英文题目：MAViS: A Multi-Agent Framework for Long-Sequence Video Storytelling
会议身份：
conference:eacl:2026:conference-paper-id:2026.eacl-long.101
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#模型融合 #音视频 #音乐 #语音 #音视频生成
评分：6.0/10 | 创新 1.4/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.8/1 | 影响力 0.4/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
排名：前50% | 文档类型：系统技术报告
👥 作者与机构
- Qian Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Ziqi Huang：机构信息未能从会议 PDF 纯文本可靠映射
- Ruoxi Jia：机构信息未能从会议 PDF 纯文本可靠映射
- Paul Debevec：机构信息未能从会议 PDF 纯文本可靠映射
- Ning Yu：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
该工作处理由一句用户提示生成约1分钟多镜头有声故事视频的任务，难点是长时叙事连贯性、跨镜头角色身份一致性，以及现有模型只能做短片段与单简单动作的能力错配。方法第一步为剧本写作，产出标题、人物定义与分镜大纲和配音字幕，并受结构内容风格三维指南约束。方法第二步为镜头设计与人物建模，将大纲扩展为背景姿态动作道具机位运镜灯光七元组，并自动生成正视图与环绕视频以训练全剧共享多主体低秩适配器。方法第三步承接上游七元组与适配器进行关键帧生成，再将首帧扩展为视频片段并合成旁白与背景音乐，全阶段复用探索检查增强闭环。与已有方法关键差异是以规避同背景连续镜头与复杂动作的指南及跨阶段评审精炼提示与候选，其实际意义是提升脚本与生成模型的兼容性与长序列可控性。在自建20个提示词的评测下，MAViS的关键帧CLIP得分为34.22，高于Mora的关键帧CLIP得分的33.98。该结论适用边界受限于温和拼接式叙事，尚未验证人物对话交互与复杂运镜场景，且推理开销方面单片在双H100硬件上平均耗时13.63小时，失败条件下评估器对视觉内容打分可靠性不足。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，要输出什么，哪些信息必须保留？
这篇解读的对象是刚进入语音音乐音频领域的研究生，但论文本身研究的是长序列视频故事讲述。输入非常短，只是一句用户提示，例如想要一个悬疑主题、讲述星际考古学家在异星市场求生的约 1 分钟视频。目标输出是一个包含多个镜头的完整长视频，每个镜头都有视频片段和音频轨道，音频包括按镜头的旁白配音和贯穿全片的背景音乐。必须保留的信息有 3 类。第一是叙事信息，标题、人物定义、每个镜头的出场人物、镜头内容、字幕配音文本。
第二是视觉控制信息，每个镜头 7 个字段，背景、人物初始姿态、人物动作、道具描述、相机位置、相机运动、灯光设计。第三是听觉与对齐信息，背景音乐名称、每镜音色标识与情感、配音时长不得超过视频时长。理解这 3 类信息是后续复述方法的前提，因为所有智能体阶段都是围绕让这些信息从缺到全、从不可执行到可执行来组织的。论文声明的资源状态是没有发现来源绑定且完成验证的资源，因此不能声称代码模型数据已公开，只能按论文文字复述流程与条件。
此前路线在同输入同目标下卡在哪里？
先把任务固定为从简短提示到分钟级多镜头有声视频，再看相关路线。第一条是纯视频生成路线，包括文生视频与图生视频，以及自回归延长和商业模型的时间扩展。它们擅长做单个短片段，但在长叙事上容易出现重复动作、缺乏故事推进，或者时长仍然受限。第二条是图像序列故事可视化路线，用潜在扩散模型生成连贯图像，优点是身份与风格相对可控，缺点是结果更像静态图集，动态与转场有限。
