CineEval：电影视频六角色评估

对一段「电影指令（七模块 Prompt）+ 生成视频」，模拟电影工业六个专业角色做 23 个维度打分，输出双视角报告（六角色报告 + 三层电影语言报告）。

本 skill 不依赖任何外部模型权重。 原 CineBench v2 中由 CLIP/TransNetV2/DPFlow/DeepFace 等模型支撑的维度，全部降级为两种路径之一：

• LLM 判断：多模态大模型直接看抽帧图（+ 音频，若模型支持）打分；
• 规则公式：OpenCV/numpy 纯算法计算客观数据（scripts/ 提供通用实现）。

输入

总工作流程

0. 环境自检 → python scripts/check_env.py（缺核心依赖先装；缺 ffmpeg 则 S1~S4 标 N/A）
1. 预处理   → scripts/ 抽帧 + 镜头检测 + 视觉/音频客观数据（JSON）
2. Gate Check → 技术准入门槛，不过线直接判不合格，不进入六角色评分
3. 六角色评估 → 每角色逐维度：build_prompt.py 生成该维度具体 Prompt（指令摘录+规则数据+材料清单已嵌入）→ LLM 打分（1-5）
4. 聚合     → scripts/aggregate_scores.py 算角色均分 / 综合得分 / 三层归类
5. 报告     → 六角色报告 + 三层归类报告（aggregate_scores.py --md 生成骨架）

抽帧约定：默认每秒 1 帧、上限约 30 帧；视频 ≤30 秒整体评估，>30 秒按镜头分段评估再汇总（shot_detect / visual_analysis 均输出逐镜头数据，直接支撑分段）。镜头关键帧取每镜头中间帧（>10 秒的长镜头加取 1/3、2/3 处），用 extract_frames.py --shots shots.json 抽取。

指令模块切分：若 script 未按 ①~⑦ 标注分节，先按【场景设定】【角色描述】【叙事指令】【摄影指定】【剪辑指令】【声音指令】【情绪风格】七个小标题切分；缺某个模块时，依赖该模块的维度按「指令未指定」从严打分并在理由中注明。

依赖：opencv-python + numpy（必装，pip install opencv-python numpy）；ffmpeg（仅音频维度需要，命令行调用）。

Gate Check（准入门槛）

先由 LLM 看抽帧逐项检查，任一不过 → 整体判不合格，终止评估：

• 基本可辨识性：人物、场景、主要动作可辨认
• 物理合理性：无严重失真、物体无故悬浮、液体反重力
• 时间连续性：无突兀闪烁、画面断裂、帧间跳变
• 最低视觉质量：无大面积模糊、严重变形、色块伪影
• 最低声音质量（如有声）：无明显爆音、断续，对白可听清
• 声画基本同步（如有声）：主要声画事件无明显延迟（>200ms）

23 维总表与评分路径

路径含义：纯LLM = 大模型看帧直接打分；混合 = 规则出客观数据，最终分 = 规则分×0.4 + LLM分×0.6；规则为主 = 规则产出基础分/客观事实，LLM 仅核验微调（±1）。

* 声音维度要求评估模型具备音频理解能力；若所用 LLM 不支持音频，S1~S4 全部标记 N/A 并在报告中注明，综合得分按其余角色均分计算。

规则公式

以下公式由 scripts/ 中的脚本实现；超出脚本覆盖范围的计算，由执行 agent 按本节的公式现场编写。

F1 镜头边界检测（替代 TransNetV2）

对相邻两帧算 H-S 二维直方图相关性：

hist = cv2.calcHist([hsv], [0, 1], None, [50, 60], [0, 180, 0, 256])
cv2.normalize(hist, hist)
corr = cv2.compareHist(hist_prev, hist_curr, cv2.HISTCMP_CORREL)
# corr < 0.5 → 镜头边界

也可用 ffmpeg -vf "select='gt(scene,0.4)',showinfo" 或 PySceneDetect（直方图法，无权重）替代。输出镜头列表 [(start_frame, end_frame), ...]。

