节奏疏密对比 — 高能快切 / 首尾呼吸 / 单镜时长上限

⚠️ 本文出现的所有绝对秒数都是来源语料里那套工具（SCAIL2 动作迁移，上限 10 秒）的数，不是普适值。

你的上限写在 profile 的 max_shot_sec 里。参考：本仓库实测的 ltx-2.3-q4-12g 是 2.04 秒 —— 只有来源的五分之一。 拿 10 秒去规划 LTX 的片子，每一镜都做不出来。

读本文时把「10 秒」一律换成你自己的 max_shot_sec，把「2-3 秒 / 4-5 秒」理解成疏密比例而非绝对值。 标定方法见 local-ai-film/profiles/calibration.md。

R — 核心命题 (Reading)

节奏靠疏密对比制造，不靠整体调快调慢。

高能段（冲突、动作、情绪爆发）把单镜压到短端快切，配合蒙太奇式的重复画面，让信息密度和视觉冲击叠加。首尾段和过渡段反过来放长，给观众呼吸位 —— 这不是偷懒留白，是主动设计的松弛段，用来衬托高能段的压迫感。

来源语料给的具体档位是「高能 2-3 秒 / 呼吸 4-5 秒」，比例约 1 : 1.7。比例是可迁移的，秒数不是。

第二条来自工具侧：单镜有一个不可突破的时长上限，任何节奏设计都必须先在这条线以内规划。来源那套工具的上限是 10 秒，本仓库实测的 LTX 是 2.04 秒 —— 数值差 5 倍，但「先看上限再排节奏」这个动作不变。

方法论来源见仓库根目录 ATTRIBUTION.md。

---

I — 方法论骨架 (Interpretation)

节奏不是"整体感觉快一点"这种模糊指令，而是疏密对比——不同段落用不同的镜头时长，靠对比本身制造张力。

高能段（冲突/动作/情绪爆发）把单镜压到疏密比的短端，配合快切和蒙太奇式的重复画面，让信息密度和视觉冲击叠加起来。首尾段和过渡段反过来放到长端，给观众"呼吸位"——不是偷懒留白，而是主动设计的松弛段落，用来衬托高能段的压迫感。

疏密比约 1 : 1.7，绝对秒数按 max_shot_sec 缩放（来源语料 10s 档是 2-3s / 4-5s；本机 LTX 2.04s 档是 0.5-0.7s / 1.2-2.04s）。

这个疏密对比在 AIGC 生产链路里格外重要，因为单镜本身天生短、彼此独立，靠时长排布本身撑节奏，而不是靠单镜内部的复杂调度。

本地条件下还叠加了一个上限：单镜最长只能做到 max_shot_sec，这不是设计选择而是工具能力上限，任何节奏设计都必须先在这条线以内规划。

这个数因模型而异，差距极大：

profile	max_shot_sec	疏密档位（按 1:1.7 折算）
来源语料（SCAIL2 动作迁移）	10 s	高能 2-3 s / 呼吸 4-5 s
ltx-2.3-q4-12g（本仓库实测）	2.04 s	高能 0.5-0.7 s / 呼吸 1.2-2.04 s

上限越小，能做的疏密对比范围越窄。 2.04 秒的 profile 下，「呼吸段」只能顶到上限本身，对比度天然弱于 10 秒的工具 —— 这时候要靠转场时长和运镜速度补，而不是硬拉单镜时长。

上限带来一个共同问题：云端片子里常见的"长镜头沉浸感"（一镜到底的跟拍、缓慢平移）在本地做不出来。解法不是放弃长镜头感，而是用同一机位连续拍两镜、运镜幅度都压到极缓，再首尾相接剪辑 —— 观众感知不到剪辑点，因为机位、光线、运镜速度都没有跳变，视觉上等效于一个更长的镜头。

⚠️ 这是本 skill 基于时长上限推导的解法，来源里没有讨论过。上限越小越难成立 —— 2.04 秒拼两镜也只有 4 秒，伪长镜效果有限。

---

A1 — 来源中的应用 (Past Application)

案例 1: S1 用蒙太奇与重复画面控制节奏（定性）

• 问题: AIGC 生成的镜头天生短、彼此独立，如何靠剪辑本身做出节奏感，而不依赖单镜内部的调度
• 方法论的使用: 反复强调要"利用蒙太奇这个玩法"，用画面重复和并置本身去讲故事、控制节奏，而不是指望单镜长度或复杂运镜
• 结论: 节奏感来自镜头组接方式，不是单镜时长
• 结果: 《后山野花》以此完成剪辑并入围 LipTV 首届赛事

案例 2: S2 节奏段的量化设计（仅设计未生产）

• 问题: 《深夜抓捕醉酒小猫实录》14 个镜头如何分配时长，才能既有张力又不显得均匀单调
• 方法论的使用: 把 03-11 号（猫的抓捕追逐主体动作）划为高能段落，单镜压到 2-3 秒快切；把 01-02 号（开场）和 12-14 号（收尾）放慢到 4-5 秒做呼吸感
• 结论: 高能段与首尾呼吸段的时长比例大约是 1:2，疏密对比明显
• 结果: 仅设计未生产，量化方案本身未经实际生成验证

---

A2 — 触发场景 (Future Trigger) ★

用户会在什么情境下需要这个 skill?