第三条是分层剧本到镜头的多智能体路线，例如梦工厂与电影智能体类工作，引入剧本场景镜头层级，但论文指出它们需要用户大量手写剧本与手动训练人物一致性模型，辅助能力弱，难以大规模部署。第四条是通用大语言模型智能体路线，擅长推理规划与工具调用，但在视频生成中常产生静态内容。
MAViS 的定位是端到端多智能体协作，覆盖剧本写作、镜头设计、人物建模、关键帧生成、视频动画化与音频生成，并声称是唯一提供带解说与背景音乐的多模态设计输出的框架。这个定位决定了后文实验必须同时考核叙事表达、视觉质量与用户对齐，而不只是单镜头清晰度。
论文把困难形式化成什么可操作的问题？
论文把总映射写成从用户提示到包含 N 个镜头的集合，每个镜头是视频与音频的配对。困难被归纳为三点。第一是辅助能力差，不支持从提示自动写剧本、做镜头设计、自动维持身份一致。第二是视觉质量不佳，表现为畸变、不自然动作与错误物体比例。第三是表达能力有限，动作重复、镜头构成缺乏结构。
操作化的方法是把每 1 阶段都看成生成加检查加改进的迭代，而不是 1 次生成。举一个教学例子，假设第一版剧本让同一人物连续两镜出现在同一市场背景，检查器会依据写作指南指出相邻镜头背景重复与人物连续的风险，改进器据此插入一个道具特写作为过渡镜头。这个例子只是帮助理解检查改进的含义，不代表论文报告了该样本的具体分数。
形式化之后，学习依赖很清晰，先理解阶段划分，再理解每阶段的生成器检查器改进器角色，最后理解剧本指南如何提前缩小搜索空间。
MAViS 全景：一个样本如何走完六个阶段？
沿着异星市场考古学家的例子走一遍。用户只给一句话，剧本写作阶段先产出结构化剧本，包括标题、人物定义与分镜大纲，例如第一镜人物为伊森，内容是在悬挂巨型水晶的市场中行走并扫视文物，配音文本对应生存与解密过去；第二镜人物为无，内容是摊位上带发光铭文的球形文物特写。镜头设计阶段把每镜扩展为七字段，例如第一镜相机为中景略俯、静态，灯光为水晶的多彩人造光，第二镜为正面特写、轻微推近、柔和聚光。
人物建模阶段为伊森生成文生图与图生视频提示，产出正面自然姿态图与多角度人物视频，采样多视角图像并生成标注，用于训练人物 LoRA。关键帧生成阶段调用文生图模型池加 LoRA 为每镜画首帧。视频动画化阶段调用图生视频模型池把首帧扩展为视频片段。音频生成阶段选择背景音乐与每镜音色情感，用文转语音生成旁白，并把过长的旁白缩短到装进视频时长，最后音画同步拼接成约 1 分钟长片。
模块化意味着文生图、图生视频与文转语音的具体模型可以替换，论文实现中用了多种开源与接口模型，但解读时只保留阶段职责与数据流，不推定未报告的内部参数。
下面这张总览图把一句话输入如何变成多格有声胶片直观展示出来，重点是输入极简而输出是连续多镜头，适合先建立整体印象再读细节。
看图路径： 1. 从左侧用户一句话输入框沿箭头看到上下两排胶片格；2. 数每排的镜头格数量并注意每格右下角的喇叭图标；3. 对比人物镜头与物体特写镜头如何交替出现；4. 观察同一男主角服装与同一女主角外貌在多格中的延续
论文图 1。原论文 Figure 1：“With just a brief prompt, MAViS enables users to rapidly explore diverse visual storytelling and creative directions for sequential video generation by efficiently producing…”。
这张图报告的内容是，仅用简短提示即可高效产出高质量完整长序列视频，用于快速探索不同视觉叙事方向。左侧是用户文字框与用户图标，右侧是上下两排共十格的胶片，每格都有喇叭图标表示带音频，画面在人物中景、文物特写、市场全景之间切换。可以看到的教学点是，人物与非人物镜头交替有助于避开相邻同人物同背景的连续性难题，而服装与外貌的延续则依赖后文人物建模的 LoRA，不是靠文字描述偶然撞对。
框架细节图进一步把 6 个阶段的智能体分工与数据依赖展开，读懂它才能复述每一步的输入输出。
