flux-3-product-ads

FLUX 3 产品广告

一支成片包含两项工作，而不是一项。FLUX 3 生成画面和语音；确定性处理流程则负责剪辑、计时、添加字幕并完成母版制作。明确划分界限：模型处理只有模型才能完成的工作，所有计算机能够精确计算的内容都不要交给模型。

这项技能所依赖的路由信息位于 flux-3-generate 中。请先阅读其中关于 /v1/flux-3-video、轮询和下载行为的说明。续写行为（包括 v2v 链接实际返回的内容）见 flux-3-keyframes-continuation。

这里的所有流程都已在 12、30 和 60 秒时长下运行过。只有在某种时长下才成立的规则都会特别注明。不要假设为 10 秒、三镜头广告撰写的任何内容，不经长时长重新测试就能直接适用：在产生本次修订的运行中，两项在 10 秒时正确的计时逻辑，被发现分别存在一个隐蔽的正确性错误和一个复杂度错误；只有在更长的旁白中才会出现。

工作结构

1. 设计能够经受生成的镜头。
2. 在同一轮中生成画面素材和 VO。
3. 先用机器筛查 VO，再亲自收听。
4. 根据音频推导计时。
5. 以确定性方式组装。
6. 根据测量结果进行验收，包括那些看似通过的失败情况。

1. 镜头设计

三个镜头撑起一支 10 秒广告：揭示、证明、收束。揭示部分呈现物体，证明部分展示它完成文案所声称的那件事，收束部分落到品牌。

时长较长的广告需要更多节拍和更多画面素材。一段素材在计入转场溶解后，可提供约 4 到 5 秒的可用中段，因此镜头数量应为时长除以约 4.5 后向上取整；素材不足无法平滑弥补：构建会直接失败，无法合法放置剪切点。实测结果：12 秒用了 3 段素材，30 秒用了 6 段，60 秒用了 11 段。用 9 段素材规划的 60 秒广告完全无法剪辑。

在 30 秒及以上时长下，揭示／证明／收束已不足以填满时间。效果良好的结构是：聚焦材质的钩子、完整呈现物体、细节、运作机制、状态变化、产品为你带来的改变、品牌。重要的是每个节拍都要有自己的镜头，而不是结构必须分成三部分。

以动作的起止位置为锚点。 生成片段的首帧和末帧值得信赖，中间部分则具有创造性。起止位置能够限定中间动作的镜头通常表现良好；需要模型自行创造几何结构的动作则不行。

可行：高光在表面移动，环状部件旋转一小段弧度后停下，手柄升起后停下，盖子稍稍打开。

两个看似可行、实际不行的镜头：一只手在纸上画出一条墨线，以及一部手机降入画面并落在产品上。两者都曾被预测会因“移动”或“物体进入画面”而失败。实际生成的画面看起来正确，通过了所有信号验收，也被用于母版制作，但最终都因视觉效果不合格而被拒绝。笔尖尚未到达，墨迹就已经向前延伸，纸张则在下方滑动；那部“手机”只是一块没有任何特征的板子，宽度和它落下的垫子一样。抵达不等于正确，这正是陷阱所在：几乎可实现的镜头，其失败模式不是信号出错，而是物体本身不对；任何测量都无法发现这一点。请参阅第 6 节的语义验收。

不可行：多圈旋转，以及两个物体同时旋转。要求曲柄完整旋转 2 到 3 圈，结果只转了约 180 度，随后发生变形，并在手臂遮挡自身时消失。要求带滚花的环状部件旋转两圈，同时让它所在的头部倾斜，结果完全没有动作：两个动作都没发生，片段静止不动。

决定成败的不是移动，也不是遮挡，而是模型是否必须创造它从未见过的几何结构。穿过画面的手是一个轮廓已知的刚体。下降的手机也是刚体。曲柄旋转 720 度时，模型必须绘制它的背面；它就在这里失败了。设计时要避免需要创造几何结构，而不是避免移动。 四分之一圈并不是旋转镜头的安全备用方案，而是一个看不出来的方案。 失败的旋钮镜头采用安全方案后，技术上虽然成功了，却仍然无法使用，因为在微距画面中，滚花环轻微旋转看起来就像什么都没发生。旋转镜头失败时，替代镜头应该是光线扫过静止物体。这是整个系统中最可靠的动态效果，也始终能让画面看起来有生命力。

物体必须进入画面时，就生成它离开画面的镜头，然后倒放片段。 这是本节最有价值的技巧，因为它把一个创造物体的问题转化成了一个平移物体的问题。同一个镜头尝试了三次，每次只改变一个变量：

