一条 5 分 23 秒的《少年闰土》，1280×720、32 段画面、单人中文旁白、50 句底部字幕，生成 34 次，token 估算约 119 万，约 0.02 美元，不到 0.25 元。画面生成约 1 小时，从样片到修正版成片 1 小时 47 分。
做法不是“一键生成”，是拆成 32 段、逐段验收、后期合成。当前 AI 视频模型一次只能生成约 10 秒片段，每条消息最多成功生成 6 段，所以长视频只有一条流水线：定文本 → 拆分镜 → 分批生成 → 逐段抽帧验收 → 旁白 + 字幕后期合成 → 组装 + 验音验画交付。
两个前提先接受。第一，画面和声音是分开做的，生成器只管画面，旁白、字幕、音乐全部后期合成，所以画面里的人物全程不说话、只做动作，永远不会出现口型对不上的问题。第二，一致性不靠运气，靠重复加验收——角色、风格、画幅要在每段提示词里原样重复，生成完每段都要抽帧检查，跑偏立刻重生成。模型的漂移不是在第 32 段突然发生的，而是在第 3 段、第 8 段就开始了。
动手前备齐 6 样东西：有权使用的文本、定死的目标时长与画幅、一句话视觉风格、角色锁定描述、开工前让模型复述要求的确认习惯、按 batch1 到 batch6 分目录、文件名用 A1.mp4 这类编号的文件夹结构。文本先定稿存档再拆分镜，顺序不能反：旁白一改，字幕时间轴、分镜顺序全要重算。文本按自然段切成 17 段，正文 1075 字一字不改，段落长度控制在 12–25 秒。
32 段只用一个提示词公式：全局风格前缀 + 角色锁定 + 本段场景 + 本段动作 + 镜头 + 声音规则 + 画幅与时长。其中风格前缀、角色锁定、声音规则、画幅时长四项必须原样重复，场景、动作、镜头三项每段变化。
角色锁定是全篇最重要的一课。闰土和“我”同龄、同场景出现，描述稍有重叠，模型就会把两个人画成一个人。闰土：约 11 岁，圆脸，戴小瓜皮帽，穿深色长衫，脖子戴银项圈，手持大钢叉。“我”：同龄，清秀脸庞，短黑发，穿素色暗绿长衫，不戴帽子、不戴项圈。否定词必须写出来——只写“我穿绿衫”不够，必须写“不戴帽子、不戴项圈”，模型才会把区分特征执行到位。B2、B3 两段就是因为漏了否定词，“我”被画成戴银项圈，只能重生成。
每段只写一个主要动作，加一个次要微动作；写三个以上动作，模型会挑它喜欢的那个。镜头要写景别加机位运动，“镜头静止”也要写上。声音规则和画幅时长每段都要重复：画面人物不说话、不张嘴做口型；横屏 16:9，10 秒——不写清楚，模型可能出竖屏，竖屏进了组装等于白做。
冷门道具和危险动作有两条硬规矩。模型不认识的名词，拆成形状 + 材质 + 结构 + 动作：“竹匾捕鸟”不能只写“竹匾”两个字，要写成雪地上支着扁平圆形竹编浅盘、短棍斜支盘边、绳子系在短棍上、盘下撒谷粒、少年蹲在远处拉绳等待。触发安全限制的动作词不要换同义词硬闯，改叙事方式：从“演出来”改成“讲出来”，画面给环境和表情，动作本身不出现——“刺向、刺中”这类词一律不写。
生成分 6 批，每条消息最多 6 段：先做 A1–A3 共 3 段样片，确认风格、角色、画幅无误再继续；之后每批 6 段、最后一批 5 段。每批结束先验收再开下一批，文件按批次分文件夹存，段名即编号，组装时按编号排序绝不会乱序。不要让模型“顺手优化”提示词，每一段必须是确认过的原文。返工单独记表：哪段重生成、为什么、改了哪个词。
逐段抽帧验收是质量的唯一防线：让模型从每段抽开头、中间、结尾附近 3 帧，对照分镜表逐项打勾——人物对不对、风格对不对、动作场景对不对、构图有没有裁掉钢叉竹匾项圈这类关键道具、有没有多出人物、画面有没有文字水印伪字幕。判断标准只有一条：影响“这是谁、在干什么”的必须重生成，只影响“好不好看”的可以接受并记录，否则会陷入无限返工。
旁白三条铁律：全片只用一个声音；按自然段合成，不要按句子合成；语速先试整段再定，全片锁死。本项目按 17 个自然段各合成一段再拼起来，语速 80。时间账是加法：片头留白 2.5 秒 + 17 段旁白 308.47 秒 + 段间停顿 0.75 秒 × 16 = 322.97 秒，补齐静音垫到 323 秒，正好等于画面总时长。旁白比画面长，先降语速，再缩短段间停顿；比画面短，先加长片头留白，再加长段间停顿——永远不要为了凑时长改原文。
字幕分两级：段落起止时间等于旁白实测时间，精确锚定；段内每句按字数比例分配时间，最后一句顶到段落结束。样式直接照抄：1280×720、思源黑体 32 号、白字黑描边、底部居中距底边 36 像素、每行最多 24 字、标点不单独落行。烧录前逐句校对错字漏字，片头 0–6 秒居中大标题、片尾 320–323 秒定格署名单独查，确保不和最后一条字幕重叠。
组装最容易翻车。五步顺序不能乱：32 段按 A1 到 H4 拼成 320 秒画面轨；取最后一帧做 3 秒定格加片尾标题，得到 323 秒；片头 0–6 秒叠加居中大标题；把字幕烧进画面；把旁白音轨明确指定为成片的唯一音轨。第一版成片的教训：文件里确实有一条音轨，但用户听不到中文旁白——实测成片在 5 秒、30 秒、100 秒、200 秒、300 秒的平均音量只有 −37 到 −43 分贝，旁白源文件是 −21 到 −24 分贝，差了 15 分贝，手机上基本听不见。原因是组装时没有明确指定用哪条音轨，工具默认用了画面文件自带的极微弱环境音轨。解决办法只有一句话：组装命令里写明“画面用画面文件，声音用旁白文件”，并在交付前在 30 秒和 200 秒处测平均音量、与旁白源对比，两个数值一致才算交付。
交付前 12 项验货清单，缺一不可：音轨在两个时间点验音、画面抽帧查片头片中片尾、时长 323.00 秒与 1280×720、H.264 + AAC、文件约 71 MB、字幕逐句校对、段落锚点随机抽 3 段核对、片头片尾齐全、32 段按 A1 到 H4 无错序缺段重复、首尾闭环（H3 与 A1 同机位）、随片附改动清单、成品文件带版本号与日期。记住：让模型逐项出示证据，不要只听一句“做好了”——第一版成片就是“做好了”交上来的，音轨也在，只是听不见人声。
成本账：生成 34 次（32 段正片 + 2 次返工），token 估算 68 万到 170 万，中值约 119 万，金额约 0.006 到 0.034 美元，中值约 0.02 美元。便宜不是因为模型便宜，而是整条链路没有真人成本——没有剧组、没有场地、没有档期、没有录音棚。换题材只需要改四样：全局风格前缀、角色锁定卡、分组结构、旁白音色与语速；流程、验收清单和音轨映射这个坑，不会变。批量化的三个杠杆是模板化提示词、固定文件夹与命名、固定验收清单——可复用的不是模型，是流程。