看图路径： 1. 沿用户输入到剧本写作再到镜头设计的纵向主路径查看；2. 找到人物建模分支中从提示生成到视频采样再到训练 LoRA 的闭环；3. 对比关键帧生成与视频动画化两个阶段的提示生成器输入字段差异；4. 定位音频生成阶段中配音设计器与语音评审的 3E 循环
论文图 2。原论文 Figure 2：“Illustration of MAViS framework.”。
这张图报告的是 MAViS 框架的插图，包含剧本写作、镜头设计、人物建模、关键帧生成、视频动画化与音频生成的协作关系。可见元素包括每阶段的生成器与评审器、3E 循环标记、镜头一与镜头二的七字段示例、人物视频采样到多视角图像再到训练 LoRA 的箭头、以及提示生成器到模型池再到评估选择器的路径。理解时应先沿用户到剧本到镜头到图像到视频到音频的主链看，再看人物 LoRA 作为侧路如何注入关键帧与视频阶段，这样就不会把并行的评审循环误读成串行的生成步骤。
3E 循环与剧本指南：每次迭代到底在算什么？
3E 是探索、检查与增强的缩写。白话说，探索是按当前请求第 1 次生成候选，检查是按指南给反馈，增强是按反馈改写请求再生成。论文给出的符号含义是，生成器用初始请求与生成指南产出结果，评审器按同一指南打分并给出反馈，精炼器按反馈更新下一轮请求，多轮后取最完整版本传给下一个阶段。不同阶段可以并行多个评审器，也可以每轮生成多个候选再挑最高分精炼，生成器与精炼器在实现上可以合一。这些是原文明确的安排，原文未给出梯度路径与参数更新细节，因此不能把 3E 说成神经网络训练，只能说成基于大语言模型智能体的提示改写与选择流程。
\[r1 = G(p1; g),\]上式中 r1 是首轮生成结果，p1 是初始生成请求，g 是生成指南，G 是生成器。它回答的是每 1 阶段从什么出发，第一步算出什么。
\[f1 = E(r1, g),\]上式中 E 是评审器，f1 是对 r1 按指南 g 的检查反馈。它回答的是如何把质量与完整性变成可操作的文字反馈。
\[pi+1 = R(pi; fi, g),\]上式中 R 是精炼器，pi 加 1 是下一轮更新后的请求。它回答的是反馈如何变成下一轮更好的输入，从而形成多轮优化。
3E 原则 × 剧本写作指南： 3E 原则负责每 1 阶段内部的生成、检查与改进循环，分工是让输出逐步完整；剧本写作指南负责限制剧本与生成工具的兼容性，分工是提前避开模型做不好的背景、动作与细节；二者搭配的原因是光有迭代不能解决剧本本身不可执行的问题，光有约束不能修复执行中的随机瑕疵，组合后剧本先变得可做，各阶段再把可做的内容做完整。
剧本写作指南分为三部分。结构指南管场景与镜头切分，要求避免相邻镜头同背景，避免紧密相连空间位置之间的跳切，例如门外到门内，除非叙事必需不要让同一人物连续出现，必要时插入不同人物特写、身体局部、环境细节或重要道具作为过渡，并加强背景与外貌描述。内容指南管单镜头信息量，要求每镜只做一个简单动作，避免连续多动作与精细视觉元素，例如手机屏幕文字与微小花纹。
风格指南管节奏多样性与逻辑完整，要求体裁决定 pacing，情感家庭类慢而分层，动作类快而动态，每剧本必须有标题、人物定义与分镜，每镜必须标明人物或无、镜头内容与字幕配音，字幕语义必须与画面一致。这些约束都来自对当前生成模型短板的经验观察，后文实验小节用实测数字为部分约束提供依据。
镜头设计 × 关键帧生成： 镜头设计负责把剧本的一句话镜头扩展为背景、姿态、动作、道具、机位、运镜与灯光 7 个可执行字段，分工是统一后端的输入语言；关键帧生成负责用文生图模型池加人物 LoRA 把这些字段画成每镜的首帧，分工是固定身份与构图；搭配理由是若没有结构化镜头字段，文生图提示词会缺要素，组合意义是让叙事意图能被图像模型稳定复现。
人物建模 × LoRA： 人物建模负责为每个角色产生多视角图像与标注并训练个性化外观模型，分工是解决跨镜头身份一致；LoRA 负责以轻量低秩适配形式记住人物外貌，分工是在不改变基座文生图模型主体的情况下注入身份；搭配原因是单纯靠文字描述人物无法跨镜头稳定，组合后关键帧与视频生成都能调用同一 LoRA 保持服装发型肤色稳定。
