本文首发于 源码七号站（www.fuyuan7.com），作者：莫潇羽。转载请注明出处，未经授权禁止搬运。
快速摘要
如果你只有3分钟，请读这里：
HappyHorse（欢乐马） 是阿里巴巴 ATH 事业群 AI 创新事业部于 2026 年 4 月推出的多模态视频生成大模型，在全球权威评测平台 Artificial Analysis 的 AI Video Arena 榜单中，以压倒性分差击败字节跳动 Seedance 2.0、快手可灵 3.0 等主流产品，登顶文生视频、图生视频多个赛道第一。它最核心的技术亮点是：原生支持音视频联合生成（音频与画面同步渲染，无需后期合成），并具备超强的唇形同步能力和多画幅输出（最高1080P超分）。
Zopia 是一个定位为「AI影像工作室」的全流程短剧创作平台，已第一时间接入 HappyHorse 模型。它的价值不在于单纯生成视频片段，而在于通过多智能体（Multi-Agent）协作架构，把「剧本→角色设定→分镜→视频→配音→合成」整条生产流水线自动化，大幅降低了一个人做出完整 AI 短剧的门槛。
本文会详细讲清楚： HappyHorse 模型来龙去脉与技术原理 → Zopia 平台架构逻辑 → 从零开始用 Zopia 做 AI 短剧的每一个操作步骤 → OpenClaw 接入方式 → 实战注意事项。往下看有更完整的拆解。
一、AI 短剧创作的痛与困：这行的门槛究竟卡在哪？
如果你有尝试过独立制作 AI 短剧，大概率遇到过一种让人崩溃的体验——提示词写了半小时，出来的主角脸换了；好不容易几个镜头风格统一了，下一集又全乱了；配上的 AI 配音声音前后差了十万八千里，整集剪出来像个缝合怪。
这种挫败感不是因为你的创意不够好，而是因为当前 AI 视频工具的「碎片化」属性——它们大多只解决了单点问题，把这些工具串联起来的「胶水」工作，全部落在了创作者自己身上。
具体来说，AI 短剧创作面临的核心痛点可以归纳为以下几个维度：
角色一致性问题是头号杀手。一段 15 秒的视频，用文生视频模型生成的时候，主角的五官、发型、服装，在不同镜头之间极容易发生漂移。这是因为大多数视频生成模型的上下文窗口是以单段视频为单位的，它并不知道这段视频和上一段视频里的「主角」是同一个人。所以你会看到上一镜头还是帅气小伙，下一镜头就变成了另一个路人甲的脸。
场景连贯性问题紧随其后。短剧一集通常包含多个场景转换：咖啡厅、办公室、街头……每个场景的光线逻辑、环境细节、道具摆放，靠纯提示词很难在不同生成批次之间保持完全统一。稍微复杂一点的古装剧，甚至会出现角色服饰跨镜头「自动换装」的现象，让人哭笑不得。
配音断层问题也是很多创作者的噩梦。即便视频模型自带了 TTS（文字转语音）能力，一条视频最长也只能生成约 15 秒的内容。这意味着同一个角色在同一集里的多个片段，如果不是在同一次生成任务里完成，音色就会存在细微或明显的差异。拼合起来，整集短剧里的角色声音听起来像是由好几个人轮流配的。
多工具切换的效率损耗同样不容小觑。传统的 AI 短剧制作，往往需要这样一条工具链：用 ChatGPT/Kimi 写剧本 → 用 Midjourney/Flux 生成角色参考图 → 用 Kling/即梦 生成视频片段 → 用 ElevenLabs 或剪映 做配音 → 再用剪映/PR 做后期剪辑合成。每个环节之间的切换不仅耗时，还会因为格式转换、文件管理等原因引入大量无效工作量。
成本不可预期是压垮很多个人创作者的最后一根稻草。AI 视频生成是按算力计费的，而当生成结果不满意时，不断重试的成本会像滚雪球一样放大。一集 5 分钟左右的短剧，如果前后返工率高，实际花费可能远超预期。
