观众情绪曲线如何量化:lapian-notes拉片笔记12种情绪类型与10种节奏角色拆解
观众情绪曲线如何量化:lapian-notes拉片笔记12种情绪类型与10种节奏角色拆解
「观众情绪曲线」听起来玄学:一部电影让人紧张、想哭、释然,怎么量化?lapian-notes(拉片笔记)给出的答案很工程化——把全片拆成若干「体验节点」,每个节点标注 12 种情绪类型、10 种节奏角色 和 0~100 的投入强度,最终画成一条可对照时间轴的曲线。这款 AI 辅助的电影拉片工具免费开源、全本地运行,影片和笔记都不上云,边播边写拉片笔记正是它的核心场景。
上图就是 lapian-notes 的完整工作台:上方是 AI 拆出的剧情泳道时间轴,中间那条起伏的折线就是观众情绪曲线,下方是结构树与段落细节。
为什么情绪需要量化
普通拉片笔记里写「这段很紧张」,信息量约等于零:多紧张?比上一段高还是低?紧张来自台词还是画面?
lapian-notes 的做法是把每个体验节点拆成 4 个可度量的维度(定义见 src/types.ts):
| 维度 | 取值 | 作用 |
|---|---|---|
| 投入强度 intensity | 0 ~ 100 | 观众被拉进故事的程度,曲线的纵坐标 |
| 情绪方向 valence | -100 ~ 100 | 正向/负向情感的走向 |
| 情绪类型 emotionType | 12 种枚举 | 节点上「观众此刻在感受什么」 |
| 节奏角色 rhythmRole | 10 种枚举 | 节点在整片节奏中「承担什么功能」 |
再配上 4 级重要性标签——普通、关键变化、峰值、低谷(normal / key / peak / low),一段电影的情绪轨迹就变成了结构化数据,而不是形容词。
12种情绪类型清单
12 种情绪类型在 src/lib/markdown.ts 中定义,覆盖了从开场好奇到结局余韵的完整体验光谱:
| 情绪类型 | 英文键 | 典型场景 |
|---|---|---|
| 好奇 | curiosity | 开场抛出核心问题 |
| 幽默 | humor | 喜剧段落、插科打诨 |
| 温暖 | warmth | 家庭戏、温情时刻 |
| 心动 | romance | 感情线升温 |
| 紧张 | tension | 追逐、对峙、危机逼近 |
| 焦虑 | anxiety | 倒计时、悬而未决的威胁 |
| 伤感 | sadness | 失去、离别、遗憾 |
| 冲突 | conflict | 价值观或利益正面碰撞 |
| 希望 | hope | 转机出现、绝地反击前夜 |
| 释放 | release | 危机解除、压抑后的舒展 |
| 振奋 | inspiration | 高潮达成、主题升华 |
| 余韵 | aftertaste | 结尾的回味与回响 |
这套分类的巧思在于:它不只有「紧张—释放」这一根正负轴,还区分了幽默、温暖、心动这类轻情绪和伤感、愤怒冲突类重情绪——拉片时能看清导演在不同段落之间做的情绪「切换」,而不只是强度「起伏」。
10种节奏角色:曲线形状的功能拆解
强度回答「有多高」,节奏角色回答「这一手棋走的是什么」。10 种角色见 src/lib/markdown.ts:
| 节奏角色 | 英文键 | 通俗解释 |
|---|---|---|
| 铺垫 | setup | 建立背景,压低预期 |
| 抬升 | rise | 强度爬升段 |
| 回落 | drop | 峰值后的自然下落 |
| 加压 | pressure | 主动加码,制造压力 |
| 释放 | release | 把积攒的张力放掉 |
| 冷却 | cooldown | 让情绪回落到基线 |
| 悬置 | suspense | 卡在半空,吊住观众 |
| 峰值 | peak | 全片强度顶点 |
| 低谷 | low | 状态压到最低,为反弹蓄力 |
| 余韵 | aftertaste | 收尾阶段的情绪长尾 |
对照工具内置的五段式结构参考(FrameTimeline.tsx 的 buildStructureBands):0~20% 建立世界、20~45% 冲突启动、45~70% 中段施压、70~88% 高潮解决、88~100% 余韵收束。把 10 种角色标到这条骨架上,一部电影的节奏设计图就完整了——例如「加压之后没有冷却直接二次峰值」,就是动作片常见的窒息式写法。
曲线如何画出来:强度换算与变化判断
可视化在 FrameTimeline.tsx 的 EmotionCurveLane 组件中:
- 纵坐标:100 分制强度折算成 10 格(
intensity / 10),节点越高说明观众被拉得越深 - 变化标注:每个节点自动计算与上一节点的强度差,±15 分 是「明显抬升 / 明显回落」的阈值,其余算「基本持平」(markdown.ts)
- 台词密度背景:曲线下方可叠加一张按字幕统计的「每分钟台词量」面积图,肉眼对照就能判断——高潮是靠台词堆出来的,还是靠画面和剪辑
- 点击联动:点任一曲线节点可跳到关联段落,播放器直接播到那个时间点,边看边验证自己的判断
这正是「量化」的价值:两部电影都叫「紧张片」,但一部是「高频小幅加压」,另一部是「长时间悬置后单次峰值」,曲线一画,差异一目了然。
AI 如何生成这条曲线
曲线数据来自 AI 分析包的回传。流程是:导入影片自动抽帧(每秒 1 帧)并打包 ZIP → 发给任意 AI → AI 返回 JSON → 点「导入 AI 结果」,情绪曲线自动生成。
导入时的规范化逻辑在 aiImport.ts,几个细节值得注意:
- 强度非法或缺失时默认 50,情绪类型识别不了时默认「好奇」,保证曲线不会断
- 每个节点可标记来源:
ai(AI 生成)或manual(手工补录),并支持locked锁定,防止重新导入时覆盖你的精修 - 节点通过
relatedBlockIds关联剧情段落,导出的 Markdown 里会直接写出「关联段落:xxx」
所以推荐工作流是:AI 生成初版曲线 → 边播边核对,觉得某个峰值标偏了就手工调整并锁定。
导出:曲线变成文字报告
完成拉片后,Markdown 导出会在 markdown.ts 中渲染出「观众体验曲线」专章,每个节点一行行写清:
观众体验:紧张 | 节奏作用:加压 | 投入强度:85 / 100 | 较上一个节点变化:+20,明显抬升 | 重要性:峰值 | 关联段落:xxx
配合「剧本节奏密度」章节里的对白/动作比例(对白主导 / 动作主导 / 场景转换密集 / 均衡推进),你手里就是一份可复盘、可对比的拉片数据,而不只是一堆感受。
小结
lapian-notes 把「情绪」从形容词变成了三个数字加两个标签:强度、方向、情绪类型、节奏角色、重要性。12 种情绪类型回答「观众感受到什么」,10 种节奏角色回答「这段在节奏里干什么」,±15 分的变化阈值让「明显抬升」有了客观标准。对想系统学习电影叙事的人,这套量化框架比任何一篇影评都更接近「拆解」本身——工具免费、数据全程留在本地,导入一部片就能开始画你的第一条情绪曲线。