关键帧生成 × 视频动画化： 关键帧生成负责用文生图做出静态高质量首帧，分工是管清晰度、构图与身份；视频动画化负责用图生视频模型池把首帧扩展为约 5 秒的动态片段，分工是管时序连贯与动作幅度；搭配原因是直接文生视频难以同时保证长叙事与高质量，组合后形成论文限定的 T2I 加 I2V 范式，用静帧保质量、用动画保动态。
配音设计 × 字幕精炼器： 配音设计负责选择全片背景音乐与每镜的音色标识和情感，分工是定听觉风格；字幕精炼器负责把旁白文本缩短到能被语音合成后装进对应视频时长，分工是解决音画时长对齐；搭配原因是音乐与旁白若只管好听不管时长会导致溢出，组合后才得到带解说与背景音乐的多模态完整输出。
剧本写作阶段有 4 个智能体，剧本写作者加结构内容风格 3 个评审器，按公式反复迭代直到一致认可。镜头设计阶段有镜头设计者与镜头评审器，把剧本扩展为七字段并检查完整性与风格对齐。人物建模与后续生成阶段的文生图与图生视频过程都遵循 3E，但每轮从模型池产生多个候选，由评估器按图像或视频指南打分选优，再由精炼器更新提示。图像评估看视觉质量、自然度与提示一致性，视频评估在此基础上加主体一致性与动态性。
音频阶段先由配音设计者选音乐与音色情感，经配音评审器检查可用性与匹配度，再由文转语音生成语音，由字幕精炼器压缩文本以满足时长，最后同步。
没有端到端训练时，真正的计算与构造在哪里？
本研究没有训练一个能直接产出分钟级视频的端到端大模型，也没有报告对基座视频模型的梯度微调。必须明确说明未训练哪些模型，再讲实际发生的计算。未训练的是文生图、图生视频与文转语音基座模型，它们作为冻结的外部工具被调用。实际训练的是人物 LoRA，用于记住每个剧本中人物的外貌。
流程是人物提示生成器先写文生图提示与图生视频提示，文生图产出正面自然姿态图，图生视频据此产出多角度人物视频，从视频采样多视角图像，标注生成器为每帧写结构化标注，这些图像加标注用于训练 LoRA，论文实现注明使用支持多主体的训练方法使一个 LoRA 服务整个剧本。实际计算还包括每阶段的多候选生成与评估选择，例如图生视频评估器对每个候选均匀采样 8 帧进行评估，再由选择器综合挑优。
关键帧在送入不同图生视频模型前按模型要求的分辨率中心裁剪缩放，最终视频统一到 1280 乘 720。原文未报告 LoRA 的学习率、步数与数据量细节，也未报告评估器内部的阈值，因此复现时只能保留流程与输入输出格式，不能从模型名称推定超参数。不能把冻结基座等同于系统输出确定，因为模型池采样与智能体改写都带有随机性。
质量与效率如何随迭代次数变化？
附录的质量效率分析按阶段扫描最大迭代数。剧本写作在较小的迭代数下已较满意，继续增加能提升质量而对总效率影响小。关键帧生成同样在 2 轮左右已满意，继续增加提升有限而时间增加。视频动画化在 1 轮已满意，继续增加对总效率影响显著，因此实验中设为 1。镜头设计、配音设计与字幕精炼增加迭代能提升合规而对总效率影响小，但因错误会向下游传播，实验中设为 5。
这些结论的教学意义是，迭代预算应优先给会传播错误的上游与合规环节，而不是均匀分配给最耗时的视频动画化。原文未报告每轮提前终止的分布，因此生成时间不与最大迭代数成线性关系，复现时应记录实际迭代轮数与每轮候选数，否则无法比较成本。
用什么数据、基线与指标测，条件是否一致？
论文自建了 20 条用户提示的测试集，每条目标为 1 分钟视频，因为当时没有适合端到端长故事讲述的公开基准。对比基线为 3 个长视频生成基线，VGoT、Mora 与 MovieAgent。其中 Mora 与 MovieAgent 采用模块化设计，配备与 MAViS 相同的图像视频模型并同样由 GPT-4o 驱动。由于 Mora 与 MovieAgent 不支持剧本生成，论文给它们提供由 MAViS 剧本阶段产出的剧本。对于需要手动训练 LoRA 的 MovieAgent，按所给剧本生成人物图像并为每剧本训练 LoRA。