这些问题的根源，用一句话概括就是：现有的 AI 视频工具解决的是「生成」问题，而没有解决「创作」问题。 生成是技术活，创作是系统工程。
正是因为这些痛点真实存在，AI 短剧赛道才出现了一批新的竞争者：不是更好的单点视频生成工具，而是试图将整条生产流水线打通的「AI 导演平台」。这类平台的核心逻辑，是把本来散落在十几个工具里的各种能力，通过 AI Agent 的调度机制整合到同一个工作流里，让创作者只需在少数几个关键决策点上做出判断，其余的执行性工作由平台自动完成。
Zopia 平台的出现，试图用「AI 导演系统」的思路，从工程层面重新定义这个流程。而阿里 HappyHorse 的加入，则为这个系统提供了一颗更强的引擎。
二、HappyHorse 是谁：一匹横空出世的「欢乐马」
2.1 模型的诞生背景
2026 年 4 月初，一个名叫 HappyHorse-1.0 的匿名模型，悄无声息地出现在了全球最权威 AI 视频评测平台 Artificial Analysis 的 AI Video Arena 排行榜上。
它的成绩震惊了业界：在文本转视频（无音频）赛道，HappyHorse-1.0 以 1389 分的 Elo 值稳居第一，领先第二名 Seedance 2.0 近 115 分；在图像转视频（无音频）类别中，更是跑出了 1409 分的历史最高纪录，刷新了该榜单的纪录；在有音频的赛道，HappyHorse-1.0 也拿下了全球第一的成绩，超越了 Seedance 2.0。
一时间，「这匹马到底是谁家的」成了整个 AI 圈最热门的猜测话题。
4 月 10 日，阿里巴巴官微正式认领：HappyHorse 是阿里 ATH 创新事业部正在内测中的产品，同时辟谣了网络上流传的各种非官方「官网」。
阿里 ATH 方面透露，HappyHorse 项目由 ATH 创新事业部主导，联合阿里平台技术、通义实验室及淘天技术等多个团队协同打造。4 月底开放测试后，HappyHorse-1.0 将于 5 月份正式发布商用。
2.2 负责人背景：「可灵 AI 之父」的回归
这匹「欢乐马」的故事，带着一些江湖气。
项目核心负责人为张迪，业内称「可灵 AI 之父」，其曾任快手副总裁、可灵 AI 一号位，2025 年 11 月重返阿里，仅用 5 个月便带队完成 HappyHorse 的全流程研发。
了解可灵 AI 发展历史的人都知道，可灵作为国产视频模型的先行者之一，在 2024 年至 2025 年间曾长期占据国内 AI 视频生成的顶流位置。张迪此番离开快手、回归阿里并主导一个新项目，本身就自带话题性。而 HappyHorse 的技术指标，也印证了这种回归绝非只是情怀——这是一次真实的技术跃迁。
另据独家报道，负责此次 HappyHorse 视频生成模型的还有来自阿里 ATH 的郑波团队。郑波是阿里巴巴副总裁，清华大学计算机系博士，2017 年加入阿里巴巴，曾担任淘宝搜推算法负责人、阿里妈妈 CTO、淘天集团算法技术负责人，主要研究方向涵盖大模型、多模态、深度学习及推荐系统等领域。
2.3 HappyHorse 的核心技术能力
HappyHorse-1.0 的技术路线，与当前主流视频生成模型有几个明显的差异化设计点，值得单独拆解。
端到端多模态联合生成是其最突出的技术特征。通过在统一 Transformer 序列中处理视频和音频 Token，该模型确保听觉元素与屏幕上的动作自然对齐（例如溅起的波浪声或引擎噪音），这大幅减少了额外音频后期制作的需求。
