如何在 15 秒片段之间守住一个场景

三个字段决定一切

公开 API 只有一个最多 50,000 字符的 prompt 字段。底下, H3 家族是按三字段描述训练的, fal 的 prompt rewriter 也会在 expanded_prompt 里输出这个形状。自己写出来, 就少了一层猜测。

一个没有人脸的 bumper

没有人脸和手的片段失败率最低, 所以新频道第一小时适合做台标、bumper、天气和自然画面。

integrated_multimodal_description: [Shot 1] Live-action, macro, shot on 1990s broadcast video.
A chrome kinetic sculpture rotates once on a black seamless backdrop.
Push In, small amplitude, slow speed. No people, no on-screen text.
No speckles, no floating artifacts, no extra limbs, no distorted faces.
overall_soundscape: One low mechanical servo hum, one metallic clack, faint room air.
non_diegetic_music: Four notes on an electric piano at a slow tempo.

• 描述: 15 秒片段 300-450 词, 只写播放顺序里看得到、听得到的东西。先写风格契约, 再写色调、材质和光线。
• 镜头: 15 秒 2-4 个, 每个不短于 3 秒。每个镜头只有一个固定词表里的 camera move。
• 对白: 稳定 speaker id, 每条片段最多一两句短对白, 且整句在一个镜头里。对白是模型最不可靠的通道。
• 音景: 2-4 句, 写具体声源和材质。千万别在这里写音乐。
• 音乐: 一两句乐器、速度、动态。不要音乐就写 N/A, 之后全文不要再提音乐。

从三个词到四百个词

由另一个语言模型把观众输入一次转换成完整格式。Slop TV 公开的 system prompt 是最清晰的设计: 给 15 秒套上 hook、build、payoff; 加一个观众没要求来的转折; 用改写而不是拒绝来做审核。

• system prompt 里不要放示例: 小模型会照抄给它看到的具体例子。
• 没人排队时, 喂 RANDOM 加上最近播过的标题, 并要求不重复这些主题。
• 绝不让队列空掉。上限 100 条的循环 LIFO 队列, 让 GPU 永远有活干。

两个官方机制, 都不是全自动

• 身份: reference-to-video - 每条片段都传同一组参考图, 按编号引用。先给常驻角色生成一张 character sheet。这是文档里唯一的身份一致性机制。
• 画面: image-to-video - 把片段 N 的最后一帧作为片段 N+1 的第一帧。像素级接缝依赖生成延迟零抖动; 最大独立频道作者称可行但脆弱。
• 叙事: 常驻 system prompt - fal.live 的叙事连续性来自运营者写的常驻方向加观众投票。外部频道靠一个记住最近几幕的 LLM 加人脸参考图达到同样效果。

声音是两个字段, 不是一个参数

• 音景里写具体声源和材质; 音景太薄, 模型会幻听。
• 音乐只写在 non_diegetic_music, 写乐器、速度和动态。
• 写了 N/A 之后, 全文不能再出现音乐或情绪词。游离词会召唤配乐。
• 旁白写「off-screen voiceover」, 并明确画面里角色嘴唇不动。

什么会让直播停掉

• 请求被拦: 常备一叠预渲染 fallback 片段, 把拒绝当「播替补、记日志、继续」, 不要反复重试。
• 延迟抖动: 至少保留两段缓冲, 并且按实测吞吐而非宣传数字来定大小。
• 远景人脸和细活的手: 切近景或切走。
• 双胞胎: 两个相似角色会变成同一个人。给足区分度。
• 漂移: 每条 prompt 都逐字重复风格块。

对频道真正重要的旋钮

来自 fal 三个端点的 OpenAPI schema, 2026-09-03 读取。