ClipTap 正式发布：从一个镜头，到一整部戏
用 AI 拍一个镜头很容易，拍完一部戏很难。资产要一套套建，提示词要来回改，镜次要一条条抽，站位、动作、景别都要有人审。一个提示词框装不下一部戏。这篇讲我们为什么做 ClipTap，以及一部十集短剧在里面是怎么开机的。
用 AI 拍一个镜头很容易。写一段描述，选一个模型，几分钟后出来的画面好得让人有点不敢相信。
拍完一部戏很难。女主角要定妆，一套造型不够，上班、居家、受伤之后各要一套，每一套都得有自己的参考图。场景要搭，药房从门口看和从柜台后面看是两张不一样的图。提示词写好了要改，改完了要抽，一条镜头抽十几次是家常便饭，抽出来还要有人一条条看：站位对不对，动作有没有做完，景别是不是和上一个镜头接得上，手里的东西还在不在。这些活没有一样是模型替你做的。
而且这还只是一个人的事。一部短剧动起来，几百张参考图、几千条提示词、上万条镜次，要能找到、要能分给几个人同时做、要有人审、要知道哪一版是对的。一个提示词框，装不下这些。它需要的是一套工业级的办法。
ClipTap 团队就是在这件事上泡出来的。我们服务过多家工作室，自己也制作过多部短剧，踩过的坑、烧掉的 token、总结出来的做法，都变成了 ClipTap 里的解决方案。用这些办法做戏，弯路少走很多，作品交得快、质量稳，而省下来的钱，往往是你事后算账才发现的。
画面很惊艳，但是穿帮无处不在
如果你用 AI 做过一部短剧，大概有过这样的经历。每个镜头单独看都没问题，连起来放，穿帮无处不在。前一秒人还坐在桌边，下一秒就站在门口了；前一秒两个人面对面，后一秒变成并排走。女主角的远景和特写不像同一个人，远景里是一张瓜子脸，切到特写变成了圆脸，到了第三集，连第一集的脸也认不太出来。她家客厅的窗户换了位置，药房的柜台一会儿在左一会儿在右。
空间、姿势、造型、脸，每一样都需要关注，一个瑕疵就足以让人出戏。
模型越来越强大，经验也至关重要
我们一开始也想，等模型再好一点，这些问题自然会少。做得越久，越觉得这只对了一半。模型确实一年比一年强，但每一代模型都有自己的脾气：它爱画什么、怕什么、哪种写法它听得懂、哪种写法它会自己发挥。摸清这些脾气，你就能沉淀出一套又一套技巧。这些技巧全是拿 token 烧出来的，价值不菲。
举几样我们和同行们用了很多钱换来的经验。
人物不是一张卡，是一组状态。 角色受伤、年少、换了居家服，每一种状态都要有自己的设定图，而不是一张图配一句「受伤了」。设定图用三视图：正面全身、背面全身、胸上特写，灰底，不画分隔线。之后不管拍哪个镜头，参考图给的都是这一张，远景和特写才是同一个人。
场景按机位出图。 一个药房，从门口往里看和从柜台后面往外看，是两张空景。镜头朝哪边，就给哪张。
镜头要写成物理装置。 「中景」太模糊，模型会自己理解。写视角多少度、离人多远、固定还是手持，两个人谁在画面左谁在右，身高差多少厘米，一共几个人。数量锁、身高锁、位置锁，三把锁一起上，多人同框才稳。
光源要是场景里真有的。 夜里的内景，光只能来自灯、蜡烛或窗外，写了「阳光」模型就给你一轮太阳。一场戏一个光的基调，别每个镜头重写一遍。
情绪写成表演，不写成形容词。 「冷汗」「油光」会把真人该有的哑光皮肤盖掉。想要紧张，写抿嘴、皱眉、呼吸变急。台词前面写这一刻怎么说：音量、节奏、喊到最后破不破音。没点名的人闭嘴，不然两个人会一起张口。
每次只改一处。 审片对着原设定图看，不对着上一条镜次看，不然漂移会一条条累积。漂移多出现在第五到第八秒，所以一段别拍太长。声音默认不配乐、不出字幕，这些留给剪辑。
