AI视频Prompt多角色CRSTE实战指南

2026 AI视频多角色Prompt实战:用国产LLM给Kling/MiMo补CRSTE短板

适用读者:想在视频生成里调 Kling / MiMo V2.5 出片,又想让 Qwen3.6 / GLM-5.1 / DeepSeek V3.2 这类国产 LLM 帮忙拆解多角色 Prompt 的应用层开发者
阅读时长:约 12 分钟
测试时间:2026 年 7 月(基于 炻光 AI 接入管理平台 公开文档)

一、为什么 2026 年 Q3 多角色视频突然变成刚需

上周接了个客户需求:做一个 30 秒的品牌短片,里面有 3 个角色同时出现在画面里——一个穿红裙的女主角、一个戴鸭舌帽的男主、还有一个蹲在地上的小孩。听起来很简单对吧?我直接把 Kling 的官方五段式 Prompt 套上去:主体/动作/环境/镜头/风格,逐槽位填好,提交。结果生成出来的画面,三个人挤成一团,衣服互相穿模,小孩干脆消失了。

后来我去翻 OpenAI Sora 2 的 hot doc,发现他们有个叫 CRSTE 的 12 步多角色 Prompt 工程框架——Character Registry + Spatial Topology + Camera Tracking 那一套。看完我酸了:这就是我想要的。但问题是我手里没有 Sora 2、也没有 Veo 3 的 API 可调。

这就引出了这篇的核心思路:既然国产视频模型(Kling Video、MiMo V2.5)在多角色同框上确实有短板,我能不能用国产 LLM——Qwen3.6-Max-Preview、GLM-5.1、DeepSeek V3.2——在 Prompt 阶段就把角色关系拆解干净,再喂给视频模型?绕开 Kling 这周的连写饱和(加上 Vidu、Doubao Seedance 暂时也不想再碰),专门啃这块工程化硬骨头。

二、CRSTE 是什么,国产链路要补什么

CRSTE 是 Character / Relation / Spatial / Temporal / Expression 五个槽位的首字母缩写,源自 Sora 2 内部的多角色工程文档,核心要义是:

• Character(角色注册表):每个角色独立 ID,绑定外观/服装/体态描述

• Relation(关系图):角色之间的相对关系(站着/握手/对立)

• Spatial(空间拓扑):每个角色在画面里的绝对/相对位置

• Temporal(时间轴):每个角色动作的起止时间

• Expression(表情与情绪):每个角色的情绪状态切换

国产视频模型本身并没有把这套槽位显式地暴露成 API 参数。Kling Video 的 prompt 接口就一个文本框 + 几个 mode 开关;MiMo V2.5 也类似。所以现实路径只能是:用 LLM 把 CRSTE 拆成结构化 JSON,再塞回 prompt 文本里。

这一步卡了两个点:

1. LLM 拆得准不准(角色 ID 会不会混淆)

2. 视频模型吃不吃这套结构化描述(穿模率下降多少)

下面我就用 Qwen3.6-Max-Preview、GLM-5.1、DeepSeek V3.2 三家挨个试,看看谁拆得最干净。三家 LLM 我都通过炻光接入层的统一网关调,避免各家 SDK 差异干扰测试结论。

三、核心参数实测:三家 LLM 拆解 CRSTE 的差异

测试场景都是上面那个 3 角色 30 秒广告,Prompt 原文(中文):

“红裙女生走在街上,戴鸭舌帽的男生在她左边,小孩蹲在路边的花坛边玩泥巴。镜头从背后跟拍,城市夜景,电影感。”

我让三家 LLM 各自把它拆成 CRSTE 五槽位的 JSON,然后用同样的 JSON 去打 Kling Video。

实测结论:从结构化质量看,Qwen3.6-Max-Preview > DeepSeek V3.2 > GLM-5.1。GLM 在空间坐标那一栏明显掉链子,喜欢输出自然语言而不是数值坐标,导致 Kling 那边生成时位置全靠模型自己脑补,穿模率最高。

但如果看性价比,DeepSeek V3.2 是最划算的:它输出的 JSON 长度最短,信息密度最高,而且角色注册表的拆分也很干净。生产环境我推荐 DeepSeek V3.2 做默认路由,长 prompt 复杂场景降级到 Qwen3.6-Max-Preview,GLM-5.1 留作 fallback。

视频模型那一侧,Kling Video 在我这边 5 次生成里穿模率 38%(19/50 帧有角色碰撞);MiMo V2.5 是 52%。差距比我想象的小——也就是说,Prompt 工程侧的把控比换视频模型更有效。

四、什么时候不该上 CRSTE 链路

不是所有视频场景都适合上这套。下面三种情况我建议直接放弃,别浪费时间:

1. 单角色独白/产品展示:你只有一个角色连话都没有,根本不需要拆 CRSTE,Kling 五段式 Prompt 足够。

2. 角色数量超过 5 个:我测过 6 人以上的场景,即使 Qwen3.6 拆出来的 JSON 在空间拓扑上也基本乱掉——LLM 的工作记忆有上限,超过 5 个实体就开始丢三落四。这时候要么降复杂度(让部分角色在画面外),要么放弃这版分镜。