尝试	方法	结果
1	描述手机向下落；关键帧里没有手机	变成了和垫子一样宽的板状物
2	更详细地描述手机（垫子直径的三分之二、厚 8mm、深色玻璃正面、金属边框、圆角，明确要求不要变形）；关键帧里仍然没有手机	还是板状物，只是现在倾斜着，边缘还伸出了垫子
3	关键帧中已经有一部比例正确的手机；生成手机向上离开的画面；后期使用 ffmpeg -vf reverse	手机正确、比例正确，整个移动过程中始终保持一致

增加提示词细节并不能解决凭空生成物体的问题。去掉凭空生成这一步就解决了。如果物体已在关键帧中，模型只需要移动它已经看见的东西；比例也不会漂移，因为模型从未需要决定它的比例。代价：一个滤镜。

有两点需要留意。所有光线变化都要按倒放后看起来正确的方向来设计；还要检查源静帧的摄像机高度是否与相邻镜头一致，因为为其他目的拍摄的静帧未必能和它们顺畅衔接。

**倒放会把动作移到片段的另一端，而你之前推算的任何时序现在都不再准确。**这是这个技巧掩盖的代价，它会以同步失败的形式出现在一个此前正常的位置。升起动作的峰值出现在一段 6.04s 片段的 5.79s 处，也就是结束前四分之一秒。倒放后，同一峰值会出现在 0.17s 处。其他一切都没变：时长相同、帧数相同、文件大小等级相同。

这很重要，因为素材只能在片段中向后滑动，不能早于它的第一帧。因此，动作可触及的时间窗口会收窄到大约 [peak - segment_slack, peak]，而出现在 0.17s 的动作最多只能落在片段最开始的一小段时间内。为倒放前素材选择的锚点词在几秒之后，因此永久无法触及；构建过程也正确地将其报告为夹紧：

slip : shot 3 in=0.00s -> action 14.32s vs word 15.62s (-1.30s)
       CLAMPED (reachable 13.00-14.32s, word at 15.62s)

陷阱在于，这看起来像是漂移。素材与通过测试的那次完全相同，VO 未作改动，时长也精确到采样点，因此所有“有没有东西动过？”的检查都毫无问题，只有数值与一天前写下的备注对不上。发生变化的是文件内部的内容。

由此得出两条规则。任何会改变动作在片段中位置的后期处理步骤之后，都要重新推算锚点，尤其是上述倒放；并且要把倒放视为一份新素材，而不是对旧素材的编辑。还有，倒放素材需要较早发生动作时，要把它锚定到较早的词上：峰值出现在前几帧的落下动作，应该锚定到该句的第一个词，而不是片段正放时描述动作的那个词。

**要验证预测，而不是盲目信任预测。**在同一份简报中，为高风险镜头提供两种提示词：一个 hard_prompt，一个安全的 prompt；两种都生成，并都保留下来。每个高风险镜头多生成一次，才能在模型不断改进的过程中确保本节的判断经得起检验；这也是如何发现上文两个“看似不可能”的镜头的。

**在每条提示词中明确写出支撑物。**明确提到产品的接触阴影和倒影。产品即使能完美保持外观和运动一致性，也仍可能看起来像是贴在画面上，因为没有任何描述能确保它的阴影。这种画面能通过外观一致性检查，但人一眼就会觉得是假的。 镜头锁定仅具有指导作用。“镜头锁定、不推进、不平移、不变焦”仍无法避免视差和漂移。设计镜头时应考虑能容忍少量移动，而不是指望提示词能禁止移动。

1b. 先准备参考静帧，并听取模型的意见

每个视频素材都会继承其静帧，因为 i2v 会将关键帧视为实际内容。静帧即使只是有一点问题，也会污染基于它生成的每个片段，因此必须在启动任何视频任务前准备好参考素材包。

**当产品是真实产品时，素材包应从照片衍生，而不是从零开始编写。**这条路更简单，也能跳过下文所述的整类失败情况，因为不必用一段不变特征描述，让模型据此构建物体。将提供的照片作为标准静帧，然后使用 FLUX 2 input_image 保留身份特征，从该照片生成其余角度，并设置种子以确保素材包可复现。仍然要编写不变特征描述，方法是从照片中读取这些特征：后续的身份和语义检查会据此进行验证。在一次基于单张真实产品照片的运行中，以这种方式生成的三个角度保留了所有指定特征，没有任何静帧需要重新生成。

这种做法无法解决两件事。静帧忠实于原图，视频仍然会漂移，因此下文的内部帧和身份检查仍然适用。此外，真实照片通常是在无缝白色背景下拍摄的产品目录图，没有可供剪辑切换的布景：如果镜头在构图和比例上没有区别，每个素材都会看起来像同一张照片，因此应设计出能够真正呈现不同裁切效果的素材包。

