騰訊釋出 ScriptAgent：三個 AI 編導分工，把對話拍成連貫電影

現在拿 AI 影片模型做短片，很多人都會遇到同一個尷尬：單看幾秒鏡頭驚豔無比，一旦想講個由對話推動的故事，畫面和情節就容易各走各的。

騰訊最近提出了一個叫 ScriptAgent 的端到端框架，想要填平創意想法與鏡頭落地之間的鴻溝，把簡單的角色對話直接拍成電影級影片。

劇組裡的三位 AI 工友

ScriptAgent 的核心思路很直觀：不再讓底層的影片生成模型單打獨鬥，而是在前端搭起一個小型虛擬劇組。

整個系統由三個分工明確的智慧體協同工作。

首先是負責劇本編寫的智慧體。它經過監督微調與 GRPO 強化學習訓練，任務是把粗糙的日常對話擴寫成包含機位、情緒和動作細節的電影劇本。

接著是導演智慧體 DirectorAgent。它負責統籌排程外部的前沿影片生成模型，通過跨場景連續生成機制，維持長鏡頭的敘事連貫性。

最後是評審智慧體 CriticAgent。它會從技術畫面和電影視聽兩個維度給成片打分挑刺，形成閉環。

視覺奇觀與忠實度之間的拉扯

團隊在測試中接入了 Sora2-Pro、Veo3.1、Wan2.6 以及騰訊自家的 HYVideo1.5 等多種主流模型。

測試結果顯示，使用這套細化劇本後，所有測試模型的表現都得到了普遍提升，劇本忠實度最高拉高了 0.4 分。

在人類專家評審中，ScriptAgent 生成內容的戲劇張力得分達到 4.1 分，高於基準的 3.7 分；視覺意象得分也從 3.8 分漲到了 4.3 分。

團隊還提出了一個專門測量圖文對齊的指標 VSA，資料顯示其在時序與語義一致性上提升了 7 分以上。

有趣的是，研究團隊還指出了當前頂尖模型普遍存在的一個根本性取捨：視覺奇觀與嚴格遵守劇本之間往往存在衝突，畫面越追求華麗，越容易把劇本的約束拋在腦後。

為了給這類多鏡頭劇情生成提供標尺，他們還同步釋出了評測基準 ScriptBench。

為什麼重要

對內容創作者和獨立導演來說，這套框架指出了從單鏡頭演示走向真正敘事短片的實用路徑。

過去大家用 AI 做片子，大部分精力耗在手動切分鏡、反覆調提示詞和修壞幀上。如果智慧體能把分鏡設計、模型排程和質檢自動化，製作長影片的門檻會被大幅拉低。

在行業競爭上，單純堆疊引數讓影片模型多生成幾秒已經遭遇邊際效應。騰訊沒有另起爐灶再造一個底層生成模型，而是退後一步做排程中樞，我們覺得這一步走得挺聰明。

不過看起來它依然擺脫不了底層模型的硬性限制。即便劇本寫得再精準、導演排程再嚴密，一旦底層模型對特定動作理解崩塌，多智慧體也只能在外面反覆修補。

但不管怎麼說，把電影工業的分工邏輯搬進 AI 影片生成，絕對是今年最值得看的發展方向之一。