那次连续做口播短片，我原本以为最费时间的会是写提示词。真正开始以后，才发现提示词只是中间的一段文字：前面要先决定演员和素材，后面还要面对生成顺序、字幕和交付。只要前面有一处判断没有留下来，后面就可能用积分去替一个本来可以提前发现的问题买单。
当时的场景很具体。我要做一集生活化的竖屏 Vlog，让人物在周日傍晚的自助洗衣店等衣服，顺手偷偷买一包薯片。画面里还有一本书，但它只是道具，不负责解释书的内容。第 1 集正在生成时，又准备了另一集深圳场景。两集不能一起往网页里提交，只能等前一集完成，再按顺序继续。
这件事让我重新意识到，AI 视频生产的难点不只是“能不能生成”，而是能不能把一次性的灵感拆成一串可检查的决定。真正可复用的不是某一条提示词，而是提示词进入付费生成前的判断链。
先锁定演员，再谈画面
演员选择看起来像创作环节，实际上首先是一个记录问题。连续制作时，不能凭印象挑一张顺眼的参考图，因为同一个人物可能已经在别的片子里使用过，或者正在被另一项任务占用。那次我先查使用记录，再从未使用的现代风年轻女演员里挑选，最后拿到对应的参考图和书籍封面素材。
这样做的好处不是“角色更丰富”这么简单，而是避免身份冲突。若不处理，生成到一半才发现角色重复，返工就不只意味着重写提示词，还可能意味着重新提交、重新等待，甚至再次消耗用量。对于连续生产来说，演员记录就是最早的一道质量门。
我也把素材边界先说清楚：书封面使用完整的 3D 书图，书只当道具，可以拿着、挡脸、放在桌上或递给别人，但台词不去讲书里有什么。这个限制很重要。若把道具误写成内容中心，模型会努力解释书，而不是表现生活里的那点小动作，短片就会从悄悄话 Vlog 变成生硬的产品介绍。
当时还特别固定了助理的拍法。助理是女性，只从越肩或侧后方入镜，露肩膀、后脑勺和举相机的手，不露正脸；人物说悄悄话时看向助理，不直视镜头。人物最近只拍到胸部以上，不做贴脸大特写。身份锁定不是为了让角色看起来“像”，而是为了让后面的动作、视线和镜头都围绕同一个人展开。
先过内容门，再做零成本预检
演员和素材确定后，我才写生活化提示词。这里最容易误判的是，把提示词门禁当成形式检查，以为字数够长、场景写得足够多就算完成。其实门禁要确认的是：场景是否符合拍法，人物是否有明确动作，书籍的物理状态是否稳定，旁白和台词是否分得开，竖屏比例、时长和镜头距离是否一致。
那次提示词先通过了质量门，随后又做了一次不消耗用量的价格预检。预检返回的单条成本在授权上限内，才进入后面的提交。这个顺序看起来保守，却比“先点生成，结果出来再判断”便宜得多。能在免费阶段发现的问题，就不应该留到付费阶段解决。
如果不处理，后果往往不是单个错误，而是一连串错误叠加：演员不符合预期，价格超出边界，台词不够口语，或者画面结构已经无法补救。等结果返回再看，时间和用量都已经花出去，能做的通常只剩下返工。
我没有直接提交，是因为预检同时把几个隐含条件放到了台面上：参考素材是否齐全，模型、比例、分辨率、时长和数量是否匹配，提示词是否会触发额外限制。它把“我觉得可以”变成“这些条件都已读回”。这就是零成本预检的价值，它不是预测成片质量，而是先拦住明显不值得付费的提交。
身份锁定以后，还要检查长度
预检通过并不等于提示词已经可以原样送出。身份锁定之后，系统会把演员和素材编译进最终提交内容，文字长度可能发生变化。因此我又检查了锁定后的提示词长度，确认它仍在上限内。
这里有一个很容易被忽略的边界：前一版文本合规，不代表组合参考图、角色约束和动作说明之后仍然合规。若不处理，真正提交时可能被截断、拒绝，或者丢掉最靠后的关键动作。短片尤其怕这种问题，因为末尾往往放着收束动作、旁白状态或道具离场，少一段就可能让镜头失去结尾。
我把这一环节理解成“身份编译后的复核”，而不是再写一遍提示词。演员、书封面、镜头规则和台词已经确定，复核的任务是确认它们组合后没有越界。台词仍然保持生活化，带语气词、重复或半句话，不把口播写成说明书；旁白时人物闭唇，也不把悄悄话误写成正面对镜头讲话。
