方案 B：文生视频 / 分镜剧情（专业版）

即梦 / Seedance / 可灵

顶部固定 CHARACTER DNA 块（Identity / Face / Hair / Outfit / 年龄体态 / 气质 / 禁止漂移项），每个镜头只改「场景块」（地点 / 时间 / 动作）。视频生成 Prompt 按优先级书写：构图 → 主角 → 镜头运动 → 整体氛围，可显著降低元素矛盾。Negative prompt 固定漂移项：no different eye color / no extra characters / no watermark。记录 manifest（prompt / seed / 模型版本 / 参考图）保证可复现。

💡写清「镜头从下往上仰拍，动作流畅不崩坏」这类约束，比堆砌形容词有效得多。

Midjourney / 即梦 + ComfyUI

第一层（零训练，70-80% 保真）：生成正/侧/背多视角角色卡作参考图（Midjourney --cref / 即梦参考图），背景必须纯色简单。第二层（无训练，95%）：ComfyUI 链 InstantID + IP-Adapter FaceID → ControlNet OpenPose → FaceDetailer，CFG 4-5、IP-Adapter 权重 0.6-0.8、固定 seed。第三层（训练，最高）：20-30 张多角度角色图训 LoRA（1024²、1500-3000 步、lr 1e-4~5e-5）。跨镜头视频用「首尾帧锁定 + 插值」。

💡崩脸 90% 是因为参考图背景太杂或镜头太正；先把定妆照拍「干净」再谈一致性。

剪映 / FFmpeg

用「分镜静图 + 配音」先组装全片预演，确认节奏、镜头衔接与时长后再烧钱生成视频。这一步几乎免费，是最划算的迭代环节——预演里暴露的问题改了再生成，能省一半 API 费用。

💡Animatic-first 是专业团队的共识：先动图预演，再逐镜生成，不要反过来。

可灵 / 即梦 / Vidu / Runway / Seedance

每镜 5-8 秒，用首帧图 + 工具主体库 @ 引用角色 + 声音参考。选型参考：可灵（中文剧情 / 物理真实）、即梦（一站式 / 二次元）、Vidu（多实体一致性）、Runway（导演运镜）、Seedance（电影级长镜头）。生成失败（崩脸 / 物理错误）优先改首帧与 prompt，重试成本远低于后期修补。

💡同一条 prompt 多抽几张再挑，比反复调参更快；种子固定便于复现。

ElevenLabs / MiniMax + Suno

配音给角色标情绪标签（如 [愤怒地]），嘴型同步靠标点断句。BGM 用 Suno 生成，环境音作为独立一层（ambience bed）最后混入。唱歌场景先用 Demucs 分离人声再驱动对口型，避免「嘴乱动」。对口型音频预处理规范：16-24kHz 单声道 WAV、去头静音、尾加约 0.2s、归一化到 -3dB 峰值。

💡配乐音量压到人声 ~30%；环境音一层 + 音乐一层分开调，质感立刻提升。

FFmpeg / 剪映 / DaVinci

用时间线清单（film_spec：切点 / 音乐跨度 / 环境音 / 调色 / 淡入淡出）驱动 FFmpeg 组装，而非手工拼接。三重质检门禁：① 每句配音 Whisper 回验相似度 ≥0.85，不过关重合成；② CLIP 文图一致性检查，提前拒绝跑偏帧；③ 成片自审（ffprobe 校验、帧采样、音频电平、字幕检查）。断点续跑，改单句音轨用最小修复原则不重渲染。

💡把 QC 做成可机检的确定性规则，而不是靠人眼；中间产物（storyboard / voice samples / manifest）保留做回归。