这种做法保证了剧本起点一致，但也意味着测的是后续阶段的执行能力，而非从零提示的完整辅助能力，对解读基线差距时需要说明。自动指标方面，关键帧阶段用 CLIP 与 Inception 分数衡量提示一致性与生成质量，视频动画阶段用 VBench 的子项衡量时间闪烁、运动平滑、主体一致、背景一致、美学质量与成像质量，方向都是越高越好。另有用户研究让 60 名评估者投票，维度包括叙事表达、视觉质量、用户提示对齐、主体一致、人物自然度、背景一致与背景真实感。
实现上所有智能体基于 AutoGen 并由 GPT-4o 驱动，文生图池、图生视频池与文转语音接口在附录列出，3E 最大迭代数为剧本写作镜头设计与配音设计设 4，文生图过程设 2，图生视频过程设 1，字幕精炼设 5。实验在两块 H100 上进行。
用户研究的界面设计决定了投票的可比性，先看说明再看候选排列有助于理解随机打乱与单选最佳的含义。
看图路径： 1. 先读顶部问卷标题与中间说明框中的分组与投票规则；2. 再看底部四个并排视频候选 A 到 D 的时长与画面差异；3. 确认说明中要求看完所有视频再单选最佳的流程
论文图 6。原论文 Figure 6：“Screenshot of the user study HTML interface with instructions and generated video candidates.”。
这张图报告的是用户研究网页界面的截图，包含指导语与生成的视频候选。可见顶部标题为长序列 AI 故事视频评估，中间说明框写明共 10 组视频、约 40 分钟、每组由相同用户输入生成、顺序随机打乱、需看完再选 A 到 D 中单选最佳，底部是 4 个视频播放器。教学上应先确认评估对象是完整组内比较而非跨组比较，再确认投票基于个人感知而非自动分数，这样才能理解后文投票份额与自动指标分开讨论的原因。
在已有数据集上还能复现吗？
论文还从 MovieBench 与 ViStoryBench 各采样 3 例、每例 10 镜做了补充比较，报告 MAViS 持续优于所比方法。但需要说明的是，这两个基准主要考核文生图与图生视频模型，而非从单句主题到终像素加多模态的整套智能体系统，尤其忽略剧本生成与剧本工具兼容性。因此该补充结果只能说明在给定镜头脚本下的执行能力，不能证明端到端主题到成片的优势。复现时若只有这些数据集，应固定剧本输入、模型池与分辨率裁剪，再比较关键帧与视频指标，并单独记录剧本阶段是否启用，否则会把系统差异误读为模型差异。
主结果测了什么，谁在什么上更好？
主结果要回答 3 个问题，关键帧质量、视频动画质量与真人偏好。论文报告 MAViS 在关键帧的 CLIP 与 Inception 上最高，归因于 3E 对文生图质量的提升。在视频动画上，MAViS 在时间闪烁、运动平滑与图像质量上优于所有基线，但在主体一致与背景一致上略落后于 VGoT。论文给出的有限解释是 VGoT 动态有限且视觉饱和度高，有利于镜内一致与美学，但牺牲真实感。这个解释属于支持性分析而非因果证明，因为动态幅度与一致性分数的关系未做独立控制实验。
用户研究中 MAViS 在所有 7 个维度上都领先，平均投票份额较高。需要区分的是，自动指标是按镜头聚合的模型分数，用户投票是按整片偏好的单选，两者对象不同，不能把自动指标直接当成人评。
下表把论文正文连续原句中实际出现的关键数字整理为可核对的比较，重点是保留可运行的本方法与基线对照的含义，而不是罗列所有表格裸值。表前问题是，在相同测试集与相同模型池条件下，MAViS 的关键帧语义对齐与真人整体偏好是否同时占优，指标方向均为越高越好。
| 条件 | 指标 | 基线侧描述 | 本方法 | 比较对象 |
|---|---|---|---|---|
| 20 条 1 分钟提示测试集 | 关键帧 CLIP | 未报告最高 | 34.22 | 本方法最高 |
| 20 条 1 分钟提示测试集 | 关键帧 Inception | 未报告最高 | 12.81 | 本方法最高 |
表后解释是，本表的收益是语义对齐与整体偏好同时指向同一方法，支持端到端流程的有效性，但代价与反例必须同时说明。代价是后文的长时间开销，未胜出项是 VGoT 在主体与背景一致上的领先，说明在低动态高饱和风格下自动一致性分数可能更高，但用户并未因此更偏好 VGoT，这提示一致性分数与观看体验并不等价。未评测边界是该表未覆盖音频质量的独立评分，论文只声称提供带解说与背景音乐的输出，未报告音频自然度或音乐匹配度的单独指标。