表面上我是在检查字符数，其实我是在保护已经做好的取舍。内容越接近提交，越不能只看创意是否动人，还要看它能不能完整地被平台接收。身份锁定后的检查，是把创作者的意图翻译成平台真正能执行的版本。
付费提交必须串行
第 1 集生成期间，我开始准备第 2 集。这时最容易走的错误捷径，是看到网页允许操作，就把多个任务同时点下去，想着并行等待可以更快。事实是，同一个网页同一时间只适合串行提交一个生成任务。第 2 集的提示词虽然已经过门禁，但我仍然等第 1 集完成、确认结果返回后，才为第 2 集做预检并提交。
我选择串行，是因为这里的主要风险不是等待，而是状态混乱。并发提交会让人难以判断哪个任务扣了用量、哪个参考图对应哪个结果、哪个失败是否已经发生。若不处理，后面一旦出现超时或页面状态变化，很容易重复点击，把一次不确定性变成两次实际消耗。
这也是为什么我把“提示词合格”和“现在可以提交”分开。前者是内容状态，后者是网页和任务状态。第 2 集可以提前准备，但不能提前越过提交顺序。生产速度不等于同时按下更多按钮，而是让每一次付费动作都能被准确归因。
同样的规则也适用于失败处理。生成时间变长，不代表任务一定失败；页面短暂没有结果，也不代表可以立即重试。应先确认任务是否已经提交、是否已经扣用量、结果是否只是尚未回显。串行的意义，就是给每个任务留下清楚的状态边界。
成片不是生成结束，而是交付前修整
第 1 集生成回来后，工作还没有结束。开头出现了 3 帧 AI 封面，而且第 2 帧到第 3 帧发生突变。若直接把视频交给观众，最先看到的不是人物在洗衣店里的生活动作，而是一段不稳定的开场。我截取第 1 秒的稳定画面，覆盖那几帧，并把它嵌入封面。
这一步提醒我，生成结果和可交付结果不是同一个东西。模型可能完成了主体动作，却在开头、字幕或封面上留下需要人工修整的瑕疵。字幕也要逐句对齐，不能因为自动识别方便，就默认每个字都正确。那次字幕切出了 11 句，其中有一句把“响就响呗”识别成了“想就想呗”，语气和意思都变了，必须改回原话。
收尾时还要清理中间文件。参考素材、预检记录、草稿字幕和临时输出对生产有用，却不应该全部混在交付目录里。只保留最终成片和封面，接收者才知道哪个文件可以直接使用。如果不处理，后续下载或转交时可能拿错版本，也会把本来不需要暴露的制作痕迹一起带出去。
我更愿意把成片收尾看成一次交付语义检查：封面是否稳定，字幕是否表达了原话，目录里是否只有最终版本。它不是为了把结果修饰得更漂亮，而是为了让文件离开生产现场以后仍然不需要作者在旁边解释。
下次我会怎么做
下次遇到类似的口播短片，我会把流程固定成 6 个连续阶段：先查使用记录并锁定演员与参考素材，再写提示词并过内容门禁；接着做零成本价格预检，锁定身份后复查长度；确认网页当前没有未完成的付费任务，再串行提交；生成回来后，最后处理封面帧、字幕误识别和中间文件。
每个阶段只留下下一步真正需要的东西。演员阶段留下参考图和使用状态，内容阶段留下可审的提示词，预检阶段留下价格与参数结果，身份阶段留下最终文本，提交阶段留下任务状态，收尾阶段只留下最终成片和封面。这样做的目的不是让流程看起来复杂，而是让每一次判断都有证据可回看。
这件事让我重新意识到，所谓产线，不是把创作变成机械操作，而是把容易遗忘的判断放到付费之前。一个流程成熟的标志，不是它能顺利生成一次，而是下一次仍能少依赖临场记忆。 当演员、用量、并发、台词和交付都各有边界，提示词才不再是一段孤立的文字，而会变成可以重复使用的生产入口。
我最后会保留一个简单原则：先锁定，再检查；先预检，再提交；先修整，再交付。它不保证每次都生成完美画面，却能把最昂贵、最难返工的错误尽量提前发现。对连续制作来说，这已经是比“多试几次”更可靠的进步。