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

原创2026-10-30 16:36:191,972 阅读

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。

lapian-notes拉片笔记界面:剧情泳道时间轴、观众情绪曲线与结构树

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。

登录后查看全文
lapian-notes