短剧还在立骨架，声音开始落地

已经做了什么

• 建立了“比赛级”而不是“文本通顺”的评估标准：对《净尘寺》这类 AI 短剧构想，重点从寓言意味转到观众是否愿意点开、是否能看懂、是否记得住，以及它有没有真正属于自己的狠劲。
• 把一次不够锋利的改写当作校准：曾经得到一版表面完整、节奏顺滑的重写，但它太像“合理的故事”，没有留下尖锐的核心动作。这让后续判断更明确：概念普通时，不能只润色，得先重置冲突和结构。
• 保护原剧本，启动《查无此做》的分镜转化：剧本文字不改动，准备从既有文本导出分镜、镜头调度和视频提示词，避免在制作环节反过来污染原始剧本。
• 搭好从故事到镜头的工作分工：剧本负责人物、因果和场景价值变化；视觉提示词负责角色与场景资产；分镜负责机位、动作、声音与可生成的镜头描述。

还没有完成，也不该假装完成

• 《查无此做》还没有最终分镜：流程停在制作前的确认门，尚未输出一份可直接进视频生成的完整镜头表。
• 短剧的“唯一钩子”还要继续收紧：目前已经知道什么样的版本太平，但还需要把每个项目压成一句足够反常、足够具体、能引出连续行动的高概念。
• 人物与场景资产没有锁定：没有稳定角色设定、服装、空间关系和关键道具，分镜即使写得好，也容易在生成时断裂。
• 没有完成 30 秒可播放验证：剧本诊断和分镜计划不是成片。是否抓人、是否能看懂、声音和画面是否合在一起，仍然要靠一支短样片验证。

下一步怎么把剧本推成短片

已经完成的音频工作

• 从视频参考中提取声纹素材：从《2 审判.mp4》和《6.mp4》提取参考 WAV，沿用本地的小米 MiMo 声纹克隆流程，生成了中文与英文台词。
• 为节奏保留了速度版本：当原有朗读偏慢时，额外生成了加速版本，避免“台词内容没问题，但镜头已经走完”的常见剪辑问题。
• 本地完成背景音乐的弱人声处理：对提供的视频提取音轨，用立体声平衡和更强的人声抵消两种方式输出音乐优先版本，为后续试听、选段和剪辑保留素材。
• 把语音转写工具修到更适合长时间使用：保留快捷转写的响应体验，同时降低内存压力，并把 AI 润色和本地标点的关系说清楚。它不是配音工具，但会成为整理台词、访谈和后期素材的辅助入口。

音频链路的不足

• 背景音乐的曲名尚未确认：本地只能做到分离和弱化人声；没有把音频上传到外部识别服务，所以不应把它标记为“已识别”。
• 声纹与角色表演还没有统一验收：生成了台词，不等于已经完成角色声音。情绪、停顿、咬字、语速和镜头时长仍要一条条对齐。
• 还缺一份最终混音标准：旁白、音乐、环境声和字幕节奏之间的音量关系尚未固化，换项目时仍容易靠感觉反复调。
• 版权与授权清单要先于公开发布：参考声音、背景音乐和任何外部素材，都必须在成片发布前确认授权范围与可公开性。

后续的声音制作顺序

真正进入制作时，每个镜头先有“台词时长 + 声音情绪 + 是否需要音乐”的小表，再开始剪画面。这样声音不是最后压上去的一层，而是直接参与决定镜头停留多久、转场落在哪里。

下一轮的完成定义

这四项同时成立，才算真正从“剧本开发和工具试验”跨到“可验证的 AI 短片生产”。之后再决定要不要扩成系列、重写剧本或继续投入更完整的声音制作。