F2 转场类型分类（D1）

在边界点前后窗口内分析帧间差异模式：

• 硬切：帧间差异在单帧内突刺（corr 从 >0.8 骤降到 <0.5）
• 叠化：帧间差异呈渐变模式，持续 10~30 帧（连续 N 帧差异近似线性递减）
• 淡入淡出：亮度线性下降至近黑（淡出）或从近黑线性上升（淡入）
• 匹配剪辑/跳切：规则不可判，交 LLM 看前后镜头代表帧判断

F3 切换节奏统计（D2）

由镜头列表计算：镜头数、平均时长、时长标准差、最短/最长时长。模式分类：

• 平均时长 < 2s 且标准差小 → 快切
• 平均时长 2~6s → 常规节奏
• 仅 1~2 个镜头且单镜头 > 15s → 长镜头
• 标准差大 → 变速节奏

F4 镜头数量核验（D4，纯规则打分）

镜头数 = 边界点数 + 1。与指令指定数的差值映射得分：差 0→5；差 1→4；差 2→3；差 3~4→2；差 ≥5→1。

shot_detect.py --expect-shots N 会在输出 JSON 中直接给出 d4_shot_count.score，该维度无需 LLM。

F5 亮度 / 色温 / 对比度（B4、PD2）

mean_brightness = np.mean(v_channel) / 255.0      # HSV 的 V 通道
r_b_ratio = np.mean(r) / (np.mean(b) + 1e-6)      # 色温：>1.3 暖，<0.8 冷，否则中性
global_contrast = (gray.max() - gray.min()) / 255.0
local_contrast  = np.std(gray) / 255.0
# 明暗比 = 最亮20%像素均值 / 最暗20%像素均值

• 调性：mean_brightness > 0.6 高调，< 0.4 低调，之间中间调
• 光质：明暗比 > 5 硬光，< 3 柔光
• 光源方向：3×3 网格各区域平均亮度，最亮区域即光源大致方向

F6 调色板与主色调（PD2）

每秒抽 1 帧，采样像素做 K-means（cv2.kmeans，k=5），各色簇占比即调色板权重；主色调 = HSV 的 H 通道直方图（180 bin）argmax。

F7 镜头间色彩连续性（PD4）

取相邻两镜头各自的中间帧，按 F1 的 H-S 直方图算相关性：

• corr > 0.8 → 色调连续
• 0.5 ~ 0.8 → 有差异但可接受
• corr < 0.5 → 不一致（结合曝光差 abs(mean_a - mean_b)/255 > 0.1 佐证）

基础分：无不一致→5；1~2 处轻微不一致→4；多处不一致→3；频繁无理由跳变→2；完全无法识别场景→1。LLM 核验不一致处是否属于合理叙事切换（闪回/换场/时间跳跃），不合理每处 -1。

F8 清晰度与焦点（B2）

8×8 网格，每格算 Laplacian 方差（cv2.Laplacian(patch, cv2.CV_64F).var()），最高值网格 = 焦点区域；逐帧追踪焦点区域迁移可识别焦点转移（Rack Focus）。景深浅 = 焦点区清晰、其余区域清晰度急剧下降；景深深 = 全画面清晰度较均匀。焦点是否落在指令主体上由 LLM 结合焦点区域网格位置判断。

F9 运镜参数（B1，用 OpenCV 稠密光流替代 DPFlow）

cv2.calcOpticalFlowFarneback（可先缩放到 320px 宽提速），对全帧光流取均值：

avg_fx, avg_fy = mean(flow[...,0]), mean(flow[...,1])
speed = sqrt(avg_fx**2 + avg_fy**2) / frame_diagonal   # 归一化速度
# 方向：|fx| > 2|fy| → 水平；|fy| > 2|fx| → 垂直；否则对角
# 速度：<0.001 static；<0.005 very_slow；<0.02 slow；<0.05 medium；否则 fast

类型判定：全局平移 → 摇/移；光流呈放射状（中心向内/外）→ 推/拉（Zoom/Dolly）；光流极小 → 固定机位。连续性 = 1 - 突变帧数/总帧数（相邻帧方向角差 > 90° 记一次突变）。光流数据 + 指令④一起交 LLM 做最终对齐判断。

