把剧本交给OpenMontage,短剧能做到哪一步?【下篇】

大家好，我是你的智能搭子阿洁。

上篇试完OpenMontage，我留下了三个明显的问题：手机聊天界面太简陋，场景之间缺动作，同一个人换镜头后，声音也不够一致。

这次我把《一盏灯，两种心动》的第一集重新做了一版，接出了约1分52秒的完整片子。头像和实体手机补上了，两个人各用固定声音，下车、走路、落座、停车也逐段重做。

精修版确实比上篇的初测版好了不少，但看完整集，我的判断是：它能帮我做出一版完整、可以继续剪的片子，目前这版短剧还达不到直接发布的效果，仍然需要人工剪辑。

结果比“让画面动起来”复杂得多：人从车里站起来了，后面还得走出画面；烤串举起来了，放下时还得找到盘子。

这期间，我还用OpenMontage做完了一条约4分59秒的PoseSwap横屏讲解。同一个工具，一边组织短剧补镜，一边把已有实测素材做成教程，两条制作过程正好放在一起看。

先看第一集重制版，再聊具体怎么改，以及讲解视频是怎样做出来的。

先说清楚，这次是谁在做什么

没看过上篇的朋友，可以把OpenMontage理解为一套给Agent使用的视频制作工程：把剧本、分镜、素材、生成任务和合成记录组织起来，方便继续修改。

我这次由Codex推进制作，本地ComfyUI里的H3负责生成动态镜头，Qwen3-TTS准备人物对白，Remotion负责剪辑、字幕和最终合成。OpenMontage把这些环节放进同一个项目里。

它的Backlot面板能查看阶段、分镜和素材。实际制作主要由Agent调用工具推进，操作方式和剪映那种手工时间线不同。

这里先按分镜安排制作，后来补足行走、拿放道具的过程，实际片长也随之增加。

这点会影响期待：看板里有一个完整项目，不代表下载后就能自动获得我本机的模型、声音和全部适配。想试同样的本地路线，需要先准备能运行的H3环境，再接入自己的素材和对白。