要预料模型会推翻规格说明，并将此视为信息。在一次包含三款产品的运行中，有两款产品的输出都被模型悄然替换成了自己的设计：规格说明中要求不点亮的导光槽在每一帧中都亮了起来；规格说明中要求带两段式弯臂的灯具，在全部七个角度中都被渲染成带轭架安装灯头的单杆结构。

两次拒绝都前后一致：模型采用了一种替代设计，并在每个角度中始终如一。这就是信号。模型随机反对，只会带来噪声；模型连续七次以相同方式反对，则是在告诉你，不变特征描述写的是它无法构建的东西。**重写规格说明，使其符合模型能够稳定构建的内容，然后重新生成。**对这种一致的拒绝硬碰硬，只会浪费任务并导致失败。

当错误会被视频阶段放大时，应重新生成静帧：例如道具上出现杂乱文字、字标位置错误，或物体从底座上悬出。

要检查整个素材包中的身份一致性，而不是逐张检查静帧。每张素材单独看都可能很干净，但整个素材包仍可能不一致，因为“这是不是一张拍得不错的灯具照片？”与“这些是不是同一盏灯具？”是不同的问题。以上面的灯具为例，素材包中的不同角度混杂了两种不相容的设计；每张静帧单独看都不错，而基于它们生成的每个素材都会继承其关键帧所携带的设计。选一张静帧作为标准图，然后依据明确且可证伪的特征，而非整体印象，将其余每张静帧与标准图进行比较：

base:   shallow domed profile curving in one arc, vs a flat cylindrical puck
        with a vertical side wall
post:   smooth and unbroken from base to head, vs a collar, ring, knurling
        or joint partway up
head:   plain green cylinder roughly twice as long as wide, vs short/fat
        or a knurled metal barrel
ring:   exactly one knurled ring, at the FRONT of the head encircling the
        lens, vs any knurling on the post or base

每项特征都指出正确形态以及容易与之混淆的错误形态，因此判断结果可以核验。对最终素材也进行同样的比较，每项特征至少检查两次，并像第 6 节中的语义检查关卡那样，只有结论一致时才通过。在一次包含 14 个素材的运行中，结果为 13 个一致、1 个偏离模型；问题是一个细金色边框改变了灯头的比例。该素材通过了所有信号检查。作为上文所述安全/冒险配对生成的硬动作对应素材干净无误，且已保存在磁盘上，因此修复不花分毫。

这项检查值得在生成前后各做一次，因为两次检查回答的是不同问题：第一次可阻止有问题的素材包污染后续结果；第二次则能抓出仍然发生漂移的素材。 绝不要让失败步骤留下的陈旧输出成为下一步的输入。 链接中的某一步失败时，运行器拾取了前一天同名的文件，并将其传给后续步骤；后续步骤接着成功了，生成了一段看似合理、实际却基于错误素材的片段。失败后旧文件仍留在原处，对下一步来说就和成功没有区别。请检查链式输入是否比正在使用它的运行任务更新，或者将链接写入带运行任务标识的名称，这样文件缺失时就会明确显示缺失，而不是误用陈旧文件。

2. 同时生成画面和 VO

成品广告都带有配音。请在第一轮生成时就安排好配音，切勿等画面锁定后再补：VO 决定广告片的时长，因此最后才生成 VO 意味着必须重新剪辑所有内容。

生成配音、音乐底轨、音频分层、口播流畅度检查和确定性音频处理时，请使用 flux-3-audio-dialogue。这项技能涵盖广告专用的计时与组装：VO 如何决定广告片时长、如何在设计好的停顿处衔接段落，以及母带处理后的分轨如何进入剪辑流程。

通过纯音频任务获取 VO：生成一段录音棚场景，舍弃画面并提取音频。至少针对两种说话人档案生成两份脚本，因为不同录制版本不能互换，你需要真正有所选择。

成品广告片中不要使用原生画面音频。生成画面时应保持静音。

duration 是节奏控制参数，不是时长估算值。 片段返回时长会恰好等于你指定的时长，而口播会拉伸以填满这段时长。相同的 27 词脚本、相同的说话人，分别指定三种时长：

指定时长	返回时长	词/秒
11s	11.01s	2.45
14s	14.00s	2.11
18s	18.02s	1.50

每次都能完整、准确地读出脚本。变化的只有语速；到了 18s，系统不会用静音填充，而是拖慢口播。因此，先选定所需语速，再推算时长：duration = words / rate，以每秒约 2.1 至 2.5 词的速度朗读，听起来从容而自信。估算时不要为了“留出呼吸空间”而增加时长；这样做会拖慢口播，而不是增加停顿。

单个音频任务最多 20 秒，以合适的语速计算约为 45 词。 30 秒的广告片需要约 75 词，60 秒的广告片需要约 150 词，因此更长的口播应当每个段落单独生成一个任务，再在后期制作中于设计好的停顿处拼接。这也能让文案写得更好，因为广告本就需要停顿。拼接前，请将每个段落裁剪到只保留对应的口播；叠加录音棚底噪会产生明显的接缝。

