通过检索增强的大型语言模型与稳定扩散场景建模提升电影剧本创作

把想法变成剧本与场景

任何尝试过撰写电影或游戏剧本的人都知道，把一个松散的想法转化为丰富的对白和生动的场景有多难。本研究探讨了新型人工智能工具如何帮助创作者从一个简短的书面提示出发，生成完整剧本甚至粗略的视觉场景，从而让更多创作者在不依赖大型制片厂的情况下把故事变为现实。

为什么剧本写作需要助力

现代电影、电视剧、游戏和广告都依赖精心设计的剧本，明确说明谁说什么、他们在哪儿以及如何行动。手工创建这种细节既缓慢又繁重，尤其当制片人希望为特定文化、情绪或品牌定制高度匹配的内容时。作者认为，对这一过程的部分自动化可以降低新晋讲故事者的门槛，让他们专注于情节核心，而由计算机处理重复性的写作任务并在长场景中维护细节一致性。

在文本中融合记忆与想象

该工作核心是一条将当前语言模型两种优势结合的流水线。首先，一种称为检索增强生成的技术使系统能够搜索大型真实电影剧本库，抽取与用户提示相似的片段。这些片段像参考笔记，帮助模型保持在可信的对白与结构之内。其次，诸如GPT-2和Bloom等标准语言模型在数千部剧本上进行微调，使其学习到自然对话、节奏与场景推进的模式。二者结合旨在让产出既具有创造性又忠实于用户要求，同时减少虚构或离题内容。

从纸上文字到屏幕图像

该框架并不限于文本。团队将其剧本引擎与名为Stable Diffusion的图像生成器连接起来，能够将简短的场景描述转为概念艺术或分镜草图。系统首先将用户查询转换为捕捉其含义的紧凑数值形式，然后逐步将随机视觉噪声转变为与场景匹配的清晰图像。这为编剧和导演提供了快速查看地点、角色或瞬间外观的方式，使他们能在早期调整节奏、氛围和镜头视角，而无需等到完整制片阶段。

系统表现如何

为了评估系统的实用性，作者使用两种常见度量将输入提示与生成剧本进行比较。余弦相似度检查输出与提示在语义上的接近程度，而困惑度反映文本的流畅性与可预测性。在他们包含5000部电影剧本的数据集中，基于检索且使用Gemini-Pro的模型与用户提示表现出最强的一致性，表明在写作前检索真实剧本片段有助于保持故事方向。经过微调的GPT-2和Bloom生成连贯文本并具有较低困惑度，意味着措辞与节奏感觉自然。对于图像，团队使用一个检查图片与文本提示对齐程度的评分，结果显示中等成功，但在更清晰的视觉细节和与文字场景更紧密的关联方面仍有明显改进空间。

这对未来讲故事者意味着什么

简而言之，研究表明将检索、智能文本模型与图像生成器结合，能够将一个简短想法转变为既有剧本又有一组粗略场景，并达到合理的准确性。该系统并不能取代人类作家，但可以作为一个快速助理，提供对白建议、维护上下文并给出视觉草图。随着视觉能力的提升以及模型在更多多样化剧本上的训练，这类工具有望帮助电影、游戏和营销等领域的创作者更自由地试验、更快地完善故事，并从第一稿起就与合作者共享清晰的故事愿景。

引用: Lulla, A., Koul, A., Agni Mithra, R. et al. Enhancing movie script creation through retrieval-augmented LLMs and stable diffusion scene modeling. Sci Rep 16, 15284 (2026). https://doi.org/10.1038/s41598-026-45852-z

关键词: 电影剧本生成, 检索增强生成, 大型语言模型, 稳定扩散, 多模态叙事