腾讯发布 ScriptAgent：三个 AI 编导分工，把对话拍成连贯电影

现在拿 AI 视频模型做短片，很多人都会遇到同一个尴尬：单看几秒镜头惊艳无比，一旦想讲个由对话推动的故事，画面和情节就容易各走各的。

腾讯最近提出了一个叫 ScriptAgent 的端到端框架，想要填平创意想法与镜头落地之间的鸿沟，把简单的角色对话直接拍成电影级视频。

剧组里的三位 AI 工友

ScriptAgent 的核心思路很直观：不再让底层的视频生成模型单打独斗，而是在前端搭起一个小型虚拟剧组。

整个系统由三个分工明确的智能体协同工作。

首先是负责剧本编写的智能体。它经过监督微调与 GRPO 强化学习训练，任务是把粗糙的日常对话扩写成包含机位、情绪和动作细节的电影剧本。

接着是导演智能体 DirectorAgent。它负责统筹调度外部的前沿视频生成模型，通过跨场景连续生成机制，维持长镜头的叙事连贯性。

最后是评审智能体 CriticAgent。它会从技术画面和电影视听两个维度给成片打分挑刺，形成闭环。

视觉奇观与忠实度之间的拉扯

团队在测试中接入了 Sora2-Pro、Veo3.1、Wan2.6 以及腾讯自家的 HYVideo1.5 等多种主流模型。

测试结果显示，使用这套细化剧本后，所有测试模型的表现都得到了普遍提升，剧本忠实度最高拉高了 0.4 分。

在人类专家评审中，ScriptAgent 生成内容的戏剧张力得分达到 4.1 分，高于基准的 3.7 分；视觉意象得分也从 3.8 分涨到了 4.3 分。

团队还提出了一个专门测量图文对齐的指标 VSA，数据显示其在时序与语义一致性上提升了 7 分以上。

有趣的是，研究团队还指出了当前顶尖模型普遍存在的一个根本性取舍：视觉奇观与严格遵守剧本之间往往存在冲突，画面越追求华丽，越容易把剧本的约束抛在脑后。

为了给这类多镜头剧情生成提供标尺，他们还同步发布了评测基准 ScriptBench。

为什么重要

对内容创作者和独立导演来说，这套框架指出了从单镜头演示走向真正叙事短片的实用路径。

过去大家用 AI 做片子，大部分精力耗在手动切分镜、反复调提示词和修坏帧上。如果智能体能把分镜设计、模型调度和质检自动化，制作长视频的门槛会被大幅拉低。

在行业竞争上，单纯堆叠参数让视频模型多生成几秒已经遭遇边际效应。腾讯没有另起炉灶再造一个底层生成模型，而是退后一步做调度中枢，我们觉得这一步走得挺聪明。

不过看起来它依然摆脱不了底层模型的硬性限制。即便剧本写得再精准、导演调度再严密，一旦底层模型对特定动作理解崩塌，多智能体也只能在外面反复修补。

但不管怎么说，把电影工业的分工逻辑搬进 AI 视频生成，绝对是今年最值得看的发展方向之一。