当广告片时长超过约 20 秒时，也应以同样的方式生成音乐底轨。10 秒时段落间的静音听起来没问题，到了 60 秒就会显得断裂。音乐底轨应通过不含语音提示词的纯音频任务生成，再通过交叉淡化循环至所需时长，并使用由 VO 触发侧链压缩器的方式压低配音下方的音量。先降低底轨音量，再让压低效果作用于已经足够轻的底轨：如果底轨响到需要大幅压低，每个短语播放时都会出现明显的抽吸感。

3. 先用机器筛选画外音，再听一遍

转录每条录音，并根据脚本计算词错误率。这样可以低成本地发现漏读和错读。

虚构的品牌名需要做语音匹配，而非精确匹配。 ASR 从未见过你的产品名称，所以可能会拼出看似合理、实际错误的形式：“Ferrolane” 被转录成了 “Feraline”、“Feralaine” 和 “Fairlane”。精确词元检查会拒绝所有正确的录音。应在滑动窗口中按语音相似度给品牌名打分，并将相近匹配视为名称已被读出的证据。

机器筛选不能批准录音。发音、节奏和合成伪影都需要人耳判断。在有人听过之前，所有虚构名称都应标记为未验证。

从简报中推导品牌词元，而非从表格中读取。 将产品名称硬编码在筛选步骤中，只适用于编写该步骤时针对的那些产品，无法复用。应推导词元：产品名称的第一个词是品牌名，字母加数字的词元是型号代码。

型号代码需要双向折叠数字词。“P2” 约有一半的情况会被转录为 “P two”，未折叠的比较会把本不应计入的词错误算在正确录音上。

注意真正的数字静音处是否有尾部异常。 六条录音中有一条的最后 0.35 秒处于 -91 dB：这不是室内底噪，而是空缓冲区；其余五条的电平都在 -30 到 -40 dB 之间。尾音截断检测会查找结束时仍然响亮的语音，这恰好与此处的问题相反，因此会轻松放过这种情况。如果录音棚录音的尾部没有室内底噪，那么段落拼接处的噪声底就会与相邻录音不一致。

4. 根据音频推导时间

画外音是主时钟。其他所有内容都根据它来测量。

根据能量而非词语时间戳确定语音结束位置。 转录工具给出的最后一个词时间戳，表示该词何时变得难以辨认，而非其能量何时降至噪声底。在一条真实音轨中，转录工具报告最后一个词在 9.76 秒结束，但可听到的衰减持续到约 9.9 秒。在此处裁切会截掉主音轨末尾的词，而所有时长和响度检测仍然都会通过。

应在真正的噪声底处检测静音，并且只计算持续到文件末尾的静音。取最后一个静音区间是另一个更隐蔽的错误：在同一条音轨中，最后一个间隙位于最后一个词之前，因此按它裁切会比按时间戳裁得更短。

逐条录音测量噪声底；固定阈值什么也检测不到。 这些录音棚录音的噪声底并不相同。一条录音测得 -33.2 dB，因此 silencedetect 使用 -45 dB 阈值时，在一条包含四个可听停顿的录音中检测不到任何静音区间，导致所有基于停顿的剪辑位置都无从确定。使用 astats 读取噪声底，并将阈值设为高出几 dB：该录音在噪声底 +6 dB 时能识别出四个清晰的句间停顿；在噪声底 +4 dB 时会将它们拆成六个，而在噪声底 +8 dB 时则开始吞掉轻声辅音。应推导这个数值，并记录所交付剪辑所依据的噪声底。

在测得的间隙处安排剪辑。 优先选择停顿中心：先选噪声底较深处的句间停顿，再选噪声底较浅处的词间间隙。绝不要在词中间剪辑。如果找不到合适位置，就明确报错并说明原因：解决办法是延长静帧、换一个镜头或缩短朗读，而不是在词中间剪切。

剪辑位置的评分应为间隙质量减去节奏不均衡度。只看间隙质量，会选出整段朗读中最不容易察觉的单一剪辑点，结果轻易造成开场镜头仅 1.6 秒，而中间部分长达 4.9 秒。

使用动态规划搜索，而非扫描所有组合。 导致组合数暴增的两个输入都会随广告片时长增长：朗读越长，可选的停顿越多，所需的剪辑次数也越多。

广告片时长	候选位置	剪辑数	组合数
12 秒，3 个镜头	29	2	406
30 秒，6 个镜头	69	5	11,238,513
60 秒，9 个镜头	90	8	77,515,521,435
暴力扫描在 10 秒时还可以接受，30 秒时很慢，到了 60 秒就不会返回，而是卡住失败：这是最糟糕的失败模式，因为看起来只是很慢。评分中的每一项都是对片段或选定切点求和后再除以一个常数，因此评分可按片段分解，最优解可从左到右构建，复杂度为 O(shots x candidates squared)。

