Jellyfish真正有价值的不是“一键把剧本变成短剧”，而是把分镜、角色一致性、生成任务和人工确认放进同一个可恢复生产系统
AH-0621的源帖把Jellyfish描述得很直接： 把剧本扔进去， 自动拆分结构化分镜， 统一角色、场景和道具， 支持图生视频， 长任务可监控、暂停或续跑， 最后导出竖屏成片。fileciteturn38file1L549-L566 截至2026-08-15，官方 Forget-C/Jellyfish 仓库仍在维护，采用Apache-2.0。官方README当前把它定义成AI短剧生
Jellyfish真正有价值的不是“一键把剧本变成短剧”，而是把分镜、角色一致性、生成任务和人工确认放进同一个可恢复生产系统
AH-0621的源帖把Jellyfish描述得很直接：
把剧本扔进去， 自动拆分结构化分镜， 统一角色、场景和道具， 支持图生视频， 长任务可监控、暂停或续跑， 最后导出竖屏成片。fileciteturn38file1L549-L566
截至2026-08-15，官方 Forget-C/Jellyfish 仓库仍在维护，采用Apache-2.0。官方README当前把它定义成AI短剧生产工作区，覆盖脚本理解、shot preparation、角色/场景/道具/服装的一致性管理、图片/视频生成任务、统一异步任务中心、取消与状态恢复，并提供Docker Compose部署。citeturn889188search0turn889188search2
源帖最大的夸张是：
“从文本到终稿的完整闭环” “从源头扼杀穿帮风险”。
真正准确的说法应该是：
Production Workspace ≠ Fully Autonomous Studio。
1. 一致性管理不等于一致性已经解决
Jellyfish把角色、场景、道具和服装提升成一级资产。
这是对的。
因为短剧连续生产里，最常见的错误就是：
同一个人物换脸； 服装漂； 道具突然消失； 场景空间关系变； 镜头之间时间不连续。
把这些对象放进统一实体层，比每个镜头重新写Prompt可靠。
但：
Consistency Infrastructure ≠ Consistency Guarantee。
模型、参考图、Seed、镜头角度和批次仍然会导致漂移。
所以每个shot还要做：
Character Match； Costume Match； Prop Match； Scene Match； Continuity Match。
2. 分镜拆解必须和“可拍/可生成”分开
剧本文学段落不是天然的镜头。
AI可以把文本拆成shot。
但一个shot是否适合生成，还要看：
主体； 动作； 空间； 镜头； 时长； 对白； 参考图； 前后连续性。
因此更成熟的状态应该是：
Script Parsed； Candidate Shot； Prepared； Ready； Generating； Generated； Reviewed； Accepted。
官方当前本身已经把“准备完成”和“正在生成”区分开。citeturn889188search0
这条很关键：
Parsed ≠ Ready to Generate。
3. Candidate Confirmation是人类判断层
官方当前shot preparation流程支持：
提取候选资产； 接受或忽略； 关联已有角色/场景/道具； 修正shot基础信息； 最后决定ready。
这比“AI自动拆完直接跑”成熟很多。citeturn889188search0
因为剧本里一句：
“她推门进来。”
模型可能新建一个“她”。
但项目里其实已经有对应角色。
Human Gate负责：
复用还是新建； 这是不是同一个道具； 这里是不是同一场景； 这个对白是否属于正确人物。
4. 长任务最需要的是状态，而不是等待动画
视频生成往往需要几十秒到几分钟甚至更久。
真正生产环境必须知道：
Queued； Running； Failed； Cancelled； Completed； Retryable。
官方当前统一任务中心支持文本、图片、视频任务状态、耗时、取消和返回上下文。citeturn889188search0
这意味着：
Generation Request ≠ Production Asset。
只有成功结果写回shot/媒体系统，并通过Review，才进入资产库。
5. 可恢复比“永不失败”更现实
任何AI生成系统都会遇到：
模型API超时； 额度不足； 返回格式变； 第三方服务失败； 网络中断； 任务卡死； 批量某一镜头失败。
成熟系统不追求：
“绝不失败”。
而是：
失败位置清楚； 可以重试； 不会重复计费； 不会覆盖好结果； 知道从哪里继续。
Recoverability > Illusion of Reliability。
6. 模型管理必须与项目状态解耦
官方当前支持多Provider/多模型管理。
今天一个视频模型可用。
下个月可能： 涨价； 下线； 地区不可用； 输出格式改变。
所以shot资产不能只存：
“用Model X生成”。
还应记录：
Provider； Model； Version； Prompt； References； Seed/Settings； Date； Cost； Output。
这样才能复现或迁移。
7. “一键导出成片”也要有最终人工QA
即使每个镜头单独通过：
最终拼起来仍可能有：
节奏断裂； 音量跳变； 字幕错位； 对白与口型不协调； 转场突兀； 镜头方向冲突； 音乐权利问题。
所以最终发布Gate必须独立：
Full-film Watch； Audio； Subtitle； Continuity； Brand； Rights； Platform Spec。
Shot-level PASS ≠ Film-level PASS。
8. 生成能力与内容权利是两条线
短剧涉及：
剧本版权； 人物形象； 参考图； 演员肖像； 配音； 音乐； 字体； 素材； 商标。
Apache-2.0只覆盖Jellyfish项目代码。
它不自动解决用户上传内容或模型输出的权利。
Tool License ≠ Production Rights。
9. “角色锁定”也不能制造虚假真人
如果用户用：
真人照片； 名人； 客户员工； 未经授权声音；
做角色一致性，技术上可以形成稳定身份。
但权利风险同时被放大。
所以需要：
Identity Owner； Consent； Commercial Use； Disclosure； Revocation。
10. 批量生成一定要有Cost Ledger
短剧自动化最容易让人忽略：
单次图片成本； 视频模型成本； 失败重试； 存储； 转码； 人工审查； 返工。
每个shot最好记录：
Image Attempts； Video Attempts； Accepted Attempt； API Cost； Human Minutes。
否则“AI短剧自动化”可能只是在把费用隐藏进API账单。
11. Jellyfish真正适合变成什么产品资产
不是再做一个Jellyfish复制品。
而是提炼：
AI Media Production State Contract
Script → Shot → Asset → Ready → Generate → Review → Accept → Assemble → Full-film QA → Publish → Reuse。
这套状态机可以用于：
短剧； 产品宣传片； 课程视频； 图书号； 儿童故事； 品牌连续视频。
12. 对alphahole的直接意义
过去几十批素材里已经出现：
Visual Story Brief； Storyboard Function Contract； Rights-aware Deterministic Video Builder； Narrative Production OS； Style/Character/Motion Contract。
Jellyfish给了一个很好的工程化拼图：
把这些方法真正组织成可恢复生产状态。
所以它更像母产品的工程参考，而不是单一“AI短剧神器”。
Stop Rule
如果一个短剧生产系统：
AI拆分后直接批量生成； 角色/场景/道具没有实体ID； 失败任务无法恢复； 旧结果被重试覆盖； 没有Human Confirmation； 视频模型变化无法追溯； 成本不可见； 最终成片不做完整观看； 素材和肖像权不记录；
就不要声称“端到端生产闭环”。
真正的AI短剧流水线，不是把所有步骤都自动掉，而是每一个镜头现在处于什么状态、用了什么资产、为什么能继续、哪里失败、谁批准进入下一步，都能被系统明确回答。