| 条件 | 指标 | 不用 3E | 用 3E | 变化方向 |
|---|---|---|---|---|
| 关键帧文生图过程 | 自然度 | 72.0 | 98.0 | 升高 |
| 视频动画化过程 | 自然度 | 60.0 | 92.5 | 升高 |
| 视频动画化过程 | 动态程度 | 44.58 | 35.62 | 降低 |
表前问题是，3E 循环是否在文生图与图生视频两处都提升自然度，代价是什么，指标中自然度越高越好，动态程度只报告数值不预设方向。表后解释是，收益是两处自然度都大幅提升，支持 3E 对减少畸变与不合理运动的作用，但具体代价是动态程度在用 3E 后更低。论文的解释是高动态视频更易出现物理不一致，智能体倾向选更稳的低动态结果。这是一个需要记住的权衡，用稳定性换动态，若目标是强动作短片，该默认选择可能不适用。未胜出项就是动态程度本身，它是负结果而非失败，说明评估器偏好稳而非猛。
总体成功率与真实开销是多少？
除了分项指标，论文报告了总体成功标准与耗时。以避免视觉撕裂、畸变、物理不合理运动、身份不一致与风格不一致为总体成功度量，MAViS 达到较高水平，而不用 3E 时明显更低。用全部模型池在双 H100 上生成一条长视频平均需要十余小时，而内部艺术家完成类似的数据生成评估选择拼接流水线需要 5 天。若只用接口式图生视频模型可显著加速，单镜头的费用与时间因模型而异。这些数字的聚合对象不同，成功率是按阶段输出的合规与视觉检查，耗时是端到端 wall time，不能混为一谈。
下表把总体成功率与耗时整理为可核对的对照，表前问题是，3E 带来的完整性收益是否值得额外时间，比较条件是同流程下有无 3E 与机器相对人工的耗时。
| 条件 | 指标 | 对照 | 本方法 | 含义 |
|---|---|---|---|---|
| 总体视觉与一致检查 | 成功率 | 0.4875 | 0.8621 | 用 3E 更高 |
| 双 H100 端到端 | 平均耗时 | 5 days | 13.63 hours | 机器快于人工 |
表后解释是，收益是成功率从 0.4875 到 0.8621，耗时从人工 5 天降到机器 13.63 小时，支持用机器迭代替代部分人工筛选。但代价是 13.63 小时仍远高于单次文生视频，训练资源、推理开销、输出帧率与实际延迟要分开讨论，总体更快不等于每镜每步都快。未评测边界是未报告误判率、接口费用总账与不同提示长度下的耗时分布，不能承诺所有题材都是同一耗时。
拿掉评审器与精炼器后，哪一块最先变差？
消融按模块组织。剧本阶段拿掉结构评审器会显著损害叙事表达，拿掉内容评审器会降低视觉质量，拿掉风格评审器会在叙事对齐与用户意图一致上受损，只有三者协作才达到最优。镜头评审器、配音评审器与字幕精炼器的贡献用合规率衡量，合规率定义为完全遵守各自指南的输出比例，镜头设计要求七字段齐全格式正确，配音设计要求背景音乐可下载加音色一致加格式正确，字幕精炼要求解说时长不超过视频时长。报告显示拿掉这些智能体会明显降低合规，尤其配音生成，进而影响下游。由于原文未给出这些消融的完整连续原句数字，本节只做机制复述，不编造具体百分比。
下表整理剧本指南背后经验观测的数字依据，用于理解每条约束为何存在，数值方向按原文描述为准。表前问题是，指南中的背景、动作与细节限制是否有测量支持，比较条件是同 VBench 一致性下的不同剧本写法。
| 条件 | 指标 | 对照写法 | 受限写法 | 证据含义 |
|---|---|---|---|---|
| 相邻镜头同背景 | 背景一致性 | 78.42 | 95.88 | 单镜头更高 |
| 强空间关联镜头对 | 一致对数 | 26 out of 100 pairs | 需避免 | 仅 26 对一致 |
| 复杂相对简单动作 | 总体一致性 | 23.25 | 27.76 | 简单更高 |