如果更快的搜索选出了不同的切点，那是退步，不是优化。对于规模小到足以扫描的案例，断言快速搜索返回的结果与暴力搜索相同；比较并列结果时按评分，而不是按列表身份。

每个片段都必须适配它所属的素材。检查这一点。曾有一次手动测量的切点要求从一段 5.04s 的素材中取出 5.72s 的片段。

调整每段素材的位置，让其中的动作落在点名它的词上。 这是最具杠杆效应的剪辑决策，而从素材中间取片段会白白浪费这一机会。

测量动作发生的位置：signalstats 的 YDIF 可提供逐帧亮度差，将其平滑五帧后，就能作为判断动作何时发生的实用指标。跳过首尾各四帧，否则解码边界和淡入淡出会被误判为峰值。然后逐个镜头声明动作对应哪个口播词，并选择入点，让两者重合。

在这套方法出现之前，我们曾测量过一对真实广告素材：外壳在口播说出“平展打开”后 1.70s 才完全打开，衣领在“干脆的一声”后 2.33s 才咔嗒一声扣上，手柄则比对应词语提前 1.00s 抬起。观众说不出具体原因，但这就是广告与配上旁白的素材之间的差别。

也要把锚点纳入切点搜索。一个切点即使能很好地遮掩转场，但如果不给镜头留出调整位置的空间，也不如一个稍微显眼些、却能让画面和旁白同时表达同一件事的切点。

对结果设置门槛。如果动作与对应词语相差超过约 0.6s，就判定失败。如果素材本身无法让动作赶上对应词语，就说明可达时间窗口：解决办法是重新生成素材，让动作更早发生，或改为锚定到素材实际能够匹配的词语；这两种做法都坦诚可靠。默默接受偏差则不行。

先测量素材，再选锚点词，不要在写脚本时就选。 选一个富有感染力的名词，然后寄希望于素材能匹配，结果在两条广告的九个镜头中有三个没能做到。生成的素材中，动作发生得比编剧预想的早得多：有一段素材在 0.21s 时达到峰值，而锚点词在 0.84s 才出现，因此可达时间窗口在说出这个词之前就已经关闭。可达时间窗口可以在确定词语之前算出，所以先算出来。

从实际效果来看，重新锚定往往也是更好的剪辑选择。将刻有文字的特写从锚定“看见”改为锚定品牌名，既能匹配素材，也更符合镜头所展示的内容。

为了移动动作而重新生成素材，就是制作一段新素材，因此必须再次通过语义门槛。 遇到时间限制时，显而易见的解决办法是重新提示生成镜头，让动作提前发生。这确实解决了时序问题，却破坏了画面内容：我们要求生成一个在最初半秒向下转动、随后保持不动的杠杆，重新生成的片段里，杠杆却从水平位置开始上抬，再落回原位，因此测得的 0.92s 峰值对应的是抬起，而不是关闭。所有数值都改善了，片段呈现的内容却错了。最终采用的素材是原始素材，只是将锚点从“开关”改为“水”；这样，关闭动作与对应词语只差 0.05s，而且也更贴切，因为正是杠杆关闭这一动作留住了水。先试试重新锚定，再考虑重新生成：这不会消耗任何生成任务，而且一段已经通过门槛的素材，比一段尚未检查的新素材更有价值。 按单调顺序解析锚点。 对每个锚点，选取它在前一个锚点之后最早出现的位置，因为镜头沿着文稿推进，锚点对应的词也必须如此。只有在没有词语重复时，查找首次匹配才正确；这只是短文稿中的偶然情况：一段 30 秒的口播中，“light” 出现了两次，相隔十秒，而结尾镜头锚定到了第一次出现的位置，结果偏差达 10.18 秒，无论怎样调整都无法弥补。

并非每个镜头都有锚点，凭空编造锚点比省略更糟。 如果镜头只是轻微移动，而非发生明确事件，就没有哪个词是它所对应的。较长的广告片中，这类镜头更多。将锚点留空，并从素材片段中段截取。

按文稿顺序排列镜头，并将镜头顺序作为调整时长的手段。 镜头只能锚定到自身片段中的词，因此，动作名称对应文稿中较晚位置词语的素材片段，不能放在剪辑的前面。一个拨杆特写在第二段中与“switch”相隔 1.8 秒，但放到第三段就能对上；把它与宽景收尾镜头交换后，无需重新生成就解决了锚点问题。重新排序无需成本，因此先尝试这种方法，再重新提示：约束在于词语落在哪个片段，而不是素材片段本身。