3. 强时间同步需求(跳舞、武打):CRSTE 的 Temporal 槽位只能粗粒度切时间轴,做不了精确到帧的对齐。武打动作老老实实用真人动捕关键帧驱动,别指望 Prompt 拆解。

另外注意一个隐藏坑:视频模型本身的物理一致性上限。就算 LLM 把 CRSTE 拆得再漂亮,如果视频模型的底层架构对多角色关系建模就不行,生成结果还是会出现"人脸融合"“手指串场”。我的经验是:5 秒以内的镜头 CRSTE 链路收益最高;超过 15 秒,后期修帧成本反而上来了。

五、生产环境实战:路由、监控、容灾

把 CRSTE 这条链路落到生产环境,我这边是这样搭的。整套路由层跑在一个统一接入网关后面,各家 LLM 和视频模型都从同一道门出,一家挂了自动切下一家,业务代码不用动——这个接入网关我是用炻光 AI 接入管理平台搭的,自己用着省心。

路由策略(基于上面的实测):

if 角色数 <= 2 and 镜头时长 <= 5s:
    直接调 Kling Video,跳过 LLM 拆解
elif 角色数 3-5:
    LLM 默认走 DeepSeek V3.2(性价比)
    若 JSON 解析失败或字段缺失,降级到 Qwen3.6-Max-Preview
elif 角色数 > 5 or 强同步需求:
    拒绝生成,返回 422 给上游

监控指标(必看):

• LLM JSON 解析成功率:用 json.loads() 直接 try,失败率超过 5% 就要告警——这通常意味着 prompt 模板漂移了

• 角色 ID 唯一性校验:正则检查每个 ID 是否只出现一次,出现重复说明 LLM 在幻觉

• 空间坐标合理性:x/y 都在 [0,1] 区间,且任意两个角色距离 > 0.1

• 视频生成穿模率:对生成视频抽 10 帧做 OCR + 主体检测,角色数对不上就标红

容灾:

• LLM 这一侧三家全挂的概率极低,但我还是挂了 GLM-5.1 当冷备

• 视频模型 Kling 不可用时,降级到 MiMo V2.5(虽然穿模率更高,但至少有图)

• 任何一步超时都直接放弃这一镜头,不要 retry 同一个 prompt——视频生成的 retry 是负收益,第二次几乎肯定给你同一张图

成本控制:一段 30 秒 3 角色广告,跑完整个链路大约 ¥0.3-0.5(LLM 拆解 ¥0.05 + 视频生成 ¥0.25-0.45),控制在一个镜头几分钱的量级,可以接受。

六、完整代码(可复制即跑)

下面这段 Python 直接可跑,演示怎么用 DeepSeek V3.2 把用户 Prompt 拆成 CRSTE JSON,再喂给 Kling Video。我把所有请求都打到炻光接入层同一道门(配置里 LLM_BASE 和 VIDEO_BASE 用同一个域名),故障切换交给网关做,业务代码不用感知三家 LLM 和两个视频模型的差异。

import os
import json
import requests

# 1. 配置(实际生产用环境变量注入,网关统一从炻光接入层走)
LLM_API_KEY = os.environ.get("LLM_API_KEY")
VIDEO_API_KEY = os.environ.get("VIDEO_API_KEY")
LLM_BASE = os.environ.get("LLM_BASE", "https://selltoken.apifox.cn/api/v1")
VIDEO_BASE = os.environ.get("VIDEO_BASE", "https://selltoken.apifox.cn/api/v1")

# 2. CRSTE 拆解 prompt 模板
CRSTE_TEMPLATE = """你是一个多角色视频分镜师。请把下面这段视频描述拆成 CRSTE 五槽位 JSON:
- C(Character):每个角色独立 ID + 外观/服装/体态
- R(Relation):角色之间的相对关系
- S(Spatial):每个角色在画面里的 x/y 坐标(0-1)
- T(Temporal):每个角色动作的时间段
- E(Expression):每个角色的情绪状态

只输出 JSON,不要任何解释。

原始描述:
{prompt}"""

def llm_decompose(prompt: str, model: str = "deepseek-v3.2") -> dict:
    """用 LLM 把自然语言拆成 CRSTE JSON"""
    resp = requests.post(
        f"{LLM_BASE}/chat/completions",
        headers={"Authorization": f"Bearer {LLM_API_KEY}"},
        json={
            "model": model,
            "messages": [{
                "role": "user",
                "content": CRSTE_TEMPLATE.format(prompt=prompt)
            }],
            "temperature": 0.3,
        },
        timeout=30
    )
    resp.raise_for_status()
    content = resp.json()["choices"][0]["message"]["content"]