这些东西写在哪里？在我们接触的大多数团队里，它们写在某个人的脑子里、几份飞书文档里，或者几十个聊天窗口的历史记录里。人一换，经验就跟着走了。
为什么 ClipTap 值得信赖
ClipTap 为电影和长剧而生。我们的出发点很简单：一部戏不是一堆镜头，它是一个项目。所有在十集里必须保持一致的东西，都应该只定义一次，放在一个有结构的地方，之后每一次生成都从那里取。
剧本和 Story Outline。 剧本一集一份。整部戏的前提、规则、每一集的目标、哪些伏笔在哪一集收、谁从哪一集起知道了什么，写在一份 Story Outline 里。Agent 动笔写任何一集之前先读它，第七集就不会忘了第二集埋的东西。
资产库。 剧本里写到的每个人、每个地方、每件东西，是资产库里的一个条目。角色有几套造型，每套造型有自己的设定图；声音绑在角色上，不管哪套造型开口，都是同一个人的声音。之后在任何提示词里写 @女主角，她的脸、她这一集的衣服、她的声音跟着名字一起进来，不必再描述一次。上一节那些经验，就落在这些卡怎么写、怎么画上。
镜头表。 每一集一份 Shotlist，每一场拆成镜头，每个镜头写明用谁、在哪、拿着什么、什么景别、拍几秒。镜头不是一段孤立的提示词，它知道自己在哪一集的哪一场，前后是什么。
多个镜次。 一个镜头生成几条镜次，摊在画布上一起看，挑一条接得上前后的当正式镜次。选定之后它马上进序列里，可以播，播出来不对就换一条，不必重写提示词。
导演台。 这是给极少数复杂镜头准备的。电影里的大场面，追车、群戏、两个人隔着整个房间对峙，光靠文字，空间和机位很难稳住。导演台让你先在 3D 里把场景、人物、摄影机摆好，锁住每个人的位置和走位，再让模型照着这个空间拍。平常的对话戏用不上它；真到了用得上的那一场，它能省掉的是一整天的重拍。
Agent 和 Skill。 把这一切串起来的是 ClipTap Agent。你用大白话告诉它要做什么，它读的是整个项目：剧本、Outline、资产库、镜头表。你说「把第三场拆成五个镜头」，它找到第三场，看出每个镜头里有谁、在哪、拿着什么，从资产库挂上对应的条目，再写提示词。而上面那一整节用钱换来的经验，我们写成了 Skill，Agent 照着做。你可以用我们写好的短剧 Skill，也可以把自己团队的拍法写成一个，下次开新戏，它还记得。
贴进去的是剧本，排出来的是一部戏
假设你手上有一部十集短剧，一集两分钟，讲一个大夜班护士发现医院里有人在偷换病人的药。
你把整份剧本贴给 Agent。它只问你一张卡：风格和年代、打算用哪个视频模型、剧本有疑点时动不动。然后它开始读。
读完，剧本变成十集。Story Outline 有了：前提、规则、每一集要做到什么、第二集埋的药瓶第六集怎么收。护士、药剂师、第三集才出现的督察，各自成为资产库里的一个角色。护士有三套造型：工作服、便装，还有第九集被停职以后的样子，每一套都有自己的设定图，共用同一个声音。病房、药房、她租的小公寓是三个场景，每个场景按出现过的机位各有一张空景。那瓶被换掉的药是一件道具，它有自己的参考图。
接着是分镜。十集，每集一份镜头表，每一场拆成镜头，提示词卡先写好，每张卡上已经挂好了该用的人、景、物。到这里为止，一个积分都没花。Agent 不会替你按下生成，它把整部戏排好，停在开机之前，等你看一遍。
开机。你可以只拍一个镜头，也可以整集排进去，每一次都先看到价格。镜次摊在画布上，你挑接得上的那条。到了第六集，护士还是第一集那张脸，穿的是这一集该穿的那一套，因为每个镜头引用的都是资产库里同一个她。
