n8n实战033,全自动短剧拆分场景、服化道、TTS台词(附完整提示词、代码)

兄弟们，今天我们就来详细的介绍第一个子工作流，拆分故事，只要你录入一个小说，就能自动按照场景将故事拆分开，同时也能按照旁白、角色来拆分tts台词，方便我们后续按照拆分的故事绘制宫格图和情绪化配音

今天这一期实战，二冰直接把整套短剧脚本拆解工作流甩出来。不管是场景切换、道具识别，还是台词自动切分，全给你们整得明明白白的。废话少说，直接开整！

如果还没看过前两期的兄弟们可以移步查看

n8n实战031，全自动AI漫剧系统：文案到剪映草稿，一键搞定，内附10个工作流

n8n实战第32期，手把手教你配置AI漫剧“大脑”：飞书多维表格全解析！直接抄作业

本套工作流系统做的视频效果如下

一、你需要准备什么？

搞定这个自动化工作流，兄弟们先把这几个凭证准备好：

1. 1. bizyair 跟硅基流动是一家的
   这是二冰现在所有的生图生视频工作流用的api，国内的中转api二冰基本上研究一个遍了，最后结论是硅基流动牛逼，兄弟们自己看下价格吧

二冰真不是托，同时也感谢bizyair官方认可，给了二冰一些兑换码，可以兑换20000金币价值20元，够你做400个sora2视频，评论区评论「bizyair牛逼」，二冰选五个给发兑换码，

注：实战派会员免费得兑换码

https://bizyair.cn/

1. 2. 硅基流动 API Key
   二冰用的大模型都是硅基流动的，大家可以点一下我的邀请链接，咱们一人获得2000万token，绝对够你用好久好久好久

https://cloud.siliconflow.cn/i/ttf52sDl

1. 3. 飞书自建应用（需开启多维表格权限）
2. 4. 企业微信群机器人 Webhook
3. 5. n8n 社区节点：n8n-nodes-feishu-lite (飞书节点必备)

以上准备工作的详细图文教程（如怎么申请Key、怎么建应用），二冰都整理在飞书文档里了，还没搞定的兄弟先去看文档，搞定再回来接着整：

https://ai.feishu.cn/docx/FjX0dIyw4onA4ZxZUFzcczXrnyd?from=from_copylink

二、这个工作流是怎么跑的？（逻辑解析）

这个工作流的逻辑贼硬核，主要分三步：

1. 1. 监听与清洗：通过 Webhook 或子流程接收原始故事文本，先进行结构化清洗，确保 AI 能读懂。
2. 2. AI 深度拆解：调用硅基流动的高端模型（如 GLM-4/5），按照“分镜/场景/台词”三级结构进行物理拆分，同时识别关键道具和角色心声。
3. 3. 自动化落库：将拆好的脚本全自动写入飞书多维表格，并生成全局摘要和单场景摘要，方便后续直接喂给生图工具。

三、节点详细配置（全流程拆解）

兄弟们注意了，这个流程一共 23 个节点，咱们一个一个拆，一个都不能少！

1. 外部工作流触发 (Execute Workflow Trigger)

这是整个流程的入口，方便被其他主流程调用。

2. 任务类型分发 (Switch Node)

这里用了一个 Switch，判断进来的任务是批量拆解还是精细化拆解。

3. 原始文案清洗 (Code Node)

把飞书里拿到的乱七八糟的文案字段提取出来，统一转换成干净的 story 文本。

// ============================================================
// 1. 获取输入数据并提取 records 数组
// ============================================================
const inputData = $input.first().json;

// 根据新结构，数据在键 "1" 的 items 属性中
const records = inputData["1"]?.items || [];

// ============================================================
// 2. 辅助函数：安全提取文本或链接
// ============================================================
/**
 * 提取飞书字段文本：支持数组对象拼接、单个对象提取或纯字符串
 */
const getText = (field) => {
    if (!field) return "";
    if (Array.isArray(field)) {
        return field.map(item => item.text || "").join('');
    }
    return typeof field === 'object' ? (field.text || "") : field;
};

/**
 * 提取链接：优先提取 link 属性，其次提取 text
 */
const getLink = (field) => {
    if (!field) return "";
    return field.link || field.text || (typeof field === 'string' ? field : "");
};

