ClipTap 正式發布：從一個鏡頭，到一整部戲
用 AI 拍一個鏡頭很容易，拍完一部戲很難。資產要一套套建，提示詞要來回改，鏡次要一條條抽，站位、動作、景別都要有人審。一個提示詞框裝不下一部戲。這篇講我們為什麼做 ClipTap，以及一部十集短劇在裡面是怎麼開機的。
用 AI 拍一個鏡頭很容易。寫一段描述，選一個模型，幾分鐘後出來的畫面好得讓人有點不敢相信。
拍完一部戲很難。女主角要定妝，一套造型不夠，上班、居家、受傷之後各要一套，每一套都得有自己的參考圖。場景要搭，藥房從門口看和從櫃台後面看是兩張不一樣的圖。提示詞寫好了要改，改完了要抽，一條鏡頭抽十幾次是家常便飯，抽出來還要有人一條條看：站位對不對，動作有沒有做完，景別是不是和上一個鏡頭接得上，手裡的東西還在不在。這些活沒有一樣是模型替你做的。
而且這還只是一個人的事。一部短劇動起來，幾百張參考圖、幾千條提示詞、上萬條鏡次，要能找到、要能分給幾個人同時做、要有人審、要知道哪一版是對的。一個提示詞框，裝不下這些。它需要的是一套工業級的辦法。
ClipTap 團隊就是在這件事上泡出來的。我們服務過多家工作室，自己也製作過多部短劇，踩過的坑、燒掉的 token、總結出來的做法，都變成了 ClipTap 裡的解決方案。用這些辦法做戲，彎路少走很多，作品交得快、品質穩，而省下來的錢，往往是你事後算帳才發現的。
畫面很驚豔，但是穿幫無處不在
如果你用 AI 做過一部短劇，大概有過這樣的經歷。每個鏡頭單獨看都沒問題，連起來放，穿幫無處不在。前一秒人還坐在桌邊，下一秒就站在門口了；前一秒兩個人面對面，後一秒變成並排走。女主角的遠景和特寫不像同一個人，遠景裡是一張瓜子臉，切到特寫變成了圓臉，到了第三集，連第一集的臉也認不太出來。她家客廳的窗戶換了位置，藥房的櫃台一會兒在左一會兒在右。
空間、姿勢、造型、臉，每一樣都需要關注，一個瑕疵就足以讓人出戲。
模型越來越強大，經驗也至關重要
我們一開始也想，等模型再好一點，這些問題自然會少。做得越久，越覺得這只對了一半。模型確實一年比一年強，但每一代模型都有自己的脾氣：它愛畫什麼、怕什麼、哪種寫法它聽得懂、哪種寫法它會自己發揮。摸清這些脾氣，你就能沉澱出一套又一套技巧。這些技巧全是拿 token 燒出來的，價值不菲。
舉幾樣我們和同行們用了很多錢換來的經驗。
人物不是一張卡，是一組狀態。 角色受傷、年少、換了居家服，每一種狀態都要有自己的設定圖，而不是一張圖配一句「受傷了」。設定圖用三視圖：正面全身、背面全身、胸上特寫，灰底，不畫分隔線。之後不管拍哪個鏡頭，參考圖給的都是這一張，遠景和特寫才是同一個人。
場景按機位出圖。 一個藥房，從門口往裡看和從櫃台後面往外看，是兩張空景。鏡頭朝哪邊，就給哪張。
鏡頭要寫成物理裝置。 「中景」太模糊，模型會自己理解。寫視角多少度、離人多遠、固定還是手持，兩個人誰在畫面左誰在右，身高差多少公分，一共幾個人。數量鎖、身高鎖、位置鎖，三把鎖一起上，多人同框才穩。
光源要是場景裡真有的。 夜裡的內景，光只能來自燈、蠟燭或窗外，寫了「陽光」模型就給你一輪太陽。一場戲一個光的基調，別每個鏡頭重寫一遍。
情緒寫成表演，不寫成形容詞。 「冷汗」「油光」會把真人該有的霧面皮膚蓋掉。想要緊張，寫抿嘴、皺眉、呼吸變急。台詞前面寫這一刻怎麼說：音量、節奏、喊到最後破不破音。沒點名的人閉嘴，不然兩個人會一起張口。
每次只改一處。 審片對著原設定圖看，不對著上一條鏡次看，不然漂移會一條條累積。漂移多出現在第五到第八秒，所以一段別拍太長。聲音預設不配樂、不出字幕，這些留給剪輯。
