Broadway aesthetic video

全链路阶段逻辑与依赖：

1. 通过 text_editor 先建立 Final_Video_Spec.md：标题、百老汇时期（黄金年代 / Fosse 现代派 / 当代）、画幅、时长意向、视觉风格、输出语言、Letterbox 视觉规格。在进入分镜与批量生成前锁定这些全局参数，作为后续所有阶段的共享锚点。
2. 生成 Storyboard（key elements、shot 列表、audio_layer）→ storyboard_designer。Storyboard 完成后，扫描上下文与用户上传素材，将匹配的 key element 图、参考视频、配乐等通过 media_generator 绑定到对应 Storyboard 槽位。
3. 建立元素：用户已上传角色 / 场景资产则直接绑定；否则生成所有元素图 → media_generator。同时为每个 element character 绑定 key_element_audio（声纹参考音频：用户已上传卡司录音则直接绑定，否则用 text to narration 生成短声纹样本），供步骤 4 镜头视频生成时通过 audio_infos 引用以保音色跨镜一致。
4. 逐镜头生成最终视频：默认引用该镜头绑定的元素图；仅在与上一镜连续性极强时追加上一镜视频作 reference_video → media_generator。
5. 生成全部音频层（百老汇配乐 BGM、旁白 / VO）→ media_generator。
6. 全部素材就绪后做最终组装，引导导出 → video_assembler。

依赖： 2→1；3→2；4→3；5→2；6→3,4,5。

里程碑暂停： 不要一次性跑完全流程。每个主要里程碑（Spec 锁定、Storyboard 完成、元素完成、镜头视频完成、音频完成、组装完成）后停下，用卡片或 reply_to_user 邀请用户确认再继续。

用户素材优先： 步骤 3–5 中，凡用户已提供或已存在的媒体，先经 media_generator 绑定到正确 Storyboard 锚点，不要重新生成用户已给的内容。

• 分析用户上传的百老汇参考素材（剧照、服装参考、编舞视频、卡司录音、海报），按"时期—色彩—服装签名—编舞语汇—灯光情绪"五个维度输出结构化理解，供 Storyboard 与提示词阶段复用。
• 编舞参考视频：标注可执行动作关键词（如 Fosse 的内收膝盖、爵士手、侧帽），并指出可被镜头直接复用的动作节拍点。
• 凡用户上传素材映射到 key_element 的，描述必须与所见 / 所听一致，不得与之矛盾。

三大时期视觉语汇（每镜须声明所属时期并落实对应语汇）：

• 黄金年代（1940s–60s）： 饱和 Technicolor、对称构图、宏大群舞阵列、聚光白洗光、金红主色调；如拍摄一座镜框式舞台。
• Fosse 现代派（1960s–80s）： Bob Fosse 语汇——内收膝盖、爵士手、侧帽 / 圆顶礼帽、黑色极简、斜角聚光、身体局部隔离动作；高对比黑白或单色红。
• 当代（1990s–至今）： 朱莉·泰莫《狮子王》式——木偶 / 面具、仪式质感、层叠投影、大地与图腾色；以及《Six》式流行演唱会舞台、霓虹、现代极简。

key elements 设计：

• 角色须带"人设卡"锚定：颜色绑定 + 发型绑定 + 姿态绑定，一句话核心描述在所有分镜中保持不变更。
  • 角色锚定示例：A 20-year-old blonde actress in a signature emerald green silk dress——在每镜提示词中复用此核心描述，全程不变更。
• 多造型 / 多年龄段角色须分条列出（造型 1：…；造型 2：…）。
• 场景描述须写明舞台方位与关键道具 / 表演区位置。

舞台角色原型参考（角色设计时对号入座）：

原型	黄金年代	Fosse 现代派	当代
主角 / 女一号	Eliza Doolittle (My Fair Lady)	Charity (Sweet Charity)	Elphaba (Wicked)
喜剧担当	Ado Annie (Oklahoma!)	Amos Hart (Chicago)	Anne of Cleves (Six)
魅力 / 反派	Harold Hill (The Music Man)	Roxie Hart (Chicago)	Heather Chandler (Heathers)

分镜设计：

• 每镜描述须含：场景（引用场景元素 ID）、故事节拍（角色动作、群舞队形、对话 / 表演，引用角色元素 ID，对话写明确切台词）、摄影（景别、机位高低、运镜如推拉 / 环绕 / 锁机）、灯光提示（聚光 / 洗光 / 追光）。
• 群舞镜头须明确队形与秩序（如"V 字阵列齐整推进"），避免无秩序堆叠——这是"像普通晚会"而非百老汇的首要成因。
• 镜头时长配合音乐剧乐句（4–15s），单镜不超过 15s（当前模型上限）。

