本文由來
這是一份由 Claude Code 整理的草稿，內容尚未經作者人工審稿，可能有不準確的地方。
整理依據，
- storyboard-system repo
scripts/下的.mjs腳本（4-24 ~ 4-30 共 20+ 支）- Claude Code 在該 repo 的 session 紀錄（
~/.claude/projects/-Users-jaschiang-GitHub-storyboard-system/），最大那份 4-30 cbf79da7 fal_refs=100~/.claude/projects/-Users-jaschiang-claude-----video-prompt-skill/的 prompt skill 使用紀錄~/claude/測試區/video-scripts/的規劃 HTML 檔文中提到的具體案子是某 3C 通路門市為兩個智慧家電品牌做的短影片素材，品牌與通路名都已遮蓋（以下用「品牌 A」「品牌 B」「某通路」代稱）。文章開頭的 hero 圖由 Codex CLI 內建的 image_gen 工具生成。
起因
近期接了一個短影片素材的工作，需要在大約一週內生出兩支不同 AI 風格的家電產品宣傳影片，給某通路跟兩個家電品牌（以下用「品牌 A」「品牌 B」代稱）的聯名門市用。
正常流程是找導演 / 攝影 / 模特、實拍、後製，時間跟預算都不夠。所以我把整套搬進 Claude Code 跟 fal.ai，讓 AI 從角色 ref 圖、場景 ref 圖、storyboard 分鏡、到最後的 reference-to-video 生成，一條龍跑完。
整個流程跨三個資料夾，Claude Code 是貫穿全程的 driver。我之前寫過 storyboard-system 開發紀錄 這支工具本身的開發過程，但這篇是不同的故事 — 不是「用 storyboard-system 工具的 UI」，而是在那個 repo 裡讓 Claude Code 直接寫腳本呼叫 fal。
全貌，三個階段
階段 1，規劃 階段 2，prompt 草擬 階段 3，腳本生成
───────── ────────── ──────────
~/claude/測試區/ ~/claude/.../ ~/GitHub/
video-scripts/ video-prompt-skill/ storyboard-system/
scripts/
3C 通路 30 秒企劃 gpt-image-2-prompt-skill gen-brand-a-15s-parta-home.mjs
品牌 A 60 秒 7 段 seedance2.0-prompt-skill gen-brand-a-fridge-open-ref.mjs
... gen-brand-a-bridge-morph.mjs
gen-brand-a-storyboard-sheet*.mjs
(20+ 支腳本)
純規劃、HTML 檔 用 skill 寫中文 prompt Claude Code 寫 mjs，
node 直接 run，
走 @fal-ai/client，
呼叫 Seedance 2.0 +
GPT Image 2 + Nano Banana
每個階段都有 Claude Code，但角色不同。
階段 1，規劃，純文字 storyboard
這階段 Claude Code 沒呼叫任何 AI 模型，只在做文字結構化工作。
我給它幾個 input，
- 客戶要的訊息要點（產品功能、目標族群、調性）
- 影片時長（30s / 60s）
- 必須出現的視覺元素（門市實景、產品擺位、主視覺色調）
它輸出一份 HTML 規劃檔，結構大致是，
影片 A — 30 秒，7 段
CUT 1 (0.0 → 1.5s) 開場 — 主角推門進入門市
CUT 2 (1.5 → 3.5s) 店員引導到產品區
CUT 3 (3.5 → 6.5s) 產品 hero shot 1
CUT 4 (6.5 → 11s) 使用情境演示
...
每個 cut 包含時長、畫面描述、運鏡、主視覺、音效暗示。這份 HTML 是後續所有階段的 spec，不對它就一錯到底。
關鍵設計，
- 切 cut 時就先把時長加總到 30s / 60s（不要在最後階段才發現超時）
- 每個 cut 都註明「人物角度」（正面 / 側面 / 背影），因為這直接影響後面 ref 圖怎麼生
- 每個 cut 都註明「有無對話 / 旁白」，影響是否需要嘴型對得上的 reference
這階段 Claude Code 表現很穩，比我自己寫得結構化。
階段 2，用 skill 草擬中文 prompt
到這階段才開始進入「跟 AI 模型講話」。但還沒呼叫模型，是寫好 prompt 待用。
我有兩支自己安裝的 Claude Code skill，
gpt-image-2-prompt-skill— 寫給 OpenAI GPT Image 2 的圖片生成 / 編輯 promptseedance2.0-prompt-skill— 寫給 ByteDance Seedance 2.0 的中文影片 prompt
skill 的本質是結構化 prompt 範本。給它「我要拍什麼」，它套用模型最佳的 prompt schema，輸出一份可以直接餵給模型的中文（或中英混合）prompt。
例如 Seedance skill 教你，
- ≤15 秒：不講故事，做一個「不可能的瞬間」，前 2 秒抓人
- >15 秒：分段，每段獨立 prompt，後製拼接
- 多模態 reference 是 Seedance 2.0 強項，盡量利用
- 中英混合比純中文穩定（運鏡術語用英文 wide / dolly / pan，主體與情境用中文）
- @ 引用必須用官方命名
@图片1~@图片9、@视频1~@视频3
skill 把這些「平台特性」內建，我寫 prompt 時不用每次回去翻 fal 文件。