// ============================================================
// 3. 处理数据并构建输出
// ============================================================
return records.map(record => {
    const fields = record.fields || {};

    return {
        json: {
            // 1. 处理原始文案：自动拼接数组中所有 text
            story: getText(fields['原始文案']),

            // 2. 处理编号：提取第一个 text
            id: getText(fields['编号']),

            // 3. 处理背景音乐：提取 link 属性
            bgm: getLink(fields['背景音乐']),

            // 4. 处理音色：适配数组或纯字符串路径
            voice: getText(fields['音色']),

            // 5. 处理风格：直接获取
            art_style: fields['风格'] || "",

            // 6. 记录 ID
            record_id: record.record_id
        }
    };
});

4. AI 场景深度拆分 (AI Agent)

添加AI agent节点

配置凭据

配置凭据后，选一个硅基流动的模型就行了

# Role

你是一位**顶级短剧/漫剧内容架构师**，擅长将碎片化的网文剧本转化为具备**高度电影感**和**逻辑闭环**的视觉脚本。

## 核心逻辑

**TTS = 视频的灵魂轴线**
你生成的 `tts_lines` 将直接驱动分镜绘制。你必须保证：**画面感、节奏感、字数适配字幕、以及全局逻辑的连贯性。**

---

## 一、 场景拆分与连贯性规则

1. **物理拆分原则**：空间切换（室内到室外）、时间跨度（白天到黑夜）、环境状态突变（完好到废墟）必须拆分。
2. **叙事桥梁（Narrative Bridge）**：
* **禁止生硬跳跃**：每一场戏的开头旁白，必须承接上一场的结尾动作或状态。
* **时间/因果交代**：通过旁白交代时间流逝（如：“半月之后，摘星楼已高耸入云”）。



## 二、 剧情完整性与逻辑闭环（Global Logic Check）

1. **全局扫描**：在动笔拆分前，必须纵观全局，识别出剧本中的**“核心锚点”**（如：亡国倒计时、系统点数、主角的隐藏身份）。
2. **关键信息埋点**：
* **严禁删减核心设定**。如果后期剧情提到了倒计时，前面的旁白必须清晰交代“系统面板”或“倒计时开启”的信息。
* 保证**“前有因，后有果”**，严禁出现后面剧情突然冒出前面从未交代的关键要素。



## 三、 关键物品筛选（Strict Assets Only）

1. **判定标准**：该物品是否跨越了**两个或多个场景**？如果下一个场景它变了样子，观众会觉得穿帮吗？
2. **资产级定义**：角色绑定装备（专属武器、工具带）、跨场景核心道具（系统终端、唯一信物）。
3. **垃圾过滤**：单场景内的陈设（桌椅）、消耗品（食物、烟）、临时工具（螺丝刀、水流计）一律**不写**。
4. **宁缺毋滥**：如果没有跨场景资产，`key_items` 必须保持为空 `[]`。

## 四、 TTS 生成极致规范（Subtitle & Novel Style）

1. **字幕黄金区间**：单条 `text` 严格控制在 **15-20 个汉字** 之间。
2. **自然叙事语感**：使用小说化的描述。禁止“特写、镜头、画面”等术语。
3. **系统语境转化**：将硬核的“系统提示音”转化为具有文学感的旁白或主角心声。
* *错误*：`系统音：暴行点增加500。`
* *正确*：`脑海中机械音响起，暴行点数再次疯狂跳动。`


4. **先铺后说**：先用旁白描述神态/动作铺垫情绪，再跟上纯净的台词（去掉“他说道”等赘余）。

---

## 五、 输出数据结构 (JSON Only)

```json
{
  "scenes": [
    {
      "scene": "准确地点名称",
      "story": "该场景的核心剧情概括",
      "characters": ["角色A", "角色B"],
      "key_items": ["必须是跨场景出现的资产名称"],
      "tts_lines": [
        { "role": "旁白", "text": "富有美感且具备转场逻辑的描述，20字以内。" },
        { "role": "角色名", "text": "纯对话内容，20字以内。" }
      ]
    }
  ]
}

```

## 六、 任务执行

请纵观全局，处理以下文本。**特别注意：确保“倒计时”、“系统奖励”等核心设定在第一幕就得到清晰展现，保证前后逻辑严密：**
{{ $('清洗全局控制').item.json.story }}

5. 硅基流动大模型支撑 (Language Model)

