一种AI视频生成材料编译方法及系统与流程

本发明涉及人工智能视频生成，尤其涉及一种ai视频生成材料编译方法及系统。

背景技术：

1、基于深度学习的视频生成技术取得了显著进步，利用自然语言提示词和少量参考图像即可生成单个短视频片段。然而，当输入为完整剧本、小说章节或创意概念，并需要批量生成数十甚至数百个连续片段时，现有直接由大语言模型逐段生成提示词的方式暴露出诸多不足。

2、多源文本形态差异显著，缺乏统一中间表示。剧本包含场景头、台词、动作说明；小说以散文叙述为主；概念文本则缺少完整场景结构。各处理阶段若直接读取原始文本，均需独立执行解析、切场、角色识别和道具抽取，容易产生不一致的中间结果，导致上下文漂移。跨片段视觉一致性难以保证。同一角色在不同片段中常以不同名称、代词或别名出现，且画外音、屏幕显示、仅被提及等在场方式未被区分，致使参考图挂载错误或遗漏，严重破坏视频真实感。大语言模型在执行片段时长累加、图号排序、资产状态继承等确定性任务时可靠性不足，频繁出现计数错误、图号重复、伤口/血迹等状态无原因消失等机械性错误。纯文本提示词无法支撑自动化的台词对齐、说话人匹配等精细质量检查，企业批量生产时审验成本极高。传统串行流水线对局部失败容忍度低，任一环节输出格式漂移或评审失败易导致整体中断，无法保证每个输入均返回完整交付包难以满足商业应用对稳定产出的要求。