F10 构图辅助指标（B3，可选）

• 三分法合规性 = 1 - 主体到最近三分线交点距离 / 画面对角线（主体位置由 LLM 估计）
• 对称性 = 原图与左右翻转图的相关性
• 视觉重量：四象限亮度/色彩丰富度是否平衡

F11 音频基础统计（S 维度可选辅助）

ffmpeg -i video.mp4 -vn -ac 1 -ar 16000 out.wav，随后算 RMS 音量、静音段占比。口型同步、对白内容、音乐情绪本身只能由支持音频的 LLM 判断。

LLM 评估要点

每个维度一次调用。Prompt 构造分三层：全局契约（所有维度共用，只维护一份）→ 路径模板（3 种评分路径立场不同，不能混用）→ 维度规格（23 维总表的「输入材料」列 + 下方各角色检查点）。不要用一个通用模板套所有维度。

实际执行时不要手工拼装：scripts/build_prompt.py <维度> 已把三层结构固化——内置 23 维注册表（路径/指令模块/规则数据键/材料类型/检查点），读入指令原文、各脚本产物 JSON 与抽帧 manifest，直接输出该维度的最终具体 Prompt（--json 另附 requires_audio / material_files 等路由元数据，供编排程序给不同维度分配不同模型）。以下三节是生成器所依据的规范，需调整维度行为时改 build_prompt.py 的注册表。

全局契约（所有维度不变量）

• 只输出 JSON：{"analysis": "...", "evidence": "...", "score": N}；analysis 必须先于 score 给出
• evidence 必须引用具体时间戳（视觉维度引帧时间戳，声音维度引音频时间点），禁止无证据断言
• temperature=0（可重复）；score 按 1~5 锚定
• 维度不适用时输出 {"score": null, "na_reason": "..."}，不要强行打分

路径模板（按 23 维总表的「路径」列三选一）

纯 LLM（激发型——模型全权判断）：

你是一位专业的{角色名}，正在评估一段 AI 生成视频是否准确执行了电影指令。
【评估维度】{维度代号} {维度名}：{评估内容}
【相关指令原文】{指令模块原文}
【材料】{按「输入材料」列准备的帧图（文件名含时间戳）或音频}
请逐步分析：{该维度检查点}
只输出 JSON：{"analysis": "逐步分析...", "evidence": "时间戳证据", "score": N}

混合（融合型——规则数据与画面判断按 0.4/0.6 加权）：

你是一位专业的{角色名}。【评估维度】{维度代号} {维度名}
【相关指令原文】{指令模块原文}
【客观测量数据】{规则数据 JSON}——这是算法对原视频的客观测量，不含主观判断
【材料】{帧图或音频}
1. 先依据客观数据与指令的匹配程度给出规则分 rule_score（1~5），写明映射依据
   （若该维度规则公式已直接产出分数，如 F4/F7，直接采用）
2. 再看材料独立给出 LLM 分 llm_score（1~5）
3. 两者冲突时以材料为准复核数据是否失效（如检测错误），并在 analysis 说明
只输出 JSON：{"analysis": "...", "evidence": "...", "rule_score": N, "llm_score": N,
             "score": round(rule_score*0.4 + llm_score*0.6)}

规则为主（抑制型——模型只核验，不越权）：

你是一位专业的{角色名}。【评估维度】{维度代号} {维度名}
【客观结论】{规则产出的基础分/客观事实，如 F4 得分、F2 转场分类}
【相关指令原文】{指令模块原文}
【核验材料】{帧图，仅用于核验}
你的任务只是核验客观结论与画面是否矛盾：
- 不矛盾 → 直接采用规则分，evidence 说明核验了什么
- 矛盾 → ±1 微调，evidence 必须给出矛盾处的时间戳
禁止抛开规则结论凭主观印象重新打分。
只输出 JSON：{"analysis": "...", "evidence": "...", "score": N}

维度规格

每次调用前按 23 维总表确定三件事：输入材料（贴哪些帧/音频——取帧规则见该列，如 PD4/C4 用各镜头关键帧并排、D1 用转场点前后窗口帧、声音维度用音频而非帧）、指令模块（①~⑦ 中哪几节原文）、规则数据键（哪个脚本 JSON 的哪段）。检查点如下：