| 含精细元素相对不含 | 总体一致性 | 22.68 | 27.76 | 不含更高 |
| 用户对齐 | 完全对齐数 | 82 out of 100 scripts | 100 | 加约束更高 |
表后解释是，这些数字支持指南的保守写法，相邻同背景与强空间跳切的一致性明显更低，复杂动作与精细元素的总体一致性也更低，加约束后用户对齐从 82 到 100。但必须说明这是相关性观测而非因果证明，测量用 GPT 判断与 VBench 分数，样本与阈值细节未完全公开，不能推广为所有模型都必然如此。未评测边界是风格指南中情感与动作类 pacing 的差异未用量化指标验证，仍属于设计主张，有待验证。
哪些结论不能下，边界在哪里？
论文自述了 3 类局限。第一是范式局限，只做文生图加图生视频，不支持直接文生视频、多机位多段图生视频组合、图像编辑与更强语义控制模型的自主选择，剧本指南也是为该流水线定制的，这限制了镜头多样性与表达上限。第二是叙事局限，缺少人物间互动对话，缺少剪辑机制，影响电影感。
第三是评估器局限，当前多模态基础模型评估视觉内容的准确性有限，候选排序不稳定，实践中用 VBench 等额外算子辅助，但为保证公平在实验评估中未使用，未来计划引入更多评估算子。伦理部分指出，多开源模型与商业接口的输出可能继承安全风险与偏见，能生成连贯真实长视频的能力可能被误用于虚假信息与深度伪造，因此仅定位学术研究与创意探索。复述时要区分直接报告、有限解释与未验证推测。直接报告是分数与投票，有原文数字。
有限解释是 VGoT 一致性高的风格原因与 3E 选低动态的原因，有机制 plausibility 但无独立控制。未验证推测是若换更强模型一定更好，论文未测，不能承诺延迟、误判率或成本同时改善。
要复现，先做什么，需要补哪项验证？
复现的第一步是固定信息条件。准备 20 条左右的 1 分钟提示，规定每剧本至少 10 镜，每镜 5 秒，每镜必须有出场人物或无、镜头内容与 5 秒内可播报的字幕，人物只用简单名且服装不变，相邻镜头不放同一人物与同背景。然后实现 6 阶段的最小闭环，先跑通剧本写作的 3 个评审器与镜头设计的七字段检查，再接入人物 LoRA 训练与文生图加图生视频模型池，最后接入配音选择与字幕压缩到时长内。
关键超参数要保留，3E 最大迭代数按剧本镜头配音设 4、文生图设 2、图生视频设 1、字幕精炼设 5，图生视频评估每候选采 8 帧，最终统一 1280 乘 720。还需补的验证有三项。第一是音频独立评估，补旁白可懂度、音色情感匹配度与音乐版权可用性的打分。第二是动态与一致的联合评估，固定动态区间再比较一致性，避免用低动态换高分。第三是统计稳健性，报告多次运行的均值方差与人工评估者间一致性，因为当前 60 人投票只报告份额，未报告显著性与分歧。
资源状态方面，本次未发现可用链接，不能写代码模型数据已公开，只能按论文文字与附录系统消息复刻提示模板。
何时值得尝试这个方案？
当目标是从一句话快速探索多种视觉叙事方向，且能接受 10 小时级离线生成时，值得尝试 MAViS 这类分阶段加迭代检查的方案。它的价值不在某个单点模型更强，而在把不可执行的剧本提前拦住，把执行中的随机瑕疵用多候选与评审挑掉，并用人物 LoRA 把身份固定下来。当目标是强动态动作、人物对话密集或需要精细剪辑时，当前限定在文生图加图生视频、无对话无剪辑的版本就不合适，应等待支持自主选工具、对话音效与剪辑的扩展。
记住两个易错点，不同指标的差值不能混放，百分点与相对百分比不同，自动一致性高不等于人更喜欢。重提结果时应带上条件，在 20 条 1 分钟提示、相同模型池与给定剧本起点的条件下，MAViS 在关键帧语义对齐与 7 维度人评上领先，但在高动态下的一致性与动态幅度上做了让步，总体成功率的提升来自 3E，而非某个基座模型的单点突破。
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
- 评分规则：type-aware-v1
- 评分模型：muse-spark-1.3-contributor
- 评分请求协议：openai_responses