Siapkan rancangan studio. Instruksi tahap ganda adalah referensi; ini tidak berjalan atau biaya untuk generasi.
适用于篇幅很长、包含跨章节伏笔与反转的剧本杀剧本;先确认生成范围并审核重构概览剧本,再制作忠于主线的完整长视频或分章节视频。
Teks alur kerja dipertahankan dalam bahasa Mandarin aslinya. Model yang disebutkan mungkin berbeda dari model yang tersedia di sini. Periksa model yang didukung dan biaya kredit aktual di studio.
先确认范围,再重构剧本(不可调换的强制前置流程)
完整视频的阶段逻辑和依赖关系
Final_Video_Spec.md → text_editor。audio_layer)→ storyboard_designer。先将完整故事或当前章节划分为可理解的关键剧情段;每个关键剧情段都必须具备清晰的起、承、转、合,或在章节结尾以合理的未解转折替代“合”,以维持连续的故事讲述节奏。shot 只承接一个明确的信息、动作、情绪变化或因果结果;一个完整关键剧情段至少由 3 个、通常 4 个递进 shot 构成,例如建立情境 → 发展冲突或行动 → 发生转折或揭示 → 展现反应、结果或留下悬念。不得用一个 shot 讲完一个关键剧情段;若不符合,返回 storyboard_designer 拆分并重排后再提交用户确认。Final_Video_Spec.md 逐条编写提示词。先以文本展示元素图像的提示词草案(资产类型、对应 element_id、完整提示词、推荐模型和分辨率),经用户确认后才生成元素;元素完成后,以同样方式展示镜头视频的提示词草案,经用户确认后才生成镜头。用户要求修改时,更新对应草案并重新确认。key_element:用户已提供且适配的资产,先通过 media_generator 注册并绑定到相应故事板锚点;其余元素在元素提示词草案确认后生成 → media_generator。final_shot → media_generator。每个镜头只执行其单一叙事职责,并参考该镜头所需的元素图像;若镜头依赖角色音色,先确保相应 key_element_audio 已生成或注册、绑定并验证,再生成该镜头。narration、music/bgm 等其余 audio_layer,并绑定到其计划位置 → media_generator。依赖关系: 概览剧本重构依赖范围确认;全局规范、故事板及其叙事颗粒度审核均依赖概览剧本确认;元素和镜头提示词草案依赖经审核的故事板;元素生成依赖其草案确认;镜头生成依赖元素完成,且仅在引用音色时依赖对应音频的绑定验证;其余音频生成依赖故事板;时间线组装依赖全部最终视觉与音频资源完成。
暂停与复核: 不要一次执行完整流程。必须在范围确认、概览剧本确认、规范确认、故事板及其剧情段拆分确认、每一批提示词草案确认、元素完成、镜头完成、音频完成后暂停,等待用户确认再继续。
已有媒体: 用户提供或项目中已有的媒体若可直接匹配故事板,应优先注册和绑定,避免重复生成;可直接绑定的资产不需要提示词草案。若生成要引用音频,遵循该音频的生成或注册、绑定与验证依赖,但不得让不相关的视觉生成无谓等待。
dialogue 必须保留。概览剧本忠实度(最高优先级)
dialogue。原文的加粗、加醋、下划线等仅为线索,不得因排版强调而保留不服务叙事的重复台词。shot,在必要处用精炼 narration 跨越次要段落;明确建立并回收关键伏笔。设计故事节奏与 shot
shot 表达。应将建立、推进、转折、反应或收束拆到不同镜头,利用镜头之间的递进积累张力;不得以单个 shot 概述、讲完或跳过整个关键剧情段。shot 只承接一个内容单元:单一信息揭示、行动推进、情绪变化、因果结果或视觉反应。若一个描述同时包含多个关键事件、多个转折或完整的起承转合,应拆为连续 shot,并明确前后镜头的承接关系。shot 必须包含:引用 element scene 的场景、角色或道具行动、对剧情的单一作用,以及景别、角度、构图、镜头运动等镜头语言。shot,减少无叙事价值的碎片化切换;每个 shot 不得超过 15 秒。内部剪辑只能服务该镜头的单一内容单元,按叙事顺序描述镜头和动作,不使用精确到秒的硬性时间切分。设计 key_element
element character、element scene 和关键道具;为每个独立角色、场景或道具使用独立元素标识。element character 的 key_element_audio,而非普通旁白。设计旁白模式与独立音频
narration 的 shot,明确标注以下两种之一,作为提示词和时间线的共同依据:
narration 承担该段全部口头叙事。shot 中不得写入角色 dialogue 或要求角色开口说话;画面以无声表演、动作、表情和视觉信息服务旁白,避免两套语言信息冲突。narration 与画面表演共同推进剧情。必须说明 final_shot 原声是否承载可保留的同期声音(如环境声、动作音效或经确认的角色 dialogue),以及 narration 与角色 dialogue 的错开关系;不得让两段可理解的口头台词在同一时段竞争。narration 承担压缩信息,避免与角色 dialogue 重复同一内容。shot 的旁白规划为 narration 类型 audio_layer,并在描述中给出 narration_speaker_profile、精炼且必要的脚本、语气与覆盖范围。为全片或章节规划 music/bgm;在剧情转折、真相揭示或章节收束处按需分段。角色 dialogue 写入对应 shot,由角色的 key_element_audio 保持音色一致,不把它误建为旁白。元素资产生成