这意味着，HappyHorse 不是先生成视频、再单独配音，而是视频画面和音频在同一次推理过程中一起生成的。这从根源上解决了「画面和声音对不上」的问题，也让音效与环境音的自然感得到了极大提升。
专用唇形同步模块是另一个亮点。该模型集成了专用的唇形同步功能，旨在匹配口语对话与角色嘴部动作，通过针对「超低 WER（词错误率）」进行优化，确保生成的语音与视觉元素自然对齐，最小化在外部软件中手动调整时间的需求。
多画幅与高清输出能力方面，HappyHorse 1.0 支持 15 秒多镜头叙事、多画幅适配及 1080P 超分输出，720P 视频生成低至 0.44 元/秒（Pro 套餐叠加折扣后）。同时，在千问 App 上还可体验用 HappyHorse 创作粤语、英语、法语、韩语等多种语言的剧情短片。
生成速度也是 HappyHorse 的加分项。从工程数据来看，单张 H100 生成 5 秒 1080P 视频仅需 38 秒，比 Seedance 2.0 快两到三倍，相同算力可以服务更多请求。
2.4 接入生态与现状
HappyHorse 从第一天起就向外部开发者全面开放。移动端用户更新千问 App 后，点击首页「HappyHorse」胶囊即可进入创作面板；PC 端可通过千问创作 Web 端登录使用；4 月 30 日，阿里云百炼平台正式上线 API 接口，开发者可通过标准化接口直接调用模型能力。
除了官方渠道，阿里悟空、Mulerun 等 Agent 平台已率先完成接入，libtv、巨日禄、海艺、堆友等第三方 AI 视频平台也在第一时间宣布支持。 Zopia 同样在第一批接入了 HappyHorse，这是本文的核心主题。
2.5 HappyHorse 的技术架构：为什么它能做到音画同步
对于想深入理解这个模型为什么在某些指标上能超越竞品的朋友，莫潇羽在这里做一些相对深度的拆解。
传统视频生成模型的典型做法，是「先生成视频，再做音频后处理」的两阶段管线。视频和音频分属两个独立的模型，视频生成完成后，再由一个单独的音频模型进行配音和音效合成，最后再做时间轴对齐。这种方式的弊端显而易见：视频里一个人扇了一下桌子，音频模型却在这个时间节点生成了一段白噪声；画面里的人嘴在动，配的音却是另一段时间轴上的，对不上嘴型。
HappyHorse 的核心技术突破在于统一 Transformer 序列——它把视频 Token 和音频 Token 放进同一个 Transformer 的处理序列里，让视觉信息和听觉信息在同一次前向传播（Forward Pass）过程中「同时被感知、同时被生成」。这样一来，模型在生成第 T 秒的画面时，对应时刻的环境音、角色台词音频，也在同一时刻被推理出来，两者的时间轴天然对齐，不需要额外的同步工程。
简单打个比方：这就好像一个演员在表演时，既说台词又做动作，嘴巴的开合和声音的节奏是自然匹配的，因为它们来自同一个意识流。而之前的做法，是找两个人分开录音和录像，再后期剪辑对口型——总会有细微的不自然感。
在唇形同步方面，HappyHorse 专门优化了「超低 WER（词错误率）」指标。WER 是语音识别领域用来衡量识别准确率的标准，应用到视频生成里，就是指生成的视频里角色嘴型与台词文本的吻合程度。这个指标越低，说明对口型越准确，看起来就越像「真人在说这段话」，而不是「给视频做了个配音」的感觉。