Note
Skill 內建的範例是簡體中文（即夢平台原生語言），但實際輸出 prompt 我會請 Claude Code 改成繁中（除了
@图片1這類官方命名格式不能改）。Claude Code 一次設定好後續所有 prompt 都會跟著用繁中描述。
階段 3，寫 .mjs 腳本，Claude Code 直接呼叫 fal
這階段是這次工作流最有 vibe coding 感的部分。
storyboard-system repo 之前是我做來「串接各家 AI 影片 / 圖片模型的整合工具」（工具本身的開發紀錄）。這次要做素材時，我沒打開那個工具的 UI，而是直接打開 Claude Code 在 storyboard-system repo cwd，請它寫 .mjs 腳本呼叫 fal。
理由：UI 適合「一張一張生、視覺驗證」；腳本適合「一次跑 4-6 個 cut + 多個變體 + 失敗重試」這種批次。
腳本長什麼樣，
#!/usr/bin/env node
// gen-XX-15s-parta-home.mjs
// Seedance 2.0 reference-to-video — 15-second part A
import { fal } from '@fal-ai/client'
import fs from 'node:fs/promises'
const SEEDANCE_REF = 'bytedance/seedance-2.0/reference-to-video'
const OUT_DIR = '.data/test-output'
const REFS = {
protagonist: '.data/.../front-female-protagonist-casual-v1.png',
home: '.data/.../home-interior-v1.png',
appliance: '.data/.../appliance-hero-ref.png',
// @图片1 ~ @图片N
}
const PROMPT = `[15 秒一鏡到底，多 cut whip-pan 接駁]
0.0-1.8s foyer，主角推開門進入...（中英混合 prompt）
1.8-2.1s whip-pan 1
2.1-3.6s walk-in 到客廳沙發
...
`
const result = await fal.subscribe(SEEDANCE_REF, {
input: {
prompt: PROMPT,
reference_image_urls: Object.values(REFS),
duration: 15,
resolution: '1080p',
seed: 42,
},
logs: true,
})
await fs.writeFile(
`${OUT_DIR}/output.mp4`,
Buffer.from(await fetch(result.data.video.url).then(r => r.arrayBuffer()))
)用法是，
node scripts/gen-XX-15s-parta-home.mjs跑下去 1-3 分鐘等 fal queue 完成，輸出落到 .data/test-output/。
為什麼用腳本不用 UI
| 情境 | 腳本 | UI |
|---|---|---|
| 一次跑 4-6 個 cut | ✅ 一個 for loop 就好 | ❌ 一張一張點 |
| 同 prompt 不同 seed 跑變體 | ✅ for 迴圈 + seed 陣列 | ❌ 改 seed 重點 |
| 失敗自動重試 | ✅ try / catch + retry | ⚠️ 手動重點 |
| 批次同樣 ref 換 prompt | ✅ 改腳本一行 | ⚠️ UI 重輸入 |
| 第一次 explore 視覺方向 | ❌ 寫腳本太重 | ✅ UI 適合試 |
| 需要視覺即時驗證 | ⚠️ 跑完才看 | ✅ 立刻看 |
我自己的決策規則：前 1-2 張用 UI 探方向（用 storyboard-system tool 或 fal web）、確定方向後寫腳本批次跑。
一週生出來的腳本長相
實際 4-24 ~ 4-30 之間在 storyboard-system/scripts/ 累積的腳本（部分），
gen-brand-a-fridge-open-ref.mjs — 冰箱開門 reference 圖（gpt-image-2/edit）
gen-brand-a-cut3-seated.mjs — 第 3 段坐姿 ref（gpt-image-2/edit）
gen-brand-a-home-interior-no-styler.mjs — 居家內景 ref，去掉風格器（gpt-image-2/edit）
gen-brand-a-15s-parta-home.mjs — Part A 15 秒主影片（Seedance 2.0 ref-to-video）
gen-brand-a-15s-from-storyboard.mjs — 從 storyboard 直接吐 15 秒影片
gen-brand-a-storyboard-sheet*.mjs — 整張 storyboard sheet 視覺化（多版本）
gen-brand-a-bridge-morph.mjs — Part A → B 過場 morph
gen-brand-a-merged-bridge-partb.mjs — Part B 接 Part A 後段
gen-brand-a-4s-partb-store.mjs — Part B 4 秒門市段
gen-brand-a-4clips.mjs — 4 個獨立 clips 批次跑
run-mascot-endcard-seedance.mjs — 結尾吉祥物 endcard
