这个问题的核心不在生成模型，而在决策发生的位置。镜头时长和转场方式如果等到拼接阶段才定，逐镜生成出来的每一段都只是原材料，剪辑台就得同时承担判断和执行两件事，任何一处接不上都容易整段重来。更稳的做法是：写场次表时就把每镜的时长区间和与下一镜的转场方式写进字段，逐镜生成阶段只负责画面是否可用，拼接阶段只做逐镜比对，不做临时决定。

时长与转场属于规划信息，画面属于生成信息，两者建议分开处理：场次表写时长区间和转场方式，生成阶段只核对画面并标记是否重跑，拼接前用一张镜头核对表逐行对齐。这样接不上的位置在读表时就能发现。边界是时长只能给区间不能给死值，实际落点仍需结合生成结果和成片节奏确认，不要指望一次写准。

在场次表里先给每镜写一个时长区间

时长要有一个可追溯的估算依据，事后硬剪只是补救。常见的两个依据是台词字数和动作幅度：中文口播通常按每秒 3.5 到 5 字粗估，具体语速需要结合配音环境确认；有走位、转身、开门、递物这类动作的镜头，在台词时长之外再留一段动作缓冲，取两者中较大的那个作为基准。

写法上建议写区间而不是单点，字段名区分上限和下限，例如下面的场次表片段。区间带宽一般留 0.3 到 0.5 秒，台词长、动作复杂的镜头可以再放宽一点。这个区间的作用是给生成和剪辑一个允许的浮动带，而不是精确到帧的规定值。

- shot_id: S03
  scene: cafe_interior
  duration_min: 3.2s
  duration_max: 3.8s        # 依据：台词 12 字 + 抬手看表动作
  dialogue: "你确定要现在去吗"
  action: 中景，抬手看表，视线转向门口
  transition_out: cut       # 接缝挂在本镜上，下一镜是同场景连续
- shot_id: S04
  scene: street_night
  duration_min: 2.5s
  duration_max: 3.0s
  dialogue: ""
  action: 空镜，雨夜街道，无人
  transition_out: dissolve 0.4s

验证方式很简单：把场次表里的时长区间和实际配音、参考音频对一遍，超出区间就回改场次表，而不是去改已经生成好的镜头。

为相邻镜头标好转场方式

转场属于两镜之间的关系，最省事的约定是把它挂在上一镜的 transition_out 字段上，全场次统一，避免出现有的接缝记在前一镜、有的记在后一镜，拼接时还要满表去找。

常见类型按用途分：同场景、同一时间连续的动作，用直切，时长写 0s，不要写 0.1s 这类值，否则容易变成闪帧；跨场景但情绪延续的，用叠化，一般 0.3 到 0.5 秒；段落之间做明显分隔的，用黑场淡入淡出；形状或动作有对应关系的两镜，可以标匹配剪辑。写法上建议带上时长和一句理由，例如 dissolve 0.4s # 场景切换，情绪延续，理由这一句在拼接阶段复查节奏时会用到。

检验方式：不打开任何成片，只读场次表，能不能说出每一处接缝是什么类型、多长、为什么选它。说不出来说明这一字段还没写到位。

逐镜生成时只核对画面不调时长

生成阶段的任务要单纯，只判断这一镜的画面能不能用。通常需要核对这几项：构图与分镜描述是否一致；主体形象、服装、场景细节与前后镜是否对得上；运镜方向和幅度是否是场次表里写的那个；首帧和尾帧是否留得住，尤其是要接叠化的镜头；画面里有没有多出来的文字、水印、多余的手或物体。

这一阶段不动的字段包括时长区间、转场方式、镜号、台词文本。哪怕生成结果比区间长了半秒，也不要在这里顺手改掉，只标记状态，把时长问题留给拼接前那张表统一处理。可以用一个简单的状态字段表达：

shot_id: S03
check:
  composition: ok
  subject_consistency: ok
  camera_move: ok
  first_last_frame: ok
  artifacts: none
needs_rerun: false
# duration / transition 不在本阶段填写

只要画面有问题，就写 needs_rerun 加一句原因，不要在同一轮里既重跑画面又调时长，两件事混在一起，后面很难判断到底是哪一步出的问题。

拼接前用表格逐镜对齐时长与转场

这一张表是发现接缝问题的唯一入口，建议按镜号顺序生成，不要跳行填。骨架大致如下，字段名可以按自己的习惯调整，但列的含义要保持稳定。

填写规则建议统一成三条：时长列填生成后的实际值，并在括号里保留原区间，超出区间就在备注里标出来，但不在这一列改区间；转场列只抄场次表的原值，接缝信息从上一镜读，不要在这里临时发明新的转场；是否重跑列只写 true 或 false 加一句短原因。整表填完再统一扫一遍超出区间的行，这些行就是优先处理的对象。

整体看一遍节奏再决定补哪一镜

单镜都对齐之后，把时长列从头加一遍，感受一下整体是偏快还是偏慢。节奏偏快，通常不是镜头本身短，而是转场太密或者同类镜头太多，可以先延长空镜和动作镜的停留时间，再考虑删掉机位和内容重复的镜头；节奏偏慢，先看有没有镜头超出当初写的区间上限，再考虑把两个短镜合并、或者缩短跨场景的过渡时长。

补镜和删镜的判断依据不同。如果缺的是信息，比如观众看不出前后两镜的因果关系或人物为什么换地方，那属于内容缺失，应该补一镜；如果只是观感不顺、情绪没接住，优先重排顺序或调整时长，而不是直接重跑。删镜的判断标准是：把这一镜去掉之后，因果关系和情绪线是否还成立，成立就可以删。

确定要补或要重跑的镜头，再回到画面核对那一节处理，时长和转场仍然从场次表里取原值，不要在补镜时顺手改动，否则核对表又要重填一遍。