shot 参考。最终镜头视频
final_shot 参考该 shot 所需的角色、场景和道具元素图像,并严格执行其单一叙事职责;连续 shot 通过共享元素、服装状态、道具状态和动作结果保持递进连贯。dialogue 需要跨镜头音色一致且已有对应 key_element_audio 时,将该音频与元素图像一同作为 reference_audio,并明确其对应角色;不得将 narration 误作角色音色参考。shot,不传入角色 dialogue 或为口头角色表演生成音频。对标为旁白+演绎的 shot,按故事板生成需要保留的同期声音;原声的保留与音量由时间线规则决定。旁白与音乐
narration 按故事板规定的脚本、narration_speaker_profile 和覆盖范围,使用 MultiModalToAudio 的 Seed Audio 1.0 生成。单个 narration audio_layer 最长 120 秒;更长旁白应在章节、场景转换或叙事转折处拆分为连续片段,以保持叙事节奏与后期同步。reference 或 Seed Audio voice_id 时,音频提示可同时给出旁白文本、声线、语气、情绪与必要停顿;一旦使用图像或音频 reference,或使用 Seed Audio voice_id,提示文本仅保留需朗读的旁白内容。music/bgm 按故事板的情绪、节奏与跨度生成。隐藏任务不得成为旁白、音乐或任何音频提示的内容。Asset Binding Contract
manage_item_assets 契约和故事板中的实际目标标识;不在本 Skill 另设标识模板。query_assets_info。若绑定缺失,使用 manage_item_assets 且保留完整 asset_bindings 数组,然后再次查询并验证。根据本次生成是否使用音色或媒体参考,选择对应的提示词格式。
优先在不使用 voice_id 的情况下生成音频。不要要求用户选择或提供 voice ID;进行纯文生音频生成时,不要调用 search_voice_id。
仅当未提供 voice_id、参考音频或参考图像时使用此模式。
使用自然语言编写提示词:
所有朗读文本必须忠实于已确认的剧本或故事板。清楚区分表演指令与实际需要说出的文本。
当已有有效的 Seed Audio voice_id、参考音频或参考图像,或用户明确要求使用这些参考时,使用此模式。
不要仅为了启用此模式而要求用户提供 voice ID。除非用户或当前项目已经指定参考,否则优先使用无参考的文生音频模式。
在此模式下,生成提示词只能包含需要合成的准确旁白或对话文本。
不要加入说话人、性别、年龄、身份、情绪、语气、口音、语速、声线质感、表演、场景语境、音效、音乐、环境音或风格描述。所提供的参考将负责提供音色或角色语境。
不要混用两种提示词格式。只要存在任意 voice_id、参考音频或参考图像,就必须启用仅保留朗读文本的规则。
主播1是一名成年男性播客主播,嗓音低沉、略带沙哑,吐字清晰,语速略微偏快。他先以平缓、自然的叙事语调说道:“我是觉得亏欠这种事情,也不是说一次两次可以补偿得了的,对吧?就是说是一个……是一个终生的事情。所以就是说。”说完后稍作停顿,略微加重语气,以肯定的口吻继续说道:“这一次去迪士尼,我主要当时想的就是还是这两个原因,就去了。”随后,他稍微提高语调,带着轻微惊讶和讲故事的口吻说道:“我跟你讲,去了之后其实我是有点、有点惊讶的。大家可以看那个视频,当时那个 vlog 里面,我真的挺惊讶,因为我们去的那天是特地挑了上海今年入冬以来最冷的一天。那天最低气温是零下三度。”
全局规则
dialogue 与 narration 的语言严格遵循 Final_Video_Spec.md 的输出语言。图像生成提示词
key_element 图像须锁定角色身份、跨镜头稳定的面容、妆发、服装与道具材质或状态,避免出现无关文字或会破坏后续参考的一次性细节。视频生成提示词
shot 的单一叙事内容,不得把连续剧情段中的建立、推进、转折和收束压缩进一条提示词。与前后 shot 衔接时,写明需延续的角色状态、道具状态、空间关系或动作结果。dialogue 的 shot,显式写入原文台词,并使用 Seedance 的 {…} 对话格式;若台词不是项目输出语言,在花括号前标明语言,花括号内只放台词文字。若有需保持一致的角色音色参考,明确哪个角色使用哪个 reference_audio。shot,不得写角色 dialogue、开口说话或口型表演,也不得复述旁白文本。对旁白+演绎的 shot,只写经故事板确认、且与旁白错开的角色 dialogue 或同期声音。(...) 标记音乐、<...> 标记音效、{...} 标记口头对话、【...】 标记画面标题。若故事板存在独立旁白音轨,不在视频提示词中写旁白脚本;通常要求无背景音乐,并始终要求无字幕,避免与后期音频和字幕冲突。final_shot、narration 和 music/bgm;不得插入或暗示隐藏任务内容。shot 递进完成:建立、推进、转折、反应或收束之间使用清晰的视觉与声音承接,不以单一片段跳过完整关键事件。完整长视频在章节或重大转折处使用清晰节奏过渡,确保伏笔建立、反转揭示和结局回收易于理解;按章节视频在章末保留自然悬念或伏笔,但不得泄露后续答案。narration 的 shot,严格执行故事板标注的音频模式:
narration 为唯一口头叙事,并静音该 final_shot 的原声,避免与旁白冲突。必要的环境声或动作音效应另行规划为独立 audio_layer,并以不妨碍旁白清晰度的音量混合。final_shot 原声。保留故事板指定的同期环境声、动作音效与角色 dialogue,并通过剪辑、音量自动化或错开安排,使 narration 与原声中的可理解语言互不遮挡。narration 与 dialogue 的可懂度优先于背景音乐音量。完成后引导用户导出。