多镜头一致性：prompt级生成的真实短板

短剧以极快的镜头节奏、强对话驱动的焦点切换以及对电影感构图的硬性要求著称，这恰恰是当前纯提示词或纯文本驱动的视频生成管线最难啃的硬骨头。写一段剧情容易，把剧情稳定地翻译成几十个视觉落地、且彼此连贯的多镜头视频，中间隔着人物崩坏、运镜跳变、场景漂移三道坎。行业内不少团队用反复重生成去赌一个满意镜头，算力被大量浪费在碰运气上。

DramaDirector：向真实短剧镜头库借景深与位姿

11月1日公开的DramaDirector框架给出了一条工程化思路——几何引导。它把一段全局剧情和局部上下文，转化为视觉可落地的多镜头视频，核心做法是建立一个由真实短剧镜头构成、并按景深与人体位姿索引的参考画廊。框架把每个镜头解耦为静态视觉条件与动态叙事条件，让规划器借助schema约束的SFT与GRPO，在习得文本—视觉对齐奖励下做决策，并检索深度—位姿参考来引导首帧生成与图生视频合成。换句话说，它不再凭空幻想构图，而是从已经被市场验证过的真实短剧镜头里借来电影感。

DramaBoard基准：8.1万镜头给模型立标尺

与框架一同推出的DramaBoard基准，从35部真人短剧、2.8K集、81K镜头中构建，带有结构化分镜脚本与多维度评估协议。实验显示，DramaDirector在忠实度、一致性与可控性上，均优于代表性的多智能体方案与视频生成基线。这条路径释放的信号很清晰：当AI短剧供给爆炸，真正拉开差距的不再是生成速度，而是能不能把镜头之间的连贯与运镜的接地做实。几何引导不一定是所有团队的终点，但它把多镜头一致性这个老问题，第一次摆上了可量化、可训练的台面。

为什么是几何而不是更长的提示词

纯文本管线往往把镜头当作独立样本去生成，缺少对前后景深关系与人物站位的约束，于是同一个角色在不同镜头里忽高忽低、场景尺度跳变。DramaDirector的做法相当于给规划器一本真实拍过的分镜字典，让它先理解真人短剧是怎么构图的，再去生成。这种从真实数据里借几何先验的思路，比堆提示词更直接地命中了短剧的工程痛点。对中小团队而言，即便不自己训练模型，参考这类基准去评估自家生成结果的一致性，也多了一把可用之尺。