当然，任何模型都有边界，HappyHorse 也不例外。从测试反馈来看，其视觉质量是亮点所在，焦段运用接近实拍、镜头运动自然，尤其适合叙事性内容和纪录片风格。但在音频赛道，含音频的文生视频评分略低于竞品，生成语音的机械感、画面偶发的「油腻感」与物理准确性不足，是多位测试者共同提及的问题。此外，目前处于灰测阶段的 HappyHorse，生态配套工具和开发者社区还在建设中，成熟度不如可灵、即梦等运营时间更长的平台。
了解这些局限，对于在 Zopia 中合理选择模型、设置预期，有实际的参考意义。
三、Zopia 是什么：给 AI 短剧装一条工业流水线
3.1 平台定位
Zopia 是一款全流程 AI 短剧创作 Agent，被誉为「对话式 AI 影像工作室」。它通过先进的多智能体系统，让用户只需输入简单的创意灵感，系统就能自动完成剧本拆解、角色建模、分镜绘制及视频合成。无论是追求视觉冲击的科幻大片，还是情感细腻的都市短剧，Zopia 都能确保角色形象与场景风格在全剧中的高度连贯性，让单人创作者也能在一天内高产出精品短剧内容。
这里有一个非常重要的定位区别值得强调：Zopia 不是一个「更好的视频生成器」，而是一个「AI 导演系统」。前者解决的是「怎么生成好看的视频」，后者解决的是「怎么把一个故事用视频讲完整」。这两件事的难度和工程量差异，是量级上的。
3.2 传统流程 vs. Zopia 流程对比
为了让不熟悉 AI 视频制作的朋友直观感受差异，莫潇羽在这里做一个简单对比：
传统 AI 短剧制作（以一集5分钟短剧为例）：
写剧本（ChatGPT/Kimi）
↓ 手动整理分镜脚本
生成角色参考图（MJ/Flux）
↓ 手动下载，整理文件夹
逐镜头生成视频（Kling/即梦）
↓ 手动检查每个镜头质量，不满意重试
AI 配音（ElevenLabs/剪映）
↓ 手动对齐音频时间轴
剪辑合成（剪映/PR）
↓ 导出成片一集下来，一个人可能需要 3 天时间，熟练操作也需要 1~2 天。过程中充斥着大量重复、低价值、机械的操作。
使用 Zopia 的流程（同等规格）：
上传剧本 / 输入创意
↓ Agent 自动提取角色、场景、道具
确认并生成设定图
↓ 绑定角色音色
一键生成分镜列表 + 四宫格关键帧预览
↓ 确认无误
一键生成所有视频片段
↓ 自动合成完整成片
下载整个流程的人工介入点，只在「确认」环节。核心的创意判断权还在创作者手里，但所有执行性操作都由 Zopia 的多智能体系统负责。
3.3 Zopia 的适用场景
Zopia 的全流程自动化能力，并不只局限于「做短剧」这一个场景，它的设计逻辑决定了它在多个内容创作方向上都有对应的价值。
网文 IP 改编是目前最成熟的应用场景之一。国内有大量已经积累了相当读者基础的网络小说，版权价值不低，但影视化改编门槛极高。用 Zopia，一个人可以把一个几十章的网文，按照分集剧本的格式拆解，然后逐集生成 AI 短剧版本，低成本验证内容的视觉表达能力和受众接受度。
广告与商业视频也是有明确需求的应用方向。平台能快速生成高端产品广告、品牌宣传片，支持玻璃、液体等复杂质感表现，可直接用于客户提案。相比传统的视频拍摄制作，AI 生成的方案在提案阶段的成本优势非常明显。
IP 视觉化与概念预演是影视项目开发初期的刚需。编剧或制片人可以用 Zopia 把剧本快速转化为概念片或动态分镜，帮助向投资人展示视觉设想，提升项目说服力。相比静态图片的视觉化方案，动态短片的沟通效率要高得多。
题材方向验证对有多个故事方向在手的创作者来说也非常实用。同一个剧本可以快速生成不同风格版本（比如甜宠风格对比悬疑风格），快速测试哪个方向的视觉呈现更抓眼球，辅助内容决策。
