我把自己变成了韩剧男主角，并在风之丘拍了一场戏：完整的 AI 流程
我想看看，一场完全由 AI 生成的韩剧场景，能被推到什么程度、从头到尾：我自己担任男主角，一位虚构的女主角，在韩国的一处真实地点实景拍摄，一段完整的多镜头序列，还带一个反转结局。没有摄像机，没有演员，没有踩点，只用 Nano Banana Pro 做静态图，用 Seedance 2.0 做视频。
我特别想测试三件事：
- 亲手体验多镜头场景生成。一条提示词，真的能导演出一段包含多个机位和剪辑结构的完整小场景，而不只是一个连续的片段吗？
- 单次生成内的角色一致性。同样的两个人，在一次生成的五个不同机位里，还能被一眼认出是他们吗？
- 单次生成内的场景/地点一致性。真实世界的地点（风车、木栈道、海）能在剪辑切换之间保持几何上的一致，而不是飘移吗？
下面是整个过程，包括所有不完美的地方。
第 1 步：创建角色
第一站是角色设定图，这是下游一切工作所依赖的参考素材。
对于男主角，我用自己的照片作为身份参考，让 Nano Banana Pro 生成一张 5 格的角色设定图：正面、四分之三侧面、全身、行走姿态，以及一个特写表情。这里最重要的技巧，是明确锁定服装。我第一次尝试时，让模型在两套服装方案之间自行选择，结果它高高兴兴地在每一格里给了我不同的外套。点明具体的衣物（炭灰色羊毛风衣、奶油色高领毛衣、驼色长裤），并把“每一格都完全一样”这条指令重复两次，才解决了这个问题。
对于女主角，由于没有参考照片，我必须在一开始就把面部特征（脸型、眼睛大小、发质）描述得明确得多，才能让她在同样的 5 格版式里保持可辨认，并且让她的服装语言与他匹配（同一色板：炭灰、奶油、驼色），这样两个人合成在一起之后，在视觉上才像是属于同一部剧。
第 2 步：选择地点
关于场景，我选了巨济岛的风之丘（바람의 언덕），这是一处真实、著名的韩剧取景地，长满青草的悬崖上有一座标志性的木质风车，俯瞰着大海。我没有从零开始生成场景，而是在网上找了一张这个地点现成的照片，直接用作我的基础底图。不需要地点参考设定图，因为这张真实照片已经包含了我想围绕它搭建场景的确切角度、木栈道和构图。
第 3 步：把这对情侣合成进场景
有了角色设定图和一张干净的地点底图，接下来是合成：把两个角色放进这张真实照片里，放在我用红色 X 在木栈道上标出的特定位置，两人面对面，重新打光成日落（原照片是正午拍的），并且去掉背景里真实的游客。
第 4 步：为多镜头序列写剧本
目标 #1 就是在这里真正接受测试的。我在社交媒体上看到不少人在做这种单次生成、多镜头的 AI 视频序列，我想亲自试一试，而不是退回到更显而易见的路线：生成五个独立的片段，再到剪辑软件里拼起来。事实证明，Seedance 2.0 支持把整个多镜头序列写成一条带时间戳的提示词，在一次连续的生成里，机位之间有真正的硬切。
有效的格式，是把它组织得像一份真正的拍摄脚本：
[Action Sequence]
SHOT 1 (0:00–0:04) ...
SHOT 2 (0:04–0:07) ...
SHOT 3 (0:07–0:10) ...
SHOT 4 (0:10–0:13) ...
SHOT 5 (0:13–0:15) ...
[Production Brief]
References: @Image 1 = location, @Image 2 = male character, @Image 3 = female character...