pad-hem-strip-ref.mjs — 服裝飾條 padding（為了過 fal 3:1 比例上限）
fal-fetch-request.mjs — 拉 fal job result 的 helper
gen-brand-a-character-refs.mjs — 男店員 / 女主角 character library
gen-brand-a-variants.mjs — 角色 3 種服裝變體（外出 / 居家 / 休閒）
（共 20+ 支）
數字統計，
| 模型 | 呼叫次數（跨所有 .mjs） |
|---|---|
openai/gpt-image-2/edit（圖片編輯） | 39 |
fal-ai/nano-banana-pro/edit（圖片編輯備選） | 8 |
bytedance/seedance-2.0/reference-to-video（影片） | 跨 9 支腳本，實際 fal subscribe 呼叫 ~20 次 |
最常用的不是影片模型本身，而是 GPT Image 2 edit。原因是影片需要大量先準備好的 reference 圖（角色 ref 各角度、場景 ref 各角度、商品 ref 等），ref 圖品質決定影片品質，前期 ref 製作的呼叫量遠多於最終 video 呼叫。
踩過的坑
1. fal 對單張 ref 圖的比例上限是 3:1
某次我傳一張長條形的服飾飾條 ref（1504×432，比例 3.48:1）給 gpt-image-2/edit，fal 直接回 422 拒收。寫了 pad-hem-strip-ref.mjs 把圖旋轉並 padding 到 3:1 內，再餵進去就過。
2. Reference 太多會被合併壓縮
Seedance 一次最多 9 張 reference，我塞太多，模型會自動合併概念，反而導致特定細節（例如 logo 顏色）失真。後來改成「每張 ref 對應一個明確視覺角色」（@图片1=主角、@图片2=場景、@图片3=道具），不混。
3. Whip-pan 接駁比 cross-fade 穩
15 秒的多 cut 影片，我原本想用 cross-fade 接駁不同場景，結果模型生出來「家具會在淡入淡出時融化」（layout 不連續引起的 artifact）。改成快速 whip-pan（0.3 秒鏡頭甩動 + motion blur）後，所有場景接駁都自然很多。
4. 角色一致性靠 ref 鎖，不靠 prompt 描述
我一開始把主角的長相細節寫進 prompt（「米色粗針織毛衣 + 暖灰長褲、25 歲、長髮微捲」），不同 cut 跑出來的人臉還是會飄。後來改成先用 gpt-image-2/edit 生一張「主角 canonical reference」圖，每個 cut 都把這張當 @图片1 餵進去，prompt 只描述「主角做什麼」，角色一致性顯著提升。
5. fal API key 環境變數
@fal-ai/client 預設讀 FAL_KEY 環境變數。我把 key 放在 repo 根的 .env.local，腳本最前面 dotenv 載入。.env.local 在 .gitignore，但要小心腳本裡不要寫死 key。
心得
Claude Code 在這套工作流的實際角色
它不是「按下生成按鈕那一下」。它在做，
- 規劃階段：把粗糙的客戶 brief 結構化成可執行的 cut 表
- prompt 階段：根據 skill 套出最適合該模型的 prompt schema
- 腳本階段：根據 cut 表寫 .mjs，串好 ref 圖、prompt、模型參數
- 跨階段一致性：同一個角色在多個 cut 裡用的 ref 是同一張，由它記住對應關係
- 看到失敗結果決定要重試 / 換 prompt / 換模型
最後一條最重要。生成失敗時不只是「重跑」，而是要分析「為什麼失敗（ratio 過大？ref 衝突？prompt 描述歧義？）」再對症下藥。Claude Code 在這個診斷迴圈很有幫助。
為什麼不直接寫一個整合工具就好
我手上已經有 storyboard-system 這套整合工具。但這次案子直接寫腳本反而更快，因為，
- 每個案子的視覺需求都不一樣：通用 UI 反而限制變化
- 腳本可以版本控制：寫得好的腳本可以 fork 改參數重用
- 批次跑容易：UI 一次跑一張、腳本可以 4-8 個 parallel
換句話說，通用工具負責「常見情境」，腳本負責「特殊案子」。這兩個不是替代關係，而是互補。
中文 prompt 的微妙點
跨 3 個模型（GPT Image 2、Nano Banana Pro、Seedance 2.0），中文渲染穩定度差別很大，
- GPT Image 2 / edit：中文字渲染預設偏簡體，要強制繁體得在 prompt 加殘體對照表 + 強制原文用詞
- Nano Banana Pro：對中文敏感度中等，繁簡都會出
- Seedance 2.0：對中文 prompt 友善，純中文也跑得穩。但實務上混一點英文反而更穩（運鏡術語用英文，主體用中文）
如果哪天有人問我「用 fal 做中文家電影片該選哪個」，我大概會說：ref 圖用 GPT Image 2，影片用 Seedance 2.0，原因是這兩個模型理解中文敘事的角度最對盤，輸出最少需要改 prompt 重跑。
結語
這次工作流跑完最大感受是，Claude Code 把「能不能做」跟「做得快不快」這兩件事的瓶頸都搬到不同位置。
以前自己拍要找團隊；後來用 AI 影片但要熟工具 UI；現在用腳本批次跑，瓶頸變成寫 prompt 的清晰度跟規劃 cut 表的合理性。生成本身反而是最確定、最可重複的環節。
對行銷或內容工作者來說，這套組合（fal + Claude Code + 一些 .mjs 腳本）應該還會繼續是接下來幾個月的主力工作流。