這些東西寫在哪裡？在我們接觸的大多數團隊裡，它們寫在某個人的腦子裡、幾份文件裡，或者幾十個聊天視窗的歷史紀錄裡。人一換，經驗就跟著走了。
為什麼 ClipTap 值得信賴
ClipTap 為電影和長劇而生。我們的出發點很簡單：一部戲不是一堆鏡頭，它是一個專案。所有在十集裡必須保持一致的東西，都應該只定義一次，放在一個有結構的地方，之後每一次生成都從那裡取。
劇本和 Story Outline。 劇本一集一份。整部戲的前提、規則、每一集的目標、哪些伏筆在哪一集收、誰從哪一集起知道了什麼，寫在一份 Story Outline 裡。Agent 動筆寫任何一集之前先讀它，第七集就不會忘了第二集埋的東西。
資產庫。 劇本裡寫到的每個人、每個地方、每件東西，是資產庫裡的一個條目。角色有幾套造型，每套造型有自己的設定圖；聲音綁在角色上，不管哪套造型開口，都是同一個人的聲音。之後在任何提示詞裡寫 @女主角，她的臉、她這一集的衣服、她的聲音跟著名字一起進來，不必再描述一次。上一節那些經驗，就落在這些卡怎麼寫、怎麼畫上。
鏡頭表。 每一集一份 Shotlist，每一場拆成鏡頭，每個鏡頭寫明用誰、在哪、拿著什麼、什麼景別、拍幾秒。鏡頭不是一段孤立的提示詞，它知道自己在哪一集的哪一場，前後是什麼。
多個鏡次。 一個鏡頭生成幾條鏡次，攤在畫布上一起看，挑一條接得上前後的當正式鏡次。選定之後它馬上進序列裡，可以播，播出來不對就換一條，不必重寫提示詞。
導演台。 這是給極少數複雜鏡頭準備的。電影裡的大場面，追車、群戲、兩個人隔著整個房間對峙，光靠文字，空間和機位很難穩住。導演台讓你先在 3D 裡把場景、人物、攝影機擺好，鎖住每個人的位置和走位，再讓模型照著這個空間拍。平常的對話戲用不上它；真到了用得上的那一場，它能省掉的是一整天的重拍。
Agent 和 Skill。 把這一切串起來的是 ClipTap Agent。你用白話告訴它要做什麼，它讀的是整個專案：劇本、Outline、資產庫、鏡頭表。你說「把第三場拆成五個鏡頭」，它找到第三場，看出每個鏡頭裡有誰、在哪、拿著什麼，從資產庫掛上對應的條目，再寫提示詞。而上面那一整節用錢換來的經驗，我們寫成了 Skill，Agent 照著做。你可以用我們寫好的短劇 Skill，也可以把自己團隊的拍法寫成一個，下次開新戲，它還記得。
貼進去的是劇本，排出來的是一部戲
假設你手上有一部十集短劇，一集兩分鐘，講一個大夜班護理師發現醫院裡有人在偷換病人的藥。
你把整份劇本貼給 Agent。它只問你一張卡：風格和年代、打算用哪個影片模型、劇本有疑點時動不動。然後它開始讀。
讀完，劇本變成十集。Story Outline 有了：前提、規則、每一集要做到什麼、第二集埋的藥瓶第六集怎麼收。護理師、藥劑師、第三集才出現的督察，各自成為資產庫裡的一個角色。護理師有三套造型：制服、便服，還有第九集被停職以後的樣子，每一套都有自己的設定圖，共用同一個聲音。病房、藥房、她租的小套房是三個場景，每個場景按出現過的機位各有一張空景。那瓶被換掉的藥是一件道具，它有自己的參考圖。
接著是分鏡。十集，每集一份鏡頭表，每一場拆成鏡頭，提示詞卡先寫好，每張卡上已經掛好了該用的人、景、物。到這裡為止，一點點數都沒花。Agent 不會替你按下生成，它把整部戲排好，停在開機之前，等你看一遍。
開機。你可以只拍一個鏡頭，也可以整集排進去，每一次都先看到價格。鏡次攤在畫布上，你挑接得上的那條。到了第六集，護理師還是第一集那張臉，穿的是這一集該穿的那一套，因為每個鏡頭引用的都是資產庫裡同一個她。