这里二冰建议用 GLM-4 或者更高版本的模型，处理长文本贼稳。

6. 结构化输出解析 (Output Parser)

告诉 AI 必须按我给定的 JSON 格式返回，不然飞书接不住。

[
        {
            "scene": "场景名称（地点）",
            "story": "原始剧本内容...",
            "characters": ["角色A", "角色B"],
            "key_items": ["道具A"],
            "tts_lines": [
                {
                    "role": "旁白",
                    "text": "林陌坐在角落，手里那杯咖啡微微颤抖。"
                },
                {
                    "role": "王阔",
                    "text": "哟，这不是林大少吗？"
                },
                {
                    "role": "旁白",
                    "text": "林陌握紧了拳头，指节因为用力而发白。"
                },
                {
                    "role": "林陌",
                    "text": "闭上你的嘴。"
                }
            ]
        }
    ]

7. 组装台词记录 (Code Node)

把 AI 生成的台词列表按顺序排好，准备批量怼进飞书。

// ============================================================
// 1. 获取输入数据与上下文
// ============================================================
// 注意：根据你的截图，最外层是数组，里面包裹着 output 对象
const inputItem = $input.first().json;
const scenes = inputItem.output || [];

// 获取全局项目ID (尝试从上游节点获取，如果获取不到则使用默认值)
let globalId = "Unknown";
try {
    // 请确保引用的节点名称正确
    const globalNode = $('清洗全局控制').first();
    if (globalNode && globalNode.json) globalId = globalNode.json.id;
} catch (e) {
    console.log("未找到全局ID，使用默认值");
}

// ============================================================
// 2. 初始化全局变量
// ============================================================
let allRecords = [];
let globalLineCounter = 1; // 🎯 核心逻辑：台词顺序从1开始，跨场景累加

// ============================================================
// 3. 遍历逻辑 (直接使用 tts_lines)
// ============================================================
scenes.forEach((sceneItem, sceneIndex) => {

    // A. 获取该场景下的拆分台词列表
    // 你的上游节点已经完美拆分好了，直接用
    const lines = sceneItem.tts_lines || [];

    // B. 获取其他元数据
    const currentSceneName = sceneItem.scene || "";
    // 将关键道具数组转为字符串数组(飞书格式)或直接使用
    const currentProps = sceneItem.key_items || []; 

    // C. 遍历每一句台词
    lines.forEach((lineObj) => {
        const role = lineObj.role || "旁白";
        const text = lineObj.text || "";

        // 跳过空内容
        if (!text.trim()) return;

        // --- 组装 Feishu Record ---
        allRecords.push({
            "fields": {
                "编号": globalId,

                // 故事顺序: 对应大场景的 Index (1, 2, 3...)
                "故事顺序": String(sceneIndex + 1), 

                // 🎯 全局台词顺序: 1, 2, 3... 一直累加，使用数字类型
                "台词顺序": globalLineCounter++, // 直接使用数字，不带双引号

                // 核心内容
                "台词": text,

                // 角色: 飞书多选/人员字段通常接受数组，或者是字符串
                // 如果飞书字段是"文本"，直接用 role；如果是"单/多选"，用 [role]
                "角色": role, 

                // "场景": currentSceneName,

                // 关键道具
                // "关键道具": currentProps
            }
        });
    });
});

// ============================================================
// 4. 返回结果
// ============================================================
return {
    "records": allRecords
};

8. 写入分场台词表 (Feishu Node)

这里用的是多维表格的批量新增记录

9. 组装场景/角色请求体 (Code Node)

这个节点负责把拆出来的资产（角色、道具）去重归类。

/**
 * 优化后的数据转换脚本
 * 适用场景：将 AI 拆解的场景数据映射至飞书多维表格
 */

// 1. 获取输入节点数据
const aiNode = $('AI: 拆解故事场景').first()?.json;
const globalControlNode = $('清洗全局控制').first()?.json;

// 2. 获取全局 ID (增加多种常见字段名兼容)
const globalId = globalControlNode?.id || globalControlNode?.record_id || "未定义ID";

// 3. 提取场景数组 (核心修复)
// 根据你提供的 JSON 结构: [{ "output": [...] }]
let rawScenes = [];

if (Array.isArray(aiNode)) {
    // 处理结构: [{ "output": [...] }] 或直接是数组
    rawScenes = aiNode[0]?.output || aiNode;
} else if (aiNode?.output) {
    // 处理结构: { "output": [...] }
    rawScenes = aiNode.output;
} else if (aiNode?.data) {
    rawScenes = aiNode.data;
}