手机补上了，动作还得接着往下拍

第一集开头，陈屿收到一条“我们还是算了吧”的消息。这条消息交代人物状态，观众需要看清。

旧版在画面上放了一个简化聊天框。重做时，我把它放回剧情里的实体手机：手握着手机，消息带头像，再用人物反应和按侧键锁屏的镜头，把收到消息后的过程交代出来。

这里我先确定屏幕里的内容，再约束动作顺序：读消息、按侧键、屏幕变黑。原图和结束图分别固定亮屏、黑屏状态，减少生成时临时改消息、改界面的机会。

换场景时也遇到类似问题。中途一版已经有“下车”和“落座”，连起来看仍然跳：陈屿站到车外就切走了，下一场两个人直接坐在烧烤桌边。

后来补成了两段完整过程：停车场里，下车、关门、走几步，从右侧出画；到了烧烤摊，从左侧走入，再分别坐到桌子两边。

这次我检查一个动作，会连着看起点、过程和终点。只看到人站起来，还不足以交代他已经离开；落座前有走入画面的过程，两场之间就多了一点到达的感觉。

烤串放在哪儿，首帧就要安排好

烧烤段最具体的问题，是烤串直接放在了裸桌面上。

回头看首帧，道具位置已经错了。后面再要求“自然拿起烤串”，模型会沿着这个摆法继续动。

所以这轮先把首帧改成白瓷碟盛放烤串，再生成拿起和放回。周航的对白近景也同步补上餐碟，避免特写里有碟子，切回人物时又消失。

举串时还出现过换手，后来重新沿用原来的持串手。拿起、举着说话、放回碟子，才有机会接成同一个动作。

人物的脸、服装和场景要连续，道具的状态也得跟着连续。如果第一张图已经和剧情要求矛盾，我会先修图，再跑视频。否则出片以后，往往要连着返工好几个镜头。

停车段，先把车和门店的位置定下来

停车比预想中更费事。单条片里，车看起来停稳了；换到下车镜头，车头朝向、驾驶门和门店的位置却接不上。

这轮先画了平面关系：道路在前，路沿和人行道在车后，门店再往后。车位平行路沿，车头统一向左，机位保持在道路对面。

接着按这套位置生成：缓行停稳、驾驶侧开门、下车关门、沿车侧走到车尾，再绕上人行道。观众能看见人怎样从车旁走到店门口。

这一段仍用到了后期。走路片后半段的店招文字发生变形，最后把正确首帧里的“清”字跟踪到对应位置，保留其余画面。车内对白里不自然的冷光，也另外做了色温与曝光校正。

这些修改没有重新生成台词或人物动作。它们解决的是具体画面问题，也说明这版成片包含了逐镜选择和后期处理，不能把最终观感全部算成一次生成的结果。

两个人先定声音，再让镜头跟着对白走

声音这次换了制作顺序。

先用本地Qwen3-TTS准备陈屿、周航两套虚构男声，再分别生成原剧本对白。同一角色继续沿用同一套声音参考，旁白也保留陈屿的声线。

然后把人物首帧和固定对白音轨送进H3工作流，让画面按这段音频生成嘴部表演。最后剪辑时，仍使用原先那条独立对白轨，把环境声、关门声和脚步声放在下面。

这样接起来，角色声音的来源固定了，某条视频额外生成的尾音也不会混入整集。对白保持原速，没有为了缩短片子统一加速。

音轨固定以后，嘴型还需要单独看。我会重点检查开口、句尾收口，以及转头时嘴部有没有继续乱动。声音统一和表演自然，是接下来还要分别判断的两件事。

这套音频引导接法用了本期的本地工作流适配。只打开OpenMontage面板，声音和同步流程不会自行配好。

精修花了多久？视频生成累计约5小时35分钟

这次机器仍是RTX 5070 12GB显存、32GB内存，使用本地H3 INT8和Turbo六步路线。主要生成源片是768×1376，成片输出1080×1920、24帧；导出尺寸比源片大。

为了做出文中这版约1分52秒的精修片，我回查了这次重制的执行记录：44次已记录的视频生成尝试，工具执行耗时累计约5小时35分钟。其中包含后来没有采用、重新生成或被替换的试片，返工也算在内。

这个数是各次本地H3视频生成工具的执行时长相加，包括模型运行和结果取回等环节，不是纯GPU采样时间，也不等于从开始制作到拿到成片，只过了5小时35分钟。

其中一轮12条定向补镜就累计约102分钟。下面几条记录，能看出等待大概花在什么地方：

还有一部分时间不能漏掉：Codex调用大模型分析剧本、规划分镜、改提示词和代码，需要等待；首帧图像生成、Qwen配音、最终渲染，以及人来审片、挑镜头、调整剪辑，也都要花时间。这些环节没有完整合并计时，所以我目前只能给出可核对的视频生成累计耗时，不能报一个精确的全部制作总工时。

换句话说，5小时35分钟只覆盖已经记录的视频生成环节。真要评估自己能不能做这类片子，还得把大模型调用和人工修改的时间一起留出来；不同硬件、模型和返工次数，结果也会不同。

这也解释了上篇为什么先发初测。多留几个走路、拿放道具的镜头，片子只长了一点，背后却要多准备首帧、多等几条生成，再检查能不能接起来。

它本身支持讲解视频，我用PoseSwap试了一条

OpenMontage本身就支持制作讲解视频。项目说明（https://github.com/calesthio/OpenMontage#pipelines）里列有动画讲解、软件演示等制作流程，可以由Agent组织脚本、旁白、画面、字幕和最终合成。图片配旁白、再通过Remotion编排成片，也是它提供的制作方式之一。

所以这次除了继续精修短剧，我也想试试：把已经做过的实测交给它，能不能制作一条把操作和结果讲清楚的教程？前面那期PoseSwap正好有现成素材，我就拿它测试这项能力，单独建了一个横屏讲解项目。