只有在没有适用锚点时，才从素材片段中段截取。 生成片段在开头几帧（画面尚未稳定时）和结尾处效果最弱。

5. 确定性地完成组装

生成后不会再调用模型。输入相同，成片就相同。

通过清单驱动组装，清单只包含内容：使用哪些素材片段、用哪段 VO、文案是什么。剪辑点、广告片时长、响度目标和尾卡处理都在构建时根据媒体内容推导。配置文件中为每个产品单独设置的数值，意味着下一个产品还得有人手动重新测量。

根据测得的亮度决定尾卡。 对文字将占据的区域进行采样，仅在背景亮到白色文案难以辨认时添加暗幕。一款浅沙色外壳上方的白色文字几乎难以辨认，而同样的文字放在深色布景上则无需处理。通过测量即可区分这两种情况，无需添加标记。

如果需要暗幕，让渐变延伸至画面边缘。悬浮色带有两条可见边缘需要隐藏；贴边渐变则只有一条。

设定素材实际能够达到的响度目标。 这些音轨受峰值限制，而非电平限制：其中一条测得的综合响度为 -21.3 LUFS，真峰值已达到 -4.2 dBTP。若要达到 -14 LUFS，需要提高约 +7 dB，这会使真峰值远超上限，因此归一化器会进行限幅，无论目标设定为何，最终响度都会低于目标。压缩只提高了 0.4 LU，却损害了已批准的口播。

使用归一化器首轮报告中在峰值上限下可达到的响度，并以此进行门控。不要根据单个瞬态的采样峰值推算上限，这会过于保守。也不要为了让门控变绿而降低目标；这不算通过，只是掩盖了失败。

6. 根据测量结果设置门槛

时长、分辨率、帧率、是否有音频、响度和真峰值都是基本要求，但也远远不够。还要添加能捕捉那些表面上通过检查的故障的门槛：

• 结尾被截断。 测量收尾淡出前最后四分之一秒内的能量。如果那里的语音仍然很响，说明成片在一个词说到一半时就结束了。
• 正片中出现黑帧。 丢失的画面或错误的转场偏移会导致画面变黑，而其他所有门槛都可能放过它。排除预期的收尾淡出。
• 接地感。 裁剪并放大产品底座的中景。缺失的接触阴影无法通过主体身份和运动检查发现。
• 中间帧。 在多个时间点采样，而不只是第一帧和最后一帧。几何形状会在中段逐渐变形，而这恰恰是只比较首尾帧看不到的地方。

用已知有问题的文件验证门槛。 从未失败过的门槛只是猜测。把成片从一个词说到一半处硬切开，确认门槛会判定失败：在真实素材中，完整文件在该时间窗口内测得 -91 dB，损坏文件则为 -34 dB，因此 -30 dB 的阈值会让损坏文件通过。先通过检查选定阈值，再用对照文件确认。

没有结尾的成片无法检测结尾是否被截断。 如果语音刚好延续到文件结束，完整成片在最后四分之一秒内测得 -15.3 dB，而刻意硬切的副本测得 -13.8 dB。两者只差 1.4 dB，无法用任何阈值区分，因此这个门槛形同虚设。解决方法不是设计更巧妙的阈值，而是给片段添加真正的结尾：延长尾音并做淡出。之后，同一项测量显示完整成片为 -inf，而对照文件为 -13.8 dB。广告成片本来就需要这样的淡出，这正是问题被掩盖的原因：缺少结尾是创意缺陷，还顺带让一个门槛失效了。

信号门槛无法理解含义。添加语义门槛。

上述每个门槛测量的都是信号属性，因此它们都会放过描绘了错误事物的画面。一次运行中有两个测量案例：

• 一支笔“正在画线”，但墨迹跑到了笔尖前面，笔尖与线尾之间露出一段空白纸张。纸在滑动，笔几乎没动。
• 一部手机“落在充电板上”，但充电板只是一块毫无特征的灰色板子，宽度与整个充电板的直径相同。手机落下的动作很干净，正因如此，动作同步门槛才会判定通过。

这两个案例都通过了时长、分辨率、帧率、响度、真峰值、黑帧和同步门槛，进入了成片阶段，却被第一个观看它们的人一眼否决。门槛本身没有错；它们回答的是这个文件是否损坏？ 但没有人问这是不是我们所说的那个东西？

