使用Vidu Q1进行故事脚本自动分镜，听起来很酷吧？但在实际落地过程中，很容易陷入手动拆分镜头、反复编写提示词、逐张上传图片再拼接的繁琐流程。其实操作可以更高效——核心只有四步：结构化拆分分镜提示词、上传视觉参考图、建立图与提示词之间的绑定关系，最后借助Agent一键批量生成。下面逐一详细解析每个环节。

如果你希望用Vidu将一段完整故事脚本自动拆解为多个连贯镜头，并生成对应的视频片段，从而避免手动分镜、逐帧重写提示词、反复上传图片再合成的繁琐流程，那么这套方法正好能满足需求。

准备结构化分镜提示词

这一步决定了后续所有镜头能否准确还原情节逻辑。切勿将整段脚本直接粘贴到Vidu Q1中——该模型对长文本的理解会模糊关键动作节点，导致生成画面跳跃或主体错位。

通读原创脚本，根据人物动作完成度或场景切换点进行切分，每段控制在15–20秒内可承载的信息量。举个例子：“她推开咖啡馆门→快步走向靠窗座位→从包里取出泛黄信封→指尖停在封口处微微发颤”，这段应拆分为4个独立镜头，而非一句长描述。

为每个镜头单独提取三项核心信息：主体（如“穿米白风衣的短发女性”）、动作（必须是单向明确动词，如“推门”“抽出”“低头凝视”，避免使用“似乎犹豫”“大概想打开”等模糊表达）、环境（包含光源方向与空间关系，如“午后斜射光穿过玻璃门，在木地板投下细长影子”）。

将这组信息压缩成一句提示词，固定格式为：【主体 + 动作 + 环境 + 风格关键词】。例如：“穿米白风衣的短发女性用力推开老式黄铜门把手，咖啡馆玻璃门外阳光刺眼，门内暖光氤氲，电影胶片质感，浅景深”。

检查每句提示词中是否出现“大概”“可能”“仿佛”等模糊副词——只要存在一个，该镜头的生成稳定性就会下降60%以上，这一结论基于大量实际案例验证。

上传角色与场景参考图

多镜头连贯性的核心并非依靠模型猜测，而是提供视觉锚点。没有参考图就运行多镜头生成，相当于让AI蒙眼走钢丝。

具体操作分三步：

方法一：为每个主要角色上传1张高清正面半身照，背景为纯白或深度虚化，确保面部五官清晰、发型/发色/耳饰等细节可见；若角色戴眼镜，需额外上传1张镜片反光角度自然的特写图。

方法二：为关键道具（如那封泛黄信封）上传3张图片：平铺正视图（展示字迹）、手持微倾45°图（显示厚度与折痕）、侧光打亮纸纹图（体现材质老化感）。

方法三：为典型场景（如咖啡馆内部）上传1张带透视的真实照片，重点保留地面砖缝走向、吧台边缘线、吊灯垂落角度——这些线条会被Vidu Q1自动提取为空间坐标基准。

上传时务必关闭“自动裁剪”开关，否则边缘构图信息丢失，导致多镜头间人物站位漂移。

在Vidu Q1中启用参考生视频并绑定图与词

此步骤必须使用Vidu Q1模型，Q2及更高版本不支持端到端分镜串联逻辑，强行使用会导致镜头间风格不一致。

登录vidu.cn → 进入「参考生视频」功能页 → 左上角模型选择器切换为Vidu Q1 → 点击“上传主体”，按顺序导入准备好的角色图、道具图、场景图。

上传完成后，点击每张图下方的“选择主体”按钮，用矩形框精确圈定要锁定的区域：角色图只框脸部+肩线，道具图只框信封本体，场景图只框地板接缝与吧台前沿——框过大引入干扰信息，框过小则丢失空间参照。

在提示词框中，将第一镜头的结构化提示词粘贴进去；然后鼠标选中提示词中的主体名称（如“穿米白风衣的短发女性”），拖拽至对应角色图缩略图上方，松开鼠标即完成绑定；同理，将“泛黄信封”拖至道具图，“咖啡馆玻璃门”拖至场景图。

用Vidu Agent批量生成并自动配乐转场

这是实现“一键多镜头”的最后关键步骤。不要手动点击生成四次——那样无法获得节奏统一的成片。

第一步：确认所有镜头提示词已分别保存为独立的文本文件，命名规则如“镜头01_推门.txt”“镜头02_入座.txt”等，存放在同一本地文件夹中。

第二步：打开Vidu桌面端（Web端不支持此功能）→ 顶部菜单栏点击「Agent」→ 选择「分镜流水线」模式 → 点击“加载镜头列表”，指向刚创建的文件夹。

第三步：在参数面板中开启三项开关：①“自动匹配参考图”（系统会根据文件名关键词自动关联已上传的图片）；②“统一BGM节奏”（自动分析各镜头情绪强度，插入匹配的鼓点与弦乐起伏）；③“无缝转场”（默认使用0.3秒淡黑过渡，如需划像或缩放转场，需提前在镜头提示词末尾加注“→划像转至下一镜”）。

第四步：点击“启动流水线”，等待状态栏显示“全部完成”，所有镜头视频将按序号归入“My Creations”列表，并已自动拼接为单条带音轨的MP4文件。