各角色检查点：

• 导演 A1：事件是否清晰（发生了什么/起因/结果/陌生观众能否看懂）+ 与③对齐；A2：物品是否凭空出现消失、空间关系是否前后一致；A3：用 3 个形容词描述主观感受 → 情绪是否一致/有无弧线/与⑦对齐
• 美术 PD1：空间布局、道具丰富度、类型感是否服务叙事；PD2：结合调色板数据判断配色与情绪意图的匹配；PD3：场景/道具/服装/色彩是否同一风格体系；PD4：核验规则标记的不一致镜头对
• 摄影 B1：光流数据描述的运镜与④的类型/方向/速度逐项对比；B2：焦点区域是否落在指令主体、虚实关系、有无执行指定焦点转移；B3：主体位置/层次感/视觉平衡/引导性/风格一致性（好构图可打破规则，以视觉意图为准）；B4：光影质感/色温与情绪/明暗对比与叙事/光源逻辑
• 演员 C1：动作起止是否自然、速度是否合人体规律、有无反物理（穿模/悬浮/关节异常）；C2：情绪是否到位、有无层次变化、肢体是否配合、转变是否突兀；C3：距离与场景情绪匹配、站位层次、互动自然度、有无穿模；C4：同一角色跨镜头的外观/服装/伤妆/状态连续性
• 剪辑 D1：核验规则分类的转场类型与⑤是否一致（匹配剪辑单独看帧判断）；D2：规则统计的节奏模式与⑤对齐；D3：是否越轴、越轴是否影响空间理解、是否故意艺术选择；D4：纯规则，无需 LLM
• 声音（需音频能力）S1：对白清晰度/语气/口型同步；S2：环境音与场景匹配、对白/音效/音乐层次平衡；S3：声音事件与视觉事件时间对齐；S4：配乐风格、情绪匹配、动态变化

评分标准与聚合

统一 1-5 分锚定：

聚合（由 scripts/aggregate_scores.py 固化执行，不要手算）：

角色均分 = 该角色各维度（不含 N/A）算术平均
综合得分 = 六角色均分（不含 N/A 角色）的算术平均

可选调权：侧重叙事 → 导演×1.5、演员×1.5（--weights narrative）；侧重视觉 → 摄影×1.5、美术×1.5（--weights visual）；侧重剪辑 → 剪辑×1.5（--weights editing）；侧重声音 → 声音×2.0（--weights sound）；默认均权。自定义权重用 --custom-weights '{"director": 2}'。

把 23 个维度的 LLM/规则评分整理成 JSON（{"A1": {"score": 4, "reason": "..."}, "S1": {"score": null, "na_reason": "..."}, ...}，可选 "_gate"、_title 字段），交给 aggregate_scores.py 即可一次算出角色均分、综合得分、三层归类均分，并用 --md report.md 生成报告骨架。格式细节见脚本 docstring。

报告格式

六角色报告：每角色给出各维度分数+一句话理由+角色均分。

三层归类报告（定位能力短板）：

各层取层内维度均分。典型结论模式：镜头内高分 + 组合逻辑低分 → 「优秀的单镜头生成器，尚不具备电影片段生成能力」。

特殊情况

• 单镜头片段（指令写明无剪辑）：D1、D2、D3、PD4、C4 标 N/A；D4 仍需核验镜头数=1
• 无声片段：S1、S3、S4 标 N/A；S2 仅评估「是否有合理的环境音/音效设计意识」（无声即不符合时给低分，指令要求无声则 N/A）
• 无角色片段（纯空镜）：C1~C4 全部 N/A；A1 改评「空镜是否传递了指定氛围/情绪」
• 无音频能力的评估模型：S1~S4 全部 N/A

N/A 维度不计入任何均分。

scripts/ 清单

用法示例见各脚本 --help。脚本只负责产出客观数据 JSON 和聚合计算，打分永远按本文件的路径规则（纯LLM/混合/规则为主）完成。