1. 手上有一批本地生成的短镜头（每镜 ≤ profile 的 max_shot_sec），要决定每一镜给多长、怎么排序
2. 剪出来的片子被评价"太碎/太赶"或者"太拖/没有张力"，但说不清是哪个段落的问题
3. 想做"长镜头"或"沉浸式跟拍"的效果，但发现单镜一到 max_shot_sec 就硬切了
4. 在设计分镜表时，需要给每个镜号预先标注一个大致时长

语言信号

• "这几个镜头该给多长"
• "节奏感不对，是太快还是太慢"
• "怎么做出长镜头的感觉"
• "pacing / shot duration / long take"

与相邻 skill 的区分（定稿）

• 与 editing-triad 的区别：本 skill 只管"节奏"这一个维度的具体秒数分布和硬顶约束；editing-triad 管节奏/音效/调色三个维度整体的决策顺序，且组合使用——editing-triad 第一步"搭节奏骨架"里的具体秒数分配，调用的就是本 skill
• 与 shot-breakdown 的区别：本 skill 依赖 shot-breakdown 先确定可用素材——本 skill 在素材已经确定之后决定怎么排布时长；shot-breakdown 管生成阶段怎么从抽卡结果里筛出可用画面，发生在本 skill 之前
• 与 material-driven-storyboard 的区别：本 skill 依赖那个 skill 提供的硬约束前提——本 skill 的单镜时长上限来自 profile（来源语料收录的是那套工具的 10s，本机实测 LTX 为 2.04s）；若某镜的时长设计还没经过素材可行性检查，应先回 material-driven-storyboard
• 与 emotion-to-camera-language 的区别：本 skill 管镜与镜之间的时长关系，那个 skill 管单个镜头内部的机位光位怎么写

⚠️ 与科普片剪辑刀数模型 shot-rhythm-model 的区分（必读，两者最容易打架）

shot-rhythm-model 是从另一批完全不同的语料（技术爬爬虾 19 支科普/教程口播视频、1491 个剪辑点）蒸馏出来的剪辑参数模型，和本 skill 表面上都在讲"节奏"，但服务的对象、锚点、约束完全不同，不能互相代入数值：

维度	rhythm-density（本 skill）	shot-rhythm-model
服务对象	无对白情绪/氛围短片	有解说词的科普/教程/口播片
节奏锚点	情绪起伏（高能段 vs 呼吸位）	内容段类型（概念图解/流程叙述/结果验收/开场/结尾）+ 片长基线
是否有旁白	没有旁白，无语速/气口这类时间基准	有旁白，且旁白语速是恒定底盘（speech-cadence-baseline 的 375 字/分），画面节奏是自由变量
硬约束来源	profile 的 max_shot_sec，是工具能力上限（来源语料 10s / 本机 LTX 2.04s）	无绝对上限，只有相对系数（如概念段 ×0.4、开场 ×1.7），是内容密度规律
典型数值	疏密比 ≈ 1:1.7，绝对值随 max_shot_sec 缩放	概念图解 8–12s / 流程叙述 3–5s / 开场 1.5–3s（我们的竖版片档位）
判据	情绪曲线上的高能/松弛段落	内容段落类型 + 片长回归公式

误用场景举例：把 shot-rhythm-model 的"概念图解段给 8–12s 长镜头"套到无对白情绪片的呼吸位上——错，情绪片没有"概念"这个内容维度，呼吸位的 4–5s 是由情绪张力决定，不是由要不要讲清一个名词决定。反过来，把本 skill 的"高能段 2–3s"套到科普片的实操演示段——也错，科普片的镜头时长要看画面主体是否连续、是否有语速做锚点，不是看情绪强弱。

两者的分野本质是有没有旁白：有旁白时，语速先锁定底盘，剪辑节奏是围绕内容密度做的自由变量（shot-rhythm-model + speech-cadence-baseline 二维模型）；没有旁白时，画面本身就是唯一的叙事载体，节奏直接服务情绪，且被本地工具的物理硬顶收敛（本 skill）。

---

E — 可执行步骤 (Execution)

1. 标出情绪/动作曲线上的高能段与松弛段

   • 对照脚本/驱动视频，标出哪几个镜号是冲突/动作/情绪爆发段落，哪几个是开场/过渡/收尾段落
   • 完成标准：每个镜号都归入"高能"或"呼吸"两类之一

2. 给高能段定时长

   • 单镜压到 max_shot_sec × 0.25 ~ 0.3，配合快切与蒙太奇式重复画面
   • 完成标准：高能段每一镜都落在该区间，且相邻镜头之间有画面重复/呼应关系（而非纯随机拼接）
   • 换算例：10s 档 → 2-3s；2.04s 档 → 0.5-0.7s

