Vidu Q1可实现故事脚本自动分镜与视频生成，需先结构化拆解为15–20秒镜头，每镜提取主体、单向动作、环境三项硬信息并压缩为固定格式提示词；上传角色/道具/场景参考图并精准框选绑定；最后用Vidu Agent批量生成带自动配乐与转场的连贯成片。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

你想用Vidu把一段完整故事脚本自动拆解成多个连贯镜头，并生成对应视频片段，避免手动分镜、逐帧重写提示词、反复上传图再合成的繁琐流程。

准备结构化分镜提示词

这一步决定后续所有镜头是否能准确还原情节逻辑。不能直接把整段脚本粘贴进去——Vidu Q1对长文本的理解会模糊关键动作节点，导致生成画面跳脱或主体错位。

通读你的原创脚本，按人物动作完成度或场景切换点切分，每段控制在15–20秒内可承载的信息量；例如“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”应拆为4个独立镜头，而非1句长描述。

为每个镜头单独提取三项硬信息：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”，禁用“似乎犹豫”“大概想打开”）、环境（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”）。

将三项压缩成一句提示词，格式固定为：【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”。

检查每句提示词里是否出现“大概”“可能”“仿佛”等模糊副词——只要有一个，该镜头生成稳定性下降60%以上。

上传角色与场景参考图

多镜头连贯性的核心不是靠模型猜，而是给它视觉锚点。没图就跑多镜头，等于让AI闭着眼走钢丝。

方法一：为每位主要角色上传1张高清正面半身照，背景纯白或深度虚化，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，需另传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：平铺正视图（显字迹）、手持微倾45°图（显厚度与折痕）、侧光打亮纸纹图（显材质老化感）。

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，多镜头间人物站位会漂移】。

在Vidu Q1中启用参考生视频并绑定图与词

这一步必须用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断裂。

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”，按顺序导入你准备好的角色图、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，用矩形框精准圈定你要锁定的区域：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——框大了会引入干扰信息，框小了则丢失空间参照。

在提示词框中，将第一镜头的结构化提示词粘贴进去；鼠标选中提示词里的主体名称（如“穿米白风衣的短发女性”），拖拽至对应角色图缩略图上方，松手即完成绑定；同理，把“泛黄信封”拖到道具图上，“咖啡馆玻璃门”拖到场景图上。

用Vidu Agent批量生成并自动配乐转场

这是真正实现“一键多镜头”的最后一步。别手动点生成四次——那样得不到节奏统一的成片。

第一步：确认所有镜头提示词已分别存为独立文本文件，命名规则为“镜头01_推门.txt”“镜头02_入座.txt”……保存在同一本地文件夹。

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”，指向你刚建的文件夹。

第三步：在参数面板中开启三项开关：①“自动匹配参考图”（系统会按文件名关键词关联已上传图）；②“统一BGM节奏”（自动分析各镜头情绪强度，插入匹配鼓点与弦乐起伏）；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，且已自动拼接为单条带音轨的MP4文件。