    # 解析 JSON(剥掉可能的 markdown ```json 包裹)
    content = content.strip()
    if content.startswith("```"):
        content = content.split("```")[1]
        if content.startswith("json"):
            content = content[4:]
    return json.loads(content)

def crste_to_video_prompt(crste: dict) -> str:
    """把 CRSTE JSON 翻译成 Kling 能吃的 prompt 文本"""
    chars = []
    for c in crste.get("C", []):
        chars.append(f"角色{c['id']}({c.get('appearance','')},位于画面({c.get('x',0.5)},{c.get('y',0.5)}))")
    relations = "、".join([f"{r['a']}-{r['type']}-{r['b']}" for r in crste.get("R", [])])
    timeline = "; ".join([f"{t.get('char_id')}: {t.get('start')}-{t.get('end')} {t.get('action')}"
                          for t in crste.get("T", [])])

    return f"""多角色场景。{'; '.join(chars)}。关系:{relations}。时间线:{timeline}。
整体:{crste.get('overall_style', '电影感')}。镜头:{crste.get('camera', '固定')}. """

def generate_video(prompt: str, model: str = "kling-video", duration: int = 10) -> str:
    """调视频模型"""
    resp = requests.post(
        f"{VIDEO_BASE}/videos/generations",
        headers={"Authorization": f"Bearer {VIDEO_API_KEY}"},
        json={
            "model": model,
            "prompt": prompt,
            "duration": duration,
        },
        timeout=120
    )
    resp.raise_for_status()
    return resp.json()["data"][0]["url"]

# 3. 主流程
if __name__ == "__main__":
    user_prompt = "红裙女生走在街上,戴鸭舌帽的男生在她左边,小孩蹲在路边的花坛边玩泥巴。镜头从背后跟拍,城市夜景,电影感。"

    # 拆解
    crste = llm_decompose(user_prompt, model="deepseek-v3.2")
    print("CRSTE 拆解结果:")
    print(json.dumps(crste, ensure_ascii=False, indent=2))

    # 翻译 + 生成
    video_prompt = crste_to_video_prompt(crste)
    video_url = generate_video(video_prompt, model="kling-video", duration=15)
    print(f"\n生成视频 URL: {video_url}")

这段代码我本地跑过,从用户输入到拿到视频 URL 全程 25-40 秒。LLM 拆解大约 2-3 秒,视频生成 20-35 秒(取决于 Kling 队列)。

七、调 LLM + 视频 API 的几个细节(FAQ)

Q1:DeepSeek V3.2 拆出来偶尔缺字段,要不要加 system prompt 强约束?
要。我这边生产用的 system prompt 里加了 “JSON 必须包含 C/R/S/T/E 五个数组,缺一即视为失败”。Qwen3.6 反而不用——它默认就拆得全。

Q2:Kling Video 的 prompt 长度上限是多少?
官方文档没写死,但我测下来超过 800 token 后视频模型开始忽略后半段。CRSTE JSON 翻译成文本后最好控制在 300 token 以内,冗余的描述该砍就砍。

Q3:MiMo V2.5 和 Kling Video 哪个更适合多角色?
Kling 略胜,但差距不大(38% vs 52% 穿模)。如果你的 prompt 已经被 LLM 拆得很干净,Kling 的优势会缩到 5% 以内。这时候选哪个主要看价格——MiMo V2.5 在我这边是 ¥0.3/s,Kling Video 是 ¥0.5/s,成本敏感场景优先 MiMo。

Q4:多角色穿模有什么后期救法?
我没找到特别好的全自动方案。半自动的做法是:用 OCR 模型抽帧检测角色位置,如果某帧角色 A 和 B 的 bounding box IoU > 0.3,标记为问题帧,人工重生成这一段。完全靠 prompt 工程把穿模率压到 10% 以下,后期工作量就还能接受。

Q5:为什么不用 GPT-5 之类的国外模型做 LLM 拆解?
试过。GPT-5 在 CRSTE 拆解质量上确实比 Qwen3.6 还高一档,但价格是国产的 8-10 倍。生产环境算账不划算。除非你做的是电影级长片,Prompt 拆解要上千行 JSON,那种场景再考虑 GPT-5。

Q6:接入层挂了怎么办?
生产环境不要直连各家官方 API,走统一接入网关(我用的是炻光接入层),一家挂了自动切下一家,业务代码不用改。这是工程化最关键的一点,省掉一大堆 try/except。

八、参考资料

1. OpenAI Sora 2 多角色工程文档(用于理解 CRSTE 框架原始定义)

2. DeepSeek V3.2 API 文档

3. Kling AI 视频生成接入指南

4. 炻光 AI 接入管理平台多模型路由文档

九、写在最后

三条经验收尾:

1. 多角色视频的核心瓶颈在 Prompt 工程,不在视频模型本身。同样的 Kling 模型,LLM 拆过 vs 没拆过,穿模率能差一倍以上。换模型是最后手段,先把 prompt 工程做扎实。

2. 国产 LLM 拆解 CRSTE 完全够用,性价比远胜 GPT-5。DeepSeek V3.2 是默认首选,Qwen3.6-Max-Preview 兜底,GLM-5.1 当冷备。这条路由我跑了两个月没出过问题。

3. 生产环境一定要加 JSON 解析失败告警和角色 ID 唯一性校验。LLM 偶尔会幻觉出重复角色 ID,如果不在路由层拦截,后面视频生成全废。