3. 给首尾/过渡段定时长

   • 放到 max_shot_sec × 0.4 ~ 0.5（上限小的 profile 直接取 max_shot_sec），作为呼吸位插入在高能段前后
   • 完成标准：开场和收尾至少各有一镜落在该区间
   • 换算例：10s 档 → 4-5s；2.04s 档 → 1.2-2.04s

4. 核对 profile 的单镜时长上限

   • 先读你的 profile 拿到 max_shot_sec（没有 profile 就先走 local-ai-film/profiles/calibration.md 标定 1）
   • 检查是否有任何单镜设计超过 max_shot_sec
   • 完成标准：全部镜号时长都 ≤ max_shot_sec
   • 判停条件：若某镜确实需要超过上限的"长镜头感"，跳到步骤 5 做伪长镜拼接，而不是尝试突破上限
   • ⚠️ 本文前面写的 4-5 秒呼吸段在 max_shot_sec < 5 的 profile 上直接违规。本机 LTX 是 2.04 秒，呼吸段只能取 1.2-2.04 秒，按 1:1.7 的比例重算，不要照抄绝对值

5. （可选）伪长镜拼接

   • 同一机位设计连续两镜，运镜幅度都压到极缓（接近固定机位），首尾剪辑点选在动作最平缓的瞬间
   • 完成标准：两镜拼接后观众感知不到剪辑点，视觉上等效于一个更长的连续镜头

---

B — 边界 (Boundary) ★

不要在以下情况使用此 skill

• 还没有确定素材内容、连驱动视频/参考图都没选好——先做 material-driven-storyboard 或 shot-breakdown
• 需要决定音效/BGM/调色优先级——那是 editing-triad 管的范围，与本 skill 的"时长排布"是不同维度
• 片子有旁白/解说词——不要用本 skill 的高能/呼吸疏密对比，改用 shot-rhythm-model（按内容段类型 + 片长回归公式定参数）；如果连片子该多快都说不清、只笼统觉得"有点拖"，先用 speech-cadence-baseline 排除语速句法问题

来源中警告的失败模式

• 全片用均匀时长剪辑，不做疏密对比——会失去节奏感的控制（S1 原文用词）
• 忽视 profile 的单镜时长上限、按云端习惯设计超长单镜——本地工作流直接卡死在 max_shot_sec，超过上限的设计从起点就做不出来。更常见的错误是照抄本文的绝对秒数：来源那套工具是 10 秒，本机 LTX 只有 2.04 秒，照抄 4-5 秒呼吸段等于每一镜都做不出来

作者的盲点 / 局限

• S2 的具体秒数（2-3s/4-5s）只有一份分镜案例支撑，且这份分镜从未实际投产，量化数值本身未经生成结果验证
• "伪长镜拼接"（同机位连续两镜+极缓运镜）是本 skill 基于单镜时长上限推导出的解法，来源完全没有讨论，效果依赖 z-image/SCAIL2 对"运镜幅度极缓"的响应稳定性，存在推导风险

容易混淆的邻近方法论

• 与传统影视剪辑理论里的"库里肖夫效应/蒙太奇学派"不是一回事——那是镜头并置产生新含义的理论，本 skill 讲的是纯时长/疏密分布的节奏控制，虽然都用"蒙太奇"一词但关注点不同
• 与"帧率/慢动作"技术手段不是一回事——那是拍摄/后期变速技术，本 skill 管的是镜头时长本身的设计，不涉及变速
• 与 shot-rhythm-model（科普片剪辑刀数模型）不是一回事，也不是同一个模型的两个参数档——那是从旁白驱动的科普/教程片语料蒸馏出的模型，用内容段类型（概念/演示/验收）和片长回归公式定参数，背后有恒定的语速底盘（speech-cadence-baseline 375 字/分）做支撑；本 skill 服务无对白情绪片，没有旁白这个时间基准，节奏纯粹服务情绪起伏，且被 profile 的 max_shot_sec 这个硬件能力上限收敛。两者都谈"节奏"和"疏密"，但一个的判据是"这句话有没有讲清"，另一个的判据是"这一刻情绪有多强"——判据不同，数值不可互换，见上方 A2 对照表

---

相关 skills

• depends-on: shot-breakdown（素材筛选完毕才能排布时长）、material-driven-storyboard（单镜时长上限与素材可行性前提来自那里的硬约束表）
• contrasts-with: shot-rhythm-model（科普/教程片剪辑刀数模型——旁白驱动信息片 vs 本 skill 服务的无对白情绪片，判据、锚点、约束完全不同，详见上方对照表，禁止互套数值）
• composes-with: editing-triad（本 skill 提供节奏维度的具体秒数，供 editing-triad 第一步"搭节奏骨架"调用）

---

审计信息

• 验证通过: V1 ✓（三个来源：S1 蒙太奇定性/S2 秒数量化/S3 ≤10s 硬顶） / V2 ✓（可推导"10 秒硬顶下如何做长镜头感"→用同机位连续两镜+极缓运镜拼接，制造伪长镜，来源未讲本地限制下的变通） / V3 ✓（不是"要有节奏"这种废话，而是给了具体的疏密数值和分布位置：高能段 vs 首尾）
• 测试通过率: 待阶段 4
• 蒸馏时间: 2026-08-01