跨镜音频设计：

• 至少一条全局 BGM 轨（百老汇管弦乐风格）。长片可在转折点拆分为多段（各自 audio_id 与跨度）。
• 若有旁白 (VO) 驱动叙事，在此设计 narration_speaker_profile、语气与确切脚本。

元素图生成： TextToImage，推荐 Nano Banana Pro (Gemini 3 Pro Image) @ 2K。同一角色多造型用 ImageToImage，后造型引用前次生成以保一致；角色图采用"左半身肖像 + 右全身"横向并排版式锁定身份。

角色声纹绑定（key_element_audio）： 为每个 element character 绑定 key_element_audio（角色声纹参考音频），以保证对白 / 演唱音色跨镜一致——用户已上传卡司录音则直接绑定，否则用 text to narration 生成一段该角色的短声纹样本并绑定。百老汇角色有大量对白与演唱，此绑定不可或缺。

镜头视频生成： MultiModalToVideo，推荐 Seedance 2.5 @ 480p。每镜引用：①该镜头绑定的角色 / 场景 / 道具元素图；②该镜头出场角色的 key_element_audio（通过 audio_infos 引用，使对白 / 演唱音色跨镜一致）；③仅当与上一镜连续性极强时追加上一镜视频作 reference_video，通常跳过。

负面提示词规范： Seedance 2.5 及国产视频模型采用自然语言输入，不支持 --no / --negative 等 Midjourney / SD 语法，Flova 生成器也无独立负面输入框。负面意图须写成自然语言回避短语（如 "avoid CGI cartoon look, avoid amateur gala staging, avoid chaotic crowd"）并入提示词正文，而非用 --no 拼接在尾部。

音频生成：

• BGM：百老汇管弦乐用 text_to_instrumental 或 lyrics_to_song，模型 Suno 5（注意：提示词含知名音乐人姓名时失败率高，避免点名真实作曲 / 歌手）。
• 纯器乐（如序曲）务必在 Suno 指定为 Instrumental，避免 AI 自行吟唱无意义人声。
• 旁白 / VO：用 text to narration，默认 MiniMax Speech 2.8 HD。

会员 / 分辨率： 480p 与 Seedance 2.5均为会员专属；非会员上限 480p。用户显式要求时不要因会员限制拒绝，交由下游处理。

提示词组合公式（自然语言，一段成文，勿用分段标签）：
[时期美学语汇] + [主体与动作 / 群舞队形] + [舞台环境与关键道具] + [灯光提示] + [摄影景别与运镜] + [色彩分级：单一主色约 90%]

• 时期语汇须落到可执行动作：Fosse 镜须写明"内收膝盖、爵士手、侧帽、身体局部隔离"；当代泰莫镜须写明"木偶 / 面具、仪式图腾质感"。
• 角色描述须复用人设卡核心句，全程不变更。
• 负面提示词以"【负面提示词】"标注、写为自然语言回避短语并入正文；不要使用 --no / --negative 语法。

视频提示（Seedance 2.5 类）：

• 参考图用 <<<image_1>>> 等占位符按角色绑定。
• 动作堆叠：运镜 → 主体动作 → 空间调度 → 音频提示（若另有旁白轨，勿在视频提示里重复完整旁白）。
• 常设回避：no subtitles（字幕后期处理）；若 BGM 独立成轨，视频提示加 no music。

Suno 风格描述： 百老汇强依赖人声与管弦乐的对抗与融合，在 [Style Description] 中强调人声与乐器的空间纵深（如 "vocal forward over layered orchestral pit"），让声场更接近剧院；纯器乐段落务必启用 Instrumental。

轨道布局： 视频轨 V1–V3、音频轨 A1–A2。主画面 V1，群舞 / 特写叠加 V2–V3；BGM 入 A1，旁白 / VO 入 A2。

Letterbox： 上下黑边的电影级宽幕感作为视觉风格在生成阶段即落实（提示词写入 cinematic letterbox），不依赖导出时裁切——导出阶段画幅与分辨率不可调。

节奏与转场： 依音乐剧乐句与渐强对齐剪辑节奏；段落间用黑场切（blackout cut）模拟舞台换景。群舞高潮处保留完整乐句，不切碎。