解决方法是另设一道门槛：对带标签的帧进行采样，将它们拼成一张联系表，并让视觉模型根据简报中的可证伪断言进行判断。要让这道门槛值得信任，应遵循以下规则：

• 编写这样的断言：错误的画面一出现，断言就会判假。“片段看起来不错”毫无用处。“所有可见墨迹都在笔尖后方或正下方，而且笔尖与画出的线条末端之间始终没有间隙”才是门槛。
• **要求引用帧。**评审者必须指出哪些帧决定了每项判定，否则就无法核查判定。
• **每张画面至少检查两轮，并严格综合结果。**只有一致通过才算通过。任何失败都会阻止放行，轮次之间意见不一则标记为不稳定。评审者连自己的答案都无法复现，就什么也没检查；这并非假设：在一张已知有问题的画面上，五项断言中有两项在同一份画面的两轮评审中给出了相反判定。多数投票或只评审一轮，结果都只能靠碰运气。
• **每张产品画面都默认检查通用的四项：**接触阴影存在、各帧的几何形状和材质保持不变、文字没有乱码或重复、没有空白或损坏的帧。然后由需求撰写者写出针对每个镜头的断言，明确画面有问题时哪些说法会变成谎言。
• **通过只是证据，不是证明。**它不能取代人工检查。它能阻止明显错误的画面送到人工面前，从而腾出更多审核能力。

**断言集才是攻击面，不是评审者。**这次运行中代价最高的错误，并非判定有误，而是对不完整的问题给出了正确判定。重试画面中的手机看起来很逼真，其宽度确实小于垫子的直径，因此宽度断言诚实地判定为通过，画面也亮起绿灯；但手机最终斜着搁在边缘上，两侧都伸出了垫子。断言集里没有任何一项询问手机是否平放，或是否落在垫子的轮廓范围内。每项判定单独来看都有道理，但这道关卡还是放行了错误的画面。

断言集不够全面却给出错误的通过判定，比完全没有语义关卡更危险，因为它还附带帧引用。两条习惯可以解决这个问题：

• **断言最终静止状态，而不只是运动过程。**物体最终停在哪里（是否平放、是否在轮廓范围内、是否接触）才是观众会觉得不对劲的地方，也是只关注运动的断言集容易漏掉的地方。
• **如果肉眼发现画面有问题，先找出本应捕捉该问题的断言，再编写新的提示词。**如果没有任何一项能捕捉到，漏洞就在断言集里。本次运行的四次拦截中，有两次准确指出了缺陷；另一次因其他问题的判定不稳定而拦截，但真正的缺陷却无人提及。理由错误的正确答案不算覆盖；一旦不再碰巧出现这种情况，它就会悄无声息地失效。

断言可能从构造上就是错误的，却看起来很严谨。“手机在移动过程中始终保持大小和形状不变”拦截了一张正确的画面。刚体从接近竖直旋转至平放时，必然会发生透视缩短，因此没有任何真实片段能满足这句话，而评审者给出的理由也准确反映了帧中内容。应断言物理上的合理性（边缘是直的、角是方的、没有独立下垂），并明确说明透视变化是预期现象。在同一轮运行中，用已知有问题的素材测试每一项改写后的断言：如果改写后有问题的画面不再被判失败，那就是削弱了断言，而不是修正了它。

看到不喜欢的判定后再改写断言，是关卡失效的开始。有时这样做是正确的，如上所述。要保持诚实，关键在于采用机械化流程：将已知正确和已知错误的画面保留为固定测试样本，每次编辑断言后都重新运行两类样本。错误画面必须仍然因同一个明确理由而失败。这也解释了为什么这个循环在运作良好时值得信赖：重试画面通过了自失败以来未作任何改动的断言，才是真正的证据；只有在改动了断言后才通过，就不是证据。 在相信关卡的判定之前，先亲眼检查一次关卡自身的证据。 这个工具的第一个版本通过将六个单独的输入传给 ffmpeg 的 tile 滤镜来制作联系表。tile 会处理单个流中的连续帧，因此它只平铺了第一帧，其余部分留黑，随后以 0 退出，并写出一张看似合理的 JPEG。评审者看到一帧，却被要求判断六帧中的动态效果，还是给出了答案。退出代码对此毫无提示。悄无声息地失败的 QC 工具比没有 QC 工具更糟，因为它会凭空制造信心。

**绝不要为了让运行结果变绿而放宽关卡。**修复素材，或者说明失败。还要留意一种更隐蔽的情况：检查触发时，人们很容易把它抱怨的数值调低，直到它不再触发。一次碰撞警告导致有人把标注停留时间缩短到 0.5s，虽然消除了重叠，却让文字短到无法阅读。关卡变绿了，广告却变差了。如果某项修复是通过让作品变差来使检查通过，那就不算修复，而且关卡衡量的也不是正确的东西。

没人采取行动的警告，是关卡中的一个 bug。“标注持续时间超过镜头时长”原本只是警告，但某次渲染仍然交付了：标签跨越剪辑点继续显示，指向屏幕上已不再出现的功能。如果某种情况意味着输出有误，那它就应该是错误。