对于个人独立创作者来说，Zopia 的价值在于把一件原本需要整个团队分工协作的事情，压缩到一个人在有限时间内可以独立完成的范围。这不是说一个人能做得和十人团队一样好，而是一个人现在能以可接受的质量，完成过去只有团队才能完成的工作量级。
3.4 支持哪些视频模型
Zopia 并不绑定单一视频模型，而是采用「模型超市」的方式，让创作者按需选择。目前主要支持的模型包括：
- HappyHorse（阿里 ATH，2026 年 4 月新上线）
- Seedance 2.0（字节跳动旗下 Dreamina）
- Kling O3（快手可灵系列）
- Vidu Q3（生数科技）
不同题材适合不同模型。例如写实真人短剧和叙事性内容，HappyHorse 的镜头感和物理真实度表现更好；而某些需要动态细节丰富、运镜夸张的场景，Seedance 2.0 的表现力更强。Zopia 还提供「自动匹配」模式，由平台根据当前分镜内容智能选择最合适的模型，对于不想深究模型差异的新手来说，这个模式相当省心。
四、多智能体架构：Zopia 为什么能做到「一致性」
这一节是整篇文章技术含量最高的部分，莫潇羽尽量用通俗的方式讲清楚 Zopia 的底层逻辑。理解这个逻辑，才能明白为什么它能解决传统工具解决不了的问题。
4.1 什么是多智能体（Multi-Agent）协作
「Agent」（智能体）这个概念，在 AI 领域里指的是能够自主感知环境、做决策、执行任务的 AI 系统。单个 Agent 只能做特定范围的事，而多个 Agent 协同工作，则可以分工处理复杂的系统性任务。
Zopia 的核心是一个由多智能体组成的「AI 摄制组」：编剧 Agent 负责扩写剧本，分镜 Agent 拆解镜头语言，影像 Agent 调用 HappyHorse、Kling O3 或 Vidu Q3 批量渲染，最后剪辑 Agent 完成配音与合成，真正实现从无到有的无限延伸。
这个架构的精髓在于，每个 Agent 专注自己的领域，但它们共享同一个「上下文」——也就是整个项目的角色设定、场景设定、故事设定。这样一来，影像 Agent 在生成第 10 个镜头的时候，它「知道」主角长什么样，知道这一集的场景是在什么环境里，知道光线应该是什么逻辑，而不是从零开始「蒙」。
4.2 设定图是一致性的关键
在 Zopia 的工作流里，「设定图」是整个一致性机制的物理锚点。
简单来说：在生成任何一帧视频之前，系统会先为剧本中出现的每个角色、每个主要场景、每个重要道具，生成一张「参考设定图」。这张设定图会随后被注入到所有后续视频生成任务的提示词中，作为视觉上的「强约束」。
这个思路并不是 Zopia 发明的——在专业的影视制作中，美术组早在开拍前就会制作角色造型稿、场景设计图、道具图，供整个剧组统一参考。Zopia 的创新在于，把这个专业流程「AI 化」并自动执行，让零基础用户也能享受到这套工业化标准的保护。
4.3 四宫格关键帧：提前消灭返工成本
传统的 AI 视频生成流程里，用户只能生成一张「首帧图」来预览视频大概的样子。但一张首帧图只能告诉你视频的起点，中间的动态变化、结尾的构图，全靠运气。一旦生成完成发现问题，只能全部重来，成本极高。
Zopia 对此做了一个很聪明的设计：四宫格关键帧。系统不只生成第一帧，而是生成覆盖整段视频关键时间节点的四张帧图。每张帧图对应视频中的一个分镜首帧，相当于给你一个「视频草图」，让你在正式生成视频之前，就能预判整段视频的走向、构图、人物状态是否符合预期。
