台：AI 剧组开机参数生成与 ffmpeg 参数速查

我想做一支 AI 视频，初步想法是：[用现代高清安防监控视角拍 86 版西游记《西梁国留婚》，共 5 个固定机位，单镜 12 秒，总长约 60 秒]。
参考片亮点：[极其现代严肃的安防监控画面（带红外夜视切镜与心率识别框），装进古典端庄却嘴硬手诚实的人物关系，要求学反差思路不抄袭老梗]。

请你先不要写分镜，先帮我打磨剧本大纲和分场剧情：
1. 故事结构：采用 5 个独立固定机位的片段式结构（建议穿插 1 镜夜间红外黑白画面拉开视觉节奏），每段 12 秒，最终在最后一镜完成大反转。
2. 戏剧反差：每一镜都要遵循“表面一本正经 → 手上小动作穿帮 → 旁人一句话点破”的喜剧节奏，用具体的肢体动作制造笑点，不要靠干聊。
3. 规避模型弱点：每镜画面不超过 3 人，同一时刻只有 1 人开口说话，不出现多人打斗缠抱、吃喝吞咽或复杂手指特写。
4. 台词与防腰斩要求：口语化、接地气，每镜台词控制在 2-3 句（总字数 28-36 字以内），必须在第 10.5 秒前说完，最后 1.5 秒保持表情定格与眼神交锋，画面纯净无任何文字与 UI 边框。

请先输出 5 镜的剧情梗概、30 字角色固定外貌锁死词、每镜核心包袱和台词初稿。