// 确保 rawScenes 最终是数组
const scenes = Array.isArray(rawScenes) ? rawScenes : [];

// 4. 如果没有有效数据，返回错误提示记录
if (scenes.length === 0) {
    return {
        "records": [{
            "fields": {
                "编号": globalId,
                "场景": "错误：未解析到有效场景数据",
                "故事": `输入结构异常: ${JSON.stringify(aiNode).substring(0, 100)}`
            }
        }]
    };
}

// 5. 转换并映射字段
const records = scenes.map((item, index) => {
    return {
        "fields": {
            "编号": globalId,
            "故事顺序": (index + 1).toString(), // 飞书数字字段建议转为 String 以匹配部分文本映射
            "场景": item.scene || item.场景 || "未命名场景",
            "故事": item.story || item.故事 || "无内容",

            // 数组字段处理：飞书多维表格的多选/人员字段通常接受 Array<String>
            "角色": Array.isArray(item.characters) ? item.characters : 
                   (item.角色 ? (Array.isArray(item.角色) ? item.角色 : [item.角色]) : []),

            "关键道具": Array.isArray(item.key_items) ? item.key_items : 
                       (item.关键道具 ? (Array.isArray(item.关键道具) ? item.关键道具 : [item.关键道具]) : [])
        }
    };
});

// 6. 返回飞书 API 标准格式
return { "records": records };

10. 写入资产库 (Feishu Node)

将提取出的场景名称、角色名字批量新增斤飞书多维表格。

11. 组装场景详情记录 (Code Node)

把具体的场景描述和故事梗概打包。

12. 写入故事场景表 (Feishu Node)

同样是批量新增操作，把每一场戏存起来。

13. 全局故事摘要生成 (AI Agent)

你是一位专业的文本摘要专家。请为以下章节内容生成一个简洁的摘要，要求：
1. 字数控制在200字以内
2. 准确概括故事的核心发展
3. 包含关键事件和转折点

章节内容：
{{ $('清洗全局控制').item.json.story }}

14. 摘要模型支撑 (Language Model)

用高性能模型来总结剧情精髓。

15. 全局摘要解析 (Output Parser)

结构化全局故事的总结。

16. 更新全局摘要字段 (Feishu Node)

用feishu-lite节点的Update操作，把需要写入的变量，写回飞书多维表格。

17. 变量参数配置 (Set Node)

锁定当前任务的全局 ID 和关键 Key，防止循环的时候跑串了。

18. 数据列表拆分 (Split Out Node)

把飞书查回来的记录数组拆开，准备进循环。

19. 场景循环处理 (Split In Batches Node)

一个场景一个场景地过，AI 挨个给场景写摘要。

20. 逐个生成场景摘要 (AI Agent)

你是一位专业的文本摘要专家。请为以下场景内容生成一个简洁的摘要，要求：
1. 字数控制在200字以内
2. 准确概括该场景的核心内容
3. 包含关键动作和对话要点

场景内容：
{{ $json.fields['故事'] }}

21. 循环内模型支撑 (Language Model)

给每个场景的小摘要提供算力。

22. 循环内结构化输出 (Output Parser)

输出每一场的 Summary。

23. 回写单场摘要到飞书 (Feishu Node)

用feishu-lite节点的Update操作，把需要写入的变量，写回飞书多维表格。

四、 运行测试

输入内容点一下拆分故事

这样你就会获得

1、拆分场景表格

2、服化道表格

3、tts表格

五、 源码与后续

今天的项目有时间也会放到我们自己开发的n8n托管平台上跑，挨个对接确实很费精力

在线网址：http://szp.qazz.site/

因为跑的是我们几个人自己的nas，担心被别人乱用，所以设置了积分，每天可以领点积分，反正基本就够你跑几次了，试跑看效果绝对够用了

兄弟们用着好用可以给宣传宣传

本期实战涉及到的http请求接口详细参数、代码节点详细代码、提示词等已更新到飞书文档，兄弟们自行移步查看：

https://ai.feishu.cn/docx/Crzfdb5shoYN0DxYPSxc21CNnyh?from=from_copylink

本期分享就到这，下期我们拆解服化道工作流！