这个设计的价值在于：修改一张图的成本，远低于修改一段视频。先确认关键帧，再生成视频，等于把高成本的「试错」转移到了低成本的「预览」阶段。
4.4 配音绑定：解决音色前后不一的顽疾
Zopia 还为创作者提供了无限画布与双向拖拽功能，所有创作操作都能在画布内直接完成，创作者只需以自然语言对话的形式下达指令，就能发起镜头生成，实现创意与制作的实时同步。
在配音方面，Zopia 的解决方案是在角色设定库里直接绑定音色。每个角色在创建设定图的时候，同步指定一个 TTS 音色，这个绑定关系会贯穿整集乃至整部剧。无论这个角色出现在第几集的第几个镜头，系统都会调用同一个音色模型生成台词，从根源上消除了音色漂移的问题。
五、Zopia 全流程操作详解：从剧本到成片的每一步
这一章是本文最实操的部分，莫潇羽将按照实际使用的顺序，把 Zopia 的每一个环节说清楚，力求让完全没用过的新手也能跟着做下来。
5.1 第一步：创建项目与选择基础设置
打开 Zopia（网址：zopia.ai），进入主页后，你有两种方式开启一个新项目：
方式一：直接上传已有剧本。 如果你已经写好了一个完整的剧本文件（支持 TXT 或常见文档格式），可以直接拖拽上传。Zopia 的 Agent 会自动解析剧本内容，识别其中的人物、场景、对白等结构化信息。
方式二：输入故事梗概或一句话创意。 如果你只有一个模糊的想法，比如「都市甜宠短剧，女主是咖啡店店员，男主是霸道总裁，初遇在咖啡店」，直接在输入框里描述即可。Zopia 的编剧 Agent 会根据你的描述，自动生成一个符合短剧格式的完整剧本初稿，包含场景设定、对白、分镜结构，甚至帮你设置好「钩子」和「悬念」等叙事要素。对于剧本创作能力较弱的团队来说，这个功能极其友好。
剧本确认后，进入项目的基础设置界面，需要配置以下几项：
- 画面规格：选择视频比例，常用的有 16:9（横屏）和 9:16（竖屏/手机短视频），具体按照目标平台决定。
- 视觉风格：平台内置了写实-真人、古风-真人、3D 漫画、赛博朋克等多种预设风格，直接点击调用即可，无需手动调试视觉参数。
- 视频模型：选择 HappyHorse、Seedance 2.0、Kling O3 等，也可以选择「自动」让系统智能匹配。
- 工作流模式：强烈建议选择「多宫格分镜生成视频」模式。这个模式是和 Zopia 的 Agent 架构配合最默契的，可以减少人工干预、充分发挥自动化流程的优势。
完成这些设置之后，Agent 就会正式启动，进入下一阶段。
5.2 第二步：Agent 自动提取素材与确认
这是整个流程中最关键的「地基」步骤，很多初次使用的创作者容易在这里投入的时间不够，后期返工反而更多。
Agent 会自动分析剧本，将其中出现的所有人物、场景、道具提取出来，并为每一个素材生成对应的文字描述（提示词）。比如：
- 人物「艾拉」：女性，约10岁，棕色长发，穿破旧的红色毛衣，面容憔悴但眼神坚定
- 场景「街道夜景」：圣诞节深夜的欧式街道，积雪覆盖路面，远处有暖色路灯，地面有火柴燃烧的橙色光晕
- 道具「火柴盒」：老式木质火柴盒，盒面印有褪色图案，部分火柴已经燃烧过
这一步完成后，系统不会直接生成设定图，而是先把这些提示词列表呈现给你，让你审查和修改。这个「人在回路」的设计非常重要。因为 AI 对剧本的理解有时候会与创作者的原意存在偏差，比如对角色性格的描述、对场景氛围的把握，都可能需要创作者手动微调。
这里有几个实操建议：
- 对于主要角色，建议把外貌描述写得越精确越好：脸型、发型发色、肤色、体型、服装颜色和款式，能写的都写上。这些信息将直接影响后续所有视频镜头中这个角色的样子。
