一次调用出三十秒带原生音频，这个长度对做竖屏短剧的人挺关键，差不多够一个完整的冷开场。我拿双人对手戏去压它——比单人难，模型既要保住两张脸，还得把台词分给对的嘴。
提示词的写法是最值钱的部分：三十秒拆成三段，每段只写「初始状态、一个主要事件、结束状态」，别把三个动作塞进十秒里让它自己排。人名全大写、每段都当主语重复一遍，每句台词前点名谁说的；跨段千万别用代词，「她」「他」一出来脸就开始飘。角色一致我走的是参考图，不是首帧图——首帧会把开场机位也一并锁死。
还有音频默认是关的，不少人以为它不出声，其实是没打开。耗时完全看队列，同样三十秒我这边跑过两分多钟也跑过七分多，别拿单次时间给客户承诺交付。前期打草稿切 480p，便宜一大截。