技术实现思路

1、本发明提供一种ai视频生成材料编译方法及系统，用以解决现有技术中多片段视频生成跨片段视觉一致性差的问题。

2、本发明提供一种ai视频生成材料编译方法，包括：

3、获取输入文本，将所述输入文本转换为标准剧本中间表示；

4、基于所述标准剧本中间表示，生成叙事中间表示，所述叙事中间表示包括场景节拍及对应的建议时长；

5、根据预设的视频片段时长区间，对所述场景节拍进行拆分与合并处理，得到多个片段以及各片段对应的整数时长；

6、生成世界中间表示，所述世界中间表示包括候选的视觉资产及其描述信息，所述视觉资产包括角色、场景和道具；

7、以片段为单位，识别所述标准剧本中间表示中出现的主体，并确定各主体在相应片段中的在场方式，所述在场方式划分为画面可见类别和画面不可见类别；

8、基于各主体在片段中的出现统计以及预设的资产确定规则，从所述主体中确定跨片段资产，并为所述跨片段资产分配资产标识；

9、根据叙事时间线上识别出的资产状态变化事件，为每个片段锁定所引用的资产状态版本；

10、基于每个片段，生成结构化提示词块集合，所述结构化提示词块集合包含用于描述画面的文本块、用于引用资产标识的引用块以及用于保留原文台词的台词字面块；

11、将所述引用块中的资产标识替换为带有图号的资产名称，并根据锁定的资产状态版本生成资产使用清单，组合形成此片段的视频生成交付包。

12、根据本发明提供的一种ai视频生成材料编译方法，所述预设的视频片段的拆分与合并处理进一步包括：

13、若一场景节拍的建议时长超过所述时长区间的上限，则在该场景节拍内根据预设的戏剧边界进行拆分；

14、若一场景节拍的建议时长低于所述时长区间的下限，则将其与相邻的场景节拍合并；

15、若合并后的时长超过所述上限，则对合并后的节拍再次拆分，以使各片段的整数时长落入所述时长区间。

16、根据本发明提供的一种ai视频生成材料编译方法，所述画面可见类别包括物理在场和显示在场，所述画面不可见类别包括仅声音在场和仅提及；

17、其中，所述在场方式用于确定对应主体在当前片段是否可挂载参考图像，仅画面可见类别的主体允许挂载参考图像。

18、根据本发明提供的一种ai视频生成材料编译方法，所述基于各主体在片段中的出现统计以及预设的资产确定规则，从所述主体中确定跨片段资产，包括：

19、统计各主体在画面可见的片段中的出现次数；

20、将出现次数超过预设阈值的主体，以及被预设标记为主角的主体，确定为跨片段资产；

21、其中，未确定为跨片段资产的主体作为一次性资产。

22、根据本发明提供的一种ai视频生成材料编译方法，所述资产状态变化事件包括永久变化事件和临时变化事件；

23、所述为每个片段锁定所引用的资产状态版本，包括：

24、对于永久变化事件，在变化时间点之后的所有片段中，将对应资产的状态版本锁定为变化后状态；

25、对于临时变化事件，仅在指定的起止片段区间内将对应资产的状态版本锁定为变化后状态，在该区间之外锁定为变化前状态。

26、根据本发明提供的一种ai视频生成材料编译方法，在针对每个片段生成结构化提示词块集合之前，还包括：

27、获取上一片段结束时的可见状态痕迹信息，所述可见状态痕迹包括以下至少一种：伤口、血迹、湿润状态、灰尘、衣物褶皱；

28、将所述可见状态痕迹作为约束条件，用于当前片段的文本块生成或画面描述中，以实现跨片段物理状态的连续传播。

29、根据本发明提供的一种ai视频生成材料编译方法，所述结构化提示词块集合中的文本块受预设词汇约束，所述预设词汇约束禁止出现主体名称和代词；

30、所述引用块仅包含资产标识，不包含所述资产的显示名称；

31、所述台词字面块中的台词与所述标准剧本中间表示中的对应台词字面一致。

32、根据本发明提供的一种ai视频生成材料编译方法，在组合形成片段的视频生成交付包之后，还包括质量校验步骤，所述质量校验步骤包括：

33、校验所述台词字面块中的台词是否与标准剧本中间表示中的原始台词完全一致；

34、校验引用块中出现的每一个资产标识是否均存在于所述资产使用清单中；

35、校验渲染后提示词中图号的单调递增性及其与资产使用清单的双向一致性。

36、根据本发明提供的一种ai视频生成材料编译方法，所述生成叙事中间表示、生成世界中间表示、识别主体以及生成结构化提示词块集合的步骤中，利用预设的大语言模型执行；

37、所述方法还包括容错处理：当任一步骤的大语言模型输出未能通过预设的业务校验时，执行带错误提示的重试、切换备用模型链或进行软降级，以生成最小合规结果，从而确保每个输入文本均能得到完整的视频生成交付包。

38、本发明还提供一种ai视频生成材料编译系统，所述系统包括：

39、输入标准化模块，用于获取输入文本并转换为标准剧本中间表示；

40、叙事编译模块，用于基于所述标准剧本中间表示生成叙事中间表示；

41、片段打包模块，用于根据预设的视频片段时长区间对场景节拍进行拆分与合并，得到多个片段及整数时长；

42、世界编译模块，用于生成世界中间表示；

43、主体识别模块，用于以片段为单位识别主体并确定在场方式；

44、资产确定模块，用于基于出现统计和预设规则确定跨片段资产并分配资产标识；

45、资产锁定模块，用于根据资产状态变化事件锁定每个片段的资产状态版本；

46、提示词编译模块，用于生成结构化提示词块集合，并将引用块渲染为带图号的资产名称；

47、输出模块，用于根据锁定的资产状态版本生成资产使用清单并组合形成视频生成交付包。

48、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述ai视频生成材料编译方法。

49、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述ai视频生成材料编译方法。

50、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述ai视频生成材料编译方法。

51、本发明提供的一种ai视频生成材料编译方法及系统，通过统一的标准剧本中间表示消除了多源输入的形态差异；通过场景节拍的程序化拆分合并避免了语言模型进行时长算术带来的错误；通过在场方式的分类杜绝了画外音或仅提及角色的错误入画；通过跨片段资产确定和状态版本锁定保证了同一实体在多个片段中引用一致的视觉资产，从而大幅提升跨片段视觉一致性；通过结构化提示词块将自由描述与资产引用、台词字面相分离，为自动化质量校验提供锚点；将语义判断交由语言模型完成、将确定性约束交由代码执行，降低了机械性错误，提高了批量生产的稳定性。