**QC 文件必须与控制台输出一致，否则人们会相信文件。**构建器针对一个有两项同步失败的版本打印了 FAILURES PRESENT 并以非零状态退出，却在该版本对应的 master-qc.json 中写入了 "pass": true。同步检查改变了本地判定，但持久化记录是根据信号关卡的通过标记生成的，而该标记并不知晓同步状态。任何只读取产物、不查看标准输出的人都会看到一个通过的版本。应写入综合判定，并将失败项一并写入，这样无需重新运行构建也能审计记录。

**针对单个条目的运行不得抹去未构建条目的记录。**每次调用都会从空字典重建同一个文件，因此 --only kestrel 会悄悄删除 stonewell 的条目。随后，文件看起来描述的是整个项目，实际上只记录了一个版本——这更危险：不完整的记录看起来却是完整的。应合并已有内容，为每个条目标记其构建时间，并明确说明哪些条目来自较早的运行。

这两种情况与上面的联系表 bug 本质相同，只是由不同途径导致：检查正确运行了，报告却撒了谎。当关卡与其产物可能不一致时，应通过故意制造一项失败并读取文件（而不是终端）来测试它们是否一致。

文案

屏幕文案比画面更容易凭空编造主张，因为写出一份看似合理的规格说明毫无成本。

每一行文案都必须有依据，并注明依据类型。“可见”表示标签所指的画面中能看到它。“规格”表示它属于参考设计。“口述”表示经批准的 VO 中有这句话。没有依据的文案不得交付。

两条标签在实际项目中违反了这一要求：“TWO-STAGE LOCK”和“COLD-FORGED”。它们指的是从未设计、生成或说过的机制和工艺。这些标签读起来像是言之凿凿的规格说明，实际上却是凭空捏造的；对于一部展示工作流的作品来说，这比文案含糊更糟。

把证据写进名词或数字里。“38 litres”胜过“容量充足”。说清材料和部件：不锈钢主体、胡桃木套筒、炭灰色拉链带。结果类形容词（顺滑、精准、轻松、可靠）所宣称的内容无法从画面中看出，因此必须有 VO 作为依据，否则就应删掉。

**用人们日常会说的方式称呼部件。**没人会用“伸缩杆”来称呼把手。

剪辑

三个一模一样的叠化不叫剪辑，只是默认设置。它对每一组镜头都表达同样的意思，尽管镜头之间的关系各不相同。

精简处理方式，并让每种处理各司其职：两个同一物体的不同视角之间使用硬切，此时连续性一目了然，重点在于传递确定感；场景尺度或主体发生变化时使用短暂的叠化；进入关键画面时使用两帧的闪白，让剪辑有抵达目的地的感觉。闪白的颜色取自素材画面自身的高光。在暖色布景上使用白色，看起来会像画面过曝。

让镜头的运动有始有终。 如果整个镜头都以恒定速度推进，看起来就像软件生成的。让运动缓入，在较早时到位，然后停留：正是这段停留让镜头运动显得经过设计。

添加生成画面缺少的瑕疵。 生成的素材画面在光学上毫无生气。在变换上添加亚像素级的固定种子噪声（两个八度，在 960px 分辨率下约为一个像素），能让画面看起来像由摄影设备拍摄，而非焊接而成；少量颗粒则能抖动平滑渐变，避免它们在 H.264 编码后出现色带。两者都应难以察觉，只有缺少时才会被注意到。为它们设置固定种子，确保重新构建后字节完全一致。

渲染器选择

ffmpeg 足以处理切镜、叠化、字幕、遮罩、淡入淡出、响度和封装，而且它已经安装在所有环境中。

当片尾卡片发展成真正的设计时，Remotion 值得考虑：它支持布局、Web 字体、数据驱动的变体和多种尺寸。它基于 React，因此渐变只需一条 CSS 声明，无须生成 alpha 渐变后再按计算出的偏移叠加；其 Studio 还提供可拖动时间轴的预览。

选择它之前，有两点需要了解。许可方面：Remotion 对个人和三人及以下的公司免费，四人及以上的公司则需要购买 Company License。音频方面：浏览器会直接播放音轨，不会进行响度标准化，因此未经母带处理的音频会以原始电平渲染。先用 ffmpeg 处理好音频，再交给 Remotion 一条完成的音轨。

两种渲染器都可以使用相同的派生时序。将测量结果集中保存在一处，让渲染器成为可选项，而不是重写工程。要让两者完全一致，需要格外留意：字幕滤镜按字形框定位，而 CSS 会计入字体的上升部行距，因此文字位置会有差异；交叉叠化必须从切点开始，而不是在切点结束。

参考

references/pipeline.md 是一份参考设计和实现蓝图，包含清单架构、派生时序导出、两种渲染器，以及列出测量阈值和负向对照的 QC 门槛清单。文中描述的模块并未随此仓库发布；Agent 会根据其中的约定构建这些模块。