第八集有一場戲，督察坐在藥房的櫃台後面，護理師站在門口，兩個人隔著整個房間對峙。這一場你先在導演台上把藥房、兩個人和攝影機擺好，再讓模型照著拍。其他九集的對話戲，用不著。
最後，戲要離開 ClipTap。我們不做剪輯軟體，你手上的 Premiere Pro、Final Cut Pro、DaVinci Resolve 或剪映已經夠好了。每一集選定的鏡次會整理成一條時間線，在剪輯軟體裡打開就能接著剪。
招募 Claude 和 ChatGPT 進組
你很可能已經有一套自己的做法：用 Claude 或 ChatGPT 寫劇本，用 GPT Image 2 做參考圖，用 Seedance 或 Kling 拍影片。這套做法裡真正費人的地方，是視窗之間的搬運：劇本從聊天裡複製出來貼進文件，角色描述一遍遍重新打，哪張臉是定稿靠檔名記，提示詞改了三版，沒人知道現在生成用的是哪一版。
ClipTap 支援開放的 MCP 協定。接上之後，Claude 和 ChatGPT 就在你的專案裡開工：讀得到你的劇本和資產庫，能接著現有的鏡頭表往下拆，能寫提示詞卡，也能在導演台上搭 3D 場景。它們寫下的每一樣東西，落的都是專案裡的那份結構：台詞和原稿逐句比對，角色換成資產庫裡真實存在的那一個，秒數按所選模型的上限算好。Claude 寫完的那一刻，這些東西已經是可以開機的分鏡，不再是一段要你搬來搬去的文字。
這些工作用的是你已經在付費的 Claude 或 ChatGPT 方案，劇本、分鏡、提示詞不花 ClipTap 點數。真要花錢的生成，權限預設是關著的。你每個月付錢的 Claude，該進組拍片了。
從第一天起，同時為人類和 Agent 而設計
做這個產品的過程中，我們越來越清楚一件事：以後在專案裡幹活的，很多不會是人，而是 Agent。所以我們把累積的經驗寫成 Skill，設計了 ClipTap Agent，也把門打開給你從外面帶進來的 Claude、ChatGPT 和 Codex。
以前設計軟體，是替人設計介面。現在除了人，還得替 Agent 設計，而兩邊要的東西不一樣。人需要順手的按鈕，Agent 需要清楚的事實：這個角色是誰，這句台詞原本怎麼寫，這個模型一段最長能拍幾秒。所以 ClipTap 的專案底下是一份有結構的資料，人在介面上改的，和 Agent 透過工具改的，是同一份東西。我們自己的 Agent 沒有特權，它和從外面進來的 Claude 走同一套方法，過同一套檢查。
我們也很早就決定：系統只守事實，不替你決定品味。台詞 AI 不能偷偷改，要改就說清楚改了哪一句。一個鏡頭引用的角色，必須是資產庫裡真的存在的那一個。模型做不到的事，系統直接告訴它。至於一場戲該用幾個特寫、一個鏡頭該拍多長，這些是手藝，不是事實，我們不把它寫死在系統裡。模型每隔幾個月換一次，今天合理的規定，明年很可能就是錯的。手藝放在 Skill 裡，可以改，可以換，可以是你自己的。
還有錢。Agent 可以替你想，也可以替你寫，但花錢的決定留在人手上。不管是我們的 Agent 還是從外面接進來的，每一次生成之前都先讓你看到價格；外面的應用程式第一次連進來，「消耗點數」這項權限預設關著，開不開由你。
說到底，我們想做的是一個讓人和 Agent 可以一起拍戲的地方。人負責判斷，Agent 負責把該記住的記住，把該做的做完。
帶一個好故事來就行
一整個 AI 劇組，隨時開機。編劇、分鏡、美術與聲音的行業方法已經在這裡，你只需帶來自己的故事。