- 对于场景，重点描述视觉特征：时间（白天/夜晚/黄昏）、天气、光源方向、整体色调。
- 如果是古装题材，服装和场景的描述要尽量具体，否则 AI 可能会生成当代风格的「混搭」画面。
确认提示词符合预期后，点击「生成」，进入下一步。
5.3 第三步：批量生成设定图
这是整个工作流中视觉上最有满足感的一步。
点击生成后，Agent 会为剧本中的所有人物、场景、道具批量生成设定图。这些设定图的风格与你选择的视觉风格保持一致，相当于整部短剧的「美术手册」。
设定图生成完成后，你需要仔细审查每一张：
- 角色的外貌是否符合预期？服装颜色和款式是否准确？
- 场景的氛围和光线是否匹配剧情情绪？
- 道具的形态是否正确？
如果某张设定图不满意，可以修改对应的提示词后重新生成，或者直接上传一张你自己准备好的参考图来替换。Zopia 支持上传自有素材参与设定，对于有明确视觉预期的创作者来说，这个功能可以大幅提升最终成片与预期的吻合度。
关于设定图的跨集复用： 这是 Zopia 在项目管理层面一个非常实用的设计。当你制作完第一集，进入第二集的时候，第一集生成的所有设定图资产都会被自动保留，后续制作时无需重新生成，直接调用即可。这意味着整部剧的角色和场景视觉设定从第一集开始就被「锁定」了，后续集数的画面风格天然保持一致。
5.4 第四步：绑定配音音色
设定图完成后，在角色设定库中，可以为每个角色单独指定一个 TTS 音色。Zopia 内置了多种音色风格，涵盖不同性别、年龄段、情绪倾向，从温柔的少女音到沧桑的老年男声，选择范围相当丰富。
绑定音色时，有几个实用的操作要点：
- 可以输入几段该角色的台词进行试听，确认音色与角色气质匹配后再绑定。
- 不同角色的音色尽量选择差异度明显的，避免听起来太相似让观众混淆。
- 如果是有方言或特殊口音需求的角色（比如带着某种腔调的反派），可以在系统内测试多个音色，找到最接近的一个。
这一步做好之后，整部剧的每一个角色就有了一个「专属声音」，这个绑定会贯穿整个创作周期，直到你主动修改为止。
5.5 第五步：制作分镜列表
设定图和配音都配置好之后，就进入整个创作流程里信息密度最高的一步：制作分镜。
在专业影视制作中，分镜脚本（Storyboard）是连接文字剧本和实际拍摄的桥梁，通常由专业分镜师花费大量时间绘制每一个镜头的构图草图，并配以详细的文字说明。对于一集 5 分钟的短剧，一名经验丰富的分镜师也需要数天时间才能完成这项工作。
Zopia 把这项工作交给了分镜 Agent。
点击「一键生成分镜」后，系统会根据剧本内容，自动生成覆盖整集内容的分镜列表。每一条分镜记录包含以下信息：
- 剧情描述：这个镜头里发生了什么
- 台词/对白：角色在这个镜头里说的话
- 镜头语言：景别（全景/中景/近景/特写）、运镜方式（固定/推进/跟随）、机位角度
- 调用的设定图：这个镜头需要引用哪些已有设定图作为参考
- 情绪关键词：用于指导画面氛围的情感标签
以前如果是手动制作一份这样的分镜列表，一个 15 秒的视频就可能需要花 20 分钟。在 Zopia 里，整集的分镜列表几乎是瞬间完成的。
当然，自动生成的分镜不等于就是最终版本，你仍然可以在这里进行干预：
- 调整某个镜头的景别，从全景改为特写，增加情感冲击力
- 修改某段台词，让节奏更紧凑
- 删除某些不必要的过渡镜头，加快剧情节奏
- 在两个镜头之间插入一个新镜头
所有这些修改，都可以通过直接编辑文字内容、或者在右侧对话框里用自然语言向编剧 Age