这次用的是现代瑜伽服人物原图、六张换姿换装结果、参考图库宫格和完整的ComfyUI操作界面截图。制作时沿用阿洁固定的Qwen配音，再用Remotion合成，看看已有素材能怎样组织成一条完整讲解。

这条片子要回答三个问题：人物和参考图怎么接？换姿、换装分别改变了什么？两步连起来以后，姿势还能保留多少？

所以开头直接并排放原人物、侧身结果和西装结果，先让观众看到效果。后面再依次讲换姿、换装和串联，把“输入什么、得到什么、哪里发生了变化”放在同一幅横屏画面里。

制作时先把内容拆成14段口播，每段对应一组真实素材和一个要讲清楚的点，再做视觉分镜。像节点连线这一段，就保留完整操作截图，用彩框指出人物、姿势和输出的位置；讲效果时，则换成完整人物的并排对照，手脚也能一起看。

分镜确认后，用阿洁固定的Qwen声音生成原速旁白，再按每段音频的实际长度安排画面和字幕。最后通过OpenMontage调用Remotion合成，输出1920×1080、30帧，成片约4分59秒。

这里没有让H3重新生成换装人物，也没有把截图做成假操作录屏。换姿换装结果来自之前的真实复测，视频里的工作，是把这些结果、界面和解释接起来。串联部分也讲清楚了：连线已经核验，54秒只指后一步换装，不是整条流程一次运行的总耗时。

做这类讲解，我最需要的是素材对应得上，旁白讲到哪儿，画面就让人看到哪儿。横屏可以同时放人物、参考和结果，这次选它有具体用途；短剧里的走路、拿串和停车问题，仍然要靠镜头本身解决。

两条片子做下来，OpenMontage承担的工作是相通的：保存方案、口播或剧本、分镜、素材和合成记录，让Agent能接着修改。真正决定画面质量的环节则不同——短剧要盯人物表演和动作连续，讲解片要盯内容顺序、图文对应和停留时间。

想照着试，我会先做这一个小场景

如果已经装好OpenMontage和可用的本地H3环境，我建议先选两个人、一张桌子、一句对白，跑完一小段，再决定是否展开整集。

准备人物参考、一个清楚的场景首帧，以及已经确定的对白。首帧里就放好椅子、杯子和餐碟，并说明人物在桌子的哪一边。

给Agent的任务，可以先写得这么具体：

这里最有用的准备，是把“这条拍完以后，人和道具应该在哪里”提前说清楚。要拿起物品，就把物品和容器放进首帧；要离开，就把终点定为人物出画；要接下一场，就让上一场的离开方向和下一场的进入方向能接上。

我的结论：能推进制作，短剧还得人工剪

OpenMontage能做什么？这次两条片子验证到的是：它可以让Agent把剧本或讲解内容拆成分镜，组织已有素材或调用模型生成新素材，再安排配音、字幕和最终合成。哪条镜头要换、声音用哪一版、合成从哪里继续，都能留在项目里，适合反复修改。

做到什么程度？有现成实测图和界面的PoseSwap讲解，已经做出了一条约5分钟的完整横屏视频。短剧这边，也能把多个生成镜头接成完整一集，精修后的动作交代和声音一致性比上篇明显进步。

但这次短剧精修版，还不能直接当作发布成片。人物动作、镜头衔接、口型和整场戏的节奏，仍然需要人看、人工挑片和剪辑；有些问题还要回去补镜。能导出一条完整MP4，和剪出一条看着顺、愿意发布的短剧，中间还有一段工作。

如果有时间还可以让它继续改，但是我觉得没有意义。

所以，我会把OpenMontage用在组织制作、生成素材和形成初剪上，最终发布前保留人工精剪这一环。想拿它做图文实测讲解，可以从自己已有的素材开始；想做连续剧情，就要同时准备好模型运行的等待和人工剪辑的时间。

项目入口：OpenMontage（https://github.com/calesthio/OpenMontage）。本地模型说明：MiniMax H3（https://huggingface.co/Comfy-Org/MiniMax-H3），加速节点：H3 Turbo（https://github.com/Larryvrh/ComfyUI-MiniMax-H3-Turbo）。