Continuity: [what stays fixed across every shot]
Forbidden: [everything that kept going wrong, listed explicitly]
故事节拍是：情侣站在风车前的全景建立镜头，用慢动作过肩镜头营造浪漫的张力，然后一个生硬的气氛转折，男生没有说浪漫的话，反而用一句傻乎乎的“거제 야호!”破坏了气氛，接着女生用手指按住他的嘴唇让他闭嘴，同时叫他别吵了。
第 5 步：调试循环
大部分真正的学习都发生在这里，说实话，目标 #2 和 #3 也在这里受到了最严苛的压力测试。大致按我遇到的顺序：
- 风车跑到了他身后，而本来不该这样。这个镜头本该是面对男主角，他身后没有风车，但在其中一次迭代里，他的朝向稍微偏移了，因为机位绑定在他的视角上，机位随之偏移，结果风车就正好出现在他的身后。值得一提的是，场景环境本身（风车、地点）在整个过程中保持得相当一致。这更多是角色朝向改变带来的连锁反应，而不是环境自己在飘移。
- 用最痛的方式学到的 180 度轴线规则。我的过肩镜头一开始在序列中途换了机位所在的肩膀，这是任何电影剪辑师都会立刻发现的连续性错误。我不得不为每个镜头明确固定一个机位侧，并声明两个镜头都保持在两个角色之间那条轴线的同一侧。
- 不可能的物理。太阳出现在了对话的两个反打镜头里，而当两个人面对面、其中一个镜头朝向太阳时，这是不可能发生的。我不得不明确声明，太阳绝对不能出现在反打角度里，并描述那个角色是被环境反射光照亮的。
- 内容审核。我最初的反转是她打他一巴掌。这被标记为违反社区准则，很可能是因为打脸被判定为描绘暴力。我改成了她用手指按住他的嘴唇让他闭嘴，这既保留了喜剧节拍，又显得俏皮而不是有攻击性。
- 始终没有完全到位的手势。这是最难的一个。我想让他做一个故意很土的“倒过来的剪刀手”（手心朝上、手指下垂），同时喊着“거제 야호!”。我每一次用文字描述它，出来的都是别的东西：先是一个双手比的数字 7 手势，然后是一个平摊的手掌。最后，我给它喂了一张真实的手朝镜头做类似 V 字手势的参考图，来锁定形状，这帮助了手臂的位置，但依然没能完全做到那个精确的倒置朝向。
结果（以及我最后的落点）
我始终没有得到最初想要的那个精确的“倒置 V 字、手心朝上”的手势。最终出来的，是他的手臂平行于地面伸出，手指比成张开的 V 字，但手心朝下而不是朝上。我决定顺势接受：现在的设定是，这个人是个过时的大叔（아저씨），把潮流搞错了一点点，做的是一个不规范的、倒过来的剪刀手，而不是他以为自己在做的那种撒娇手势。说实话，它依然很好笑，只是笑点和原计划的略有不同。
反思
这里最大的收获是目标 #1：把整个场景作为一次多镜头生成来完成，而不是五个独立的片段。它更快（不需要为每个单独的镜头生成首帧/尾帧），连续性几乎是白送的。因为整段序列是一次生成，同样的动作和能量会从一个镜头延续到下一个镜头，这是你在剪辑软件里拼接各自独立生成的片段时，很难伪造出来的。
但同样的优势，也是它的天花板。像倒置剪刀手这样复杂、具体的肢体动作，似乎是模型没有被强力“训练”成一个可辨认的形状的情况，无论我多精确地描述手指的位置和手腕的旋转。一个普通、寻常的剪刀手几乎肯定一次就能成功。对于这类真正不寻常或要求精确的肢体动作，我认为，逐镜头生成并配合首帧/尾帧控制，或者一段真实动作的参考视频，会比单靠文字去“描述”一个不常见的手势出来，能给你多得多的控制力。
所以：凡是流畅度和连续性比某个具体动作的精确度更重要的情况，就用一次生成的多镜头。凡是某一个非常具体的肢体细节必须完全到位的情况，就用逐镜头生成，配合强力的帧/视频参考。