第八集有一场戏，督察坐在药房的柜台后面，护士站在门口，两个人隔着整个房间对峙。这一场你先在导演台上把药房、两个人和摄影机摆好，再让模型照着拍。其他九集的对话戏，用不着。
最后，戏要离开 ClipTap。我们不做剪辑软件，你手上的 Premiere Pro、Final Cut Pro、DaVinci Resolve 或剪映已经够好了。每一集选定的镜次会整理成一条时间线，在剪辑软件里打开就能接着剪。
招募 Claude 和 ChatGPT 进组
你很可能已经有一套自己的做法：用 Claude 或 ChatGPT 写剧本，用 GPT Image 2 做参考图，用 Seedance 或 Kling 拍视频。这套做法里真正费人的地方，是窗口之间的搬运：剧本从聊天里复制出来贴进文档，角色描述一遍遍重新打，哪张脸是定稿靠文件名记，提示词改了三版，没人知道现在生成用的是哪一版。
ClipTap 支持开放的 MCP 协议。接上之后，Claude 和 ChatGPT 就在你的项目里开工：读得到你的剧本和资产库，能接着现有的镜头表往下拆，能写提示词卡，也能在导演台上搭 3D 场景。它们写下的每一样东西，落的都是项目里的那份结构：台词和原稿逐句比对，角色换成资产库里真实存在的那一个，秒数按所选模型的上限算好。Claude 写完的那一刻，这些东西已经是可以开机的分镜，不再是一段要你搬来搬去的文字。
这些工作用的是你已经在付费的 Claude 或 ChatGPT 套餐，剧本、分镜、提示词不花 ClipTap 积分。真要花钱的生成，权限默认是关着的。你每个月付钱的 Claude，该进组拍片了。
从第一天起，同时为人类和 Agent 而设计
做这个产品的过程中，我们越来越清楚一件事：以后在项目里干活的，很多不会是人，而是 Agent。所以我们把积累的经验写成 Skill，设计了 ClipTap Agent，也把门打开给你从外面带进来的 Claude、ChatGPT 和 Codex。
以前设计软件，是替人设计界面。现在除了人，还得替 Agent 设计，而两边要的东西不一样。人需要顺手的按钮，Agent 需要清楚的事实：这个角色是谁，这句台词原本怎么写，这个模型一段最长能拍几秒。所以 ClipTap 的项目底下是一份有结构的数据，人在界面上改的，和 Agent 通过工具改的，是同一份东西。我们自己的 Agent 没有特权，它和从外面进来的 Claude 走同一套方法，过同一套检查。
我们也很早就决定：系统只守事实，不替你决定品味。台词 AI 不能偷偷改，要改就说清楚改了哪一句。一个镜头引用的角色，必须是资产库里真的存在的那一个。模型做不到的事，系统直接告诉它。至于一场戏该用几个特写、一个镜头该拍多长，这些是手艺，不是事实，我们不把它写死在系统里。模型每隔几个月换一次，今天合理的规定，明年很可能就是错的。手艺放在 Skill 里，可以改，可以换，可以是你自己的。
还有钱。Agent 可以替你想，也可以替你写，但花钱的决定留在人手上。不管是我们的 Agent 还是从外面接进来的，每一次生成之前都先让你看到价格；外面的应用第一次连进来，「消耗积分」这项权限默认关着，开不开由你。
说到底，我们想做的是一个让人和 Agent 可以一起拍戏的地方。人负责判断，Agent 负责把该记住的记住，把该做的做完。
带一个好故事来就行
一整个 AI 剧组，随时开机。编剧、分镜、美术与声音的行业方法已经在这里，你只需带来自己的故事。