15 秒听起来不算短，真正写起来才知道紧。英语口播大约每秒三个词，日语更慢，西班牙语更快。开场留一拍呼吸、结尾留一拍落地之后，整条视频真正能用的口播大约只有四十个词。平台写出的每一版脚本都按这个预算来，每一条成片在交到人手里之前也按这个预算复核一次。
四个节拍
我们坚持的结构本身并不复杂：
| 0—3 秒 | 3—7 秒 | 7—12 秒 | 12—15 秒 |
|---|---|---|---|
| 争取停留 | 展示商品 | 演示价值 | 干净收尾 |
前三秒决定后面十二秒有没有人看，所以它承载的是一个具体情境，而不是一句总结：出问题的前一刻、用户想要的结果、大家反复追问的那个细节。中间两个节拍做商品详情页做不到的事——一次不被打断的商品特写，再加一件它看得见地能做到的事。结尾之所以短，是因为把最后两秒用来罗列卖点的视频，已经把刚刚争取到的观众丢掉了。
这张表是创作参考，不是节拍器。使用介绍型脚本往往需要商品在第二秒就出现，场景种草型可能会把问题多留一秒。固定不变的只有总时长，以及这四件事都要做完。
为什么时长是约束而不是建议
让一版好脚本超时、后期再想办法，听上去很合理。实际结果通常是两种糟糕情况之一：口播被加速到不像真人在说话，或者台词在第 15 秒被生硬截断。两者都会让画面显得"合成感"很重，而这恰恰是 UGC 内容最不能有的东西。
所以平台在生成之前先算一遍口播长度，生成之后再核一遍。系统自己写的脚本超时，就重写；你自己提供的脚本超时，不会被改写——平台会指出是哪一句超了，并提示你精简。锁定的脚本就是锁定的，这正是提供脚本的意义。
不同语言的预算算法也不同。拉丁字母语言按字符计入较宽的额度，中文、日语、韩语则按更紧的额度计算，因为每个字承载的语音时长更长。这也是英文脚本直译过去通常过不了检查的原因：同样的意思在日语里占不了同样的秒数。本地化要做的是按可用时长重写这句话，而不是把译文一点点删到塞得下。
字幕放在哪里
字幕由分镜节拍直接生成，而不是从音频转写回来。这样字幕与口播天然对齐，字幕文件在视频渲染完成之前就已经存在。
约束有两条。一是每行足够短，避开平台自身的界面元素——右侧的一列按钮和底部的商品卡片。二是画面里不得出现模仿可点击购物组件的元素。画上去的"立即购买"按钮不是设计选择，而是一个假控件，检查这一关不会放行。
三类模板
首期交付三类模板，每一类都是生产配方，而不是视觉风格：
- 人物讲解型。 真人手持商品对镜口播。适合那些需要有人亲口说出来的卖点。
- 场景种草型。 以问题开场，在真实场景中用商品化解。适合价值依赖上下文的商品——你得看见它用在哪儿。
- 使用介绍型。 简短的分步演示，落在最终结果上。适合"我不知道这东西怎么用"这类门槛。
在逐步制作流程里，开场角度会先明确写进脚本，再开始生成画面。如果角度不对或太泛，应当在脚本这一步修改，而不是花钱生成一条换了画面、核心创意仍然薄弱的视频。
通过检查的成片是什么样
在进入审核之前，每条成片都已经核对过：时长是否落在目标区间、口播长度是否符合该语言预算、字幕是否在安全区内、商品呈现是否与记录的事实一致、人物是否与参考帧一致、表达是否符合目标市场。任何一项不通过，这条视频会被标记为失败并附上具体结论，而不是默默交给人去发现。
这就是结构换来的东西：15 秒确实很紧，但产出是可预期的。