Architectural assembly animation

스튜디오 초안을 준비합니다. 여러 단계의 지침은 참고용이며 자동 생성이나 과금은 하지 않습니다.

基于用户上传的建筑参考图，生成建筑建模组装全过程的动态展示视频，组装过程可见内部结构，建筑模型自旋转，伴随光影变化、组装音效与欢快 BGM。使用 Seedance 2.5 720p 生成。

제작 흐름 본문은 중국어 원문입니다. 언급된 모델과 이 사이트의 지원 모델은 다를 수 있습니다. 실제 모델과 크레딧은 스튜디오에서 확인하세요.

전체 제작 흐름

1. 제작 기획

**Skill 激活时的引导流程**
- 激活后以友好简洁的语气向用户介绍本 Skill 用途：上传一张或多张建筑参考图，即可生成该建筑的建模组装动效视频——部件从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建组装，组装过程可见内部结构，模型自旋转，伴随光影变化、组装音效与欢快 BGM。
- 引导用户上传一张或多张建筑参考图（必须至少上传一张），并告知用户可以选择成片比例与时长。
- 所有需要用户确认或选择的位置（输入提示、方案确认、阶段暂停点），优先使用卡片形式交互。
**阶段流程与依赖**
1. **需求采集**：用户提供建筑参考图后，无需对其输入信息做二次确认，直接进入选择环节。通过卡片让用户选择成片比例（21:9 / 16:9 / 9:16 / 4:3 / 3:4 / 1:1）与时长（整数秒，单 shot 上限 30s，超过 30s 自动拆分多 shot）。组装方式为固定提示词的一部分（"从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建"），无需用户选择。
2. **建立全局规格**：根据采集结果，通过 **text_editor** 写入 Final_Video_Spec.md（标题、类型、比例、时长、视觉风格、输出语言等全局参数）。
3. **镜头设计**：调用 **storyboard_designer**，设计组装动效镜头序列（组装方式、自旋转节奏、内部结构展示、光影、自由运镜、音效标注）。
4. **视频生成**：调用 **media_generator**，使用 MultiModalToVideo + Seedance 2.5 720p，以全部建筑参考图作为 reference_image 生成组装动效视频；按"单个分镜跑满 30s、最后一个分镜为剩余时长"拆分 shot；组装音效在视频提示词中描述，由视频原生音频承载。
5. **BGM 处理**：若为单 shot（时长 ≤30s），BGM 由视频原生音频直接承载，跳过本步；若为多 shot（时长 >30s），调用 **media_generator** 使用 text_to_instrumental 单独生成欢快 BGM 音轨。
6. **最终合成**：调用 **video_assembler**，将视频组装为成片——单 shot 时 BGM 已含于视频原生音频，多 shot 时将独立 BGM 轨与拼接视频合成。
7. **引导导出**：向用户展示成片并引导导出。
**依赖关系**：步骤 2 依赖步骤 1；步骤 3 依赖步骤 2；步骤 4 依赖步骤 3；步骤 5 仅在多 shot（时长 >30s）时执行，依赖步骤 2（可与步骤 4 并行）；步骤 6 依赖步骤 4，多 shot 时另依赖步骤 5；步骤 7 依赖步骤 6。
**暂停点**：在"视频生成完成 → 最终合成前"暂停一次。暂停时必须使用卡片提供明确选项供用户选择确认，禁止以纯文本提问方式让用户自由输入确认。**暂停卡片只允许提供"继续下一阶段"类的确认选项，严禁在暂停卡片或任何环节让用户选择主体风格、建筑类型、立面风格或任何内容侧重**——直接以用户上传的全部参考图作为输入，按上传顺序依次使用，不做筛选或重新分组。其余阶段连续执行。
**全程以用户交互语言输出。**

Skill 激活时的引导流程

激活后以友好简洁的语气向用户介绍本 Skill 用途：上传一张或多张建筑参考图，即可生成该建筑的建模组装动效视频——部件从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建组装，组装过程可见内部结构，模型自旋转，伴随光影变化、组装音效与欢快 BGM。
引导用户上传一张或多张建筑参考图（必须至少上传一张），并告知用户可以选择成片比例与时长。
所有需要用户确认或选择的位置（输入提示、方案确认、阶段暂停点），优先使用卡片形式交互。
阶段流程与依赖

需求采集：用户提供建筑参考图后，无需对其输入信息做二次确认，直接进入选择环节。通过卡片让用户选择成片比例（21:9 / 16:9 / 9:16 / 4:3 / 3:4 / 1:1）与时长（整数秒，单 shot 上限 30s，超过 30s 自动拆分多 shot）。组装方式为固定提示词的一部分（"从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建"），无需用户选择。
建立全局规格：根据采集结果，通过 text_editor 写入 Final_Video_Spec.md（标题、类型、比例、时长、视觉风格、输出语言等全局参数）。
镜头设计：调用 storyboard_designer，设计组装动效镜头序列（组装方式、自旋转节奏、内部结构展示、光影、自由运镜、音效标注）。
视频生成：调用 media_generator，使用 MultiModalToVideo + Seedance 2.5 720p，以全部建筑参考图作为 reference_image 生成组装动效视频；按"单个分镜跑满 30s、最后一个分镜为剩余时长"拆分 shot；组装音效在视频提示词中描述，由视频原生音频承载。
BGM 处理：若为单 shot（时长 ≤30s），BGM 由视频原生音频直接承载，跳过本步；若为多 shot（时长 >30s），调用 media_generator 使用 text_to_instrumental 单独生成欢快 BGM 音轨。
最终合成：调用 video_assembler，将视频组装为成片——单 shot 时 BGM 已含于视频原生音频，多 shot 时将独立 BGM 轨与拼接视频合成。
引导导出：向用户展示成片并引导导出。
依赖关系：步骤 2 依赖步骤 1；步骤 3 依赖步骤 2；步骤 4 依赖步骤 3；步骤 5 仅在多 shot（时长 >30s）时执行，依赖步骤 2（可与步骤 4 并行）；步骤 6 依赖步骤 4，多 shot 时另依赖步骤 5；步骤 7 依赖步骤 6。
暂停点：在"视频生成完成 → 最终合成前"暂停一次。暂停时必须使用卡片提供明确选项供用户选择确认，禁止以纯文本提问方式让用户自由输入确认。暂停卡片只允许提供"继续下一阶段"类的确认选项，严禁在暂停卡片或任何环节让用户选择主体风格、建筑类型、立面风格或任何内容侧重——直接以用户上传的全部参考图作为输入，按上传顺序依次使用，不做筛选或重新分组。其余阶段连续执行。
全程以用户交互语言输出。

2. 스토리보드 설계

**镜头设计**
- 按"单个分镜跑满 30s，最后一个分镜为剩余时长"规则拆分：时长 ≤30s 时为单个 shot；超过 30s 时，每个 shot 取满 30s，最后一个 shot 取剩余时长（如 70s → 30s + 30s + 10s）。
- 每个 shot 的 description 必须包含：
  - **组装方式**：固定为"从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建"（写入提示词模板的固定文本，不由用户选择）。
  - **组装顺序**：按结构层次自下而上（或由内而外）逐步组装，组装过程中内部结构（梁柱、框架、楼板等）清晰可见。
  - **自旋转**：建筑模型在组装过程中持续自旋转，旋转速度平稳，确保各角度结构均可展示。
  - **光影**：随组装进度与旋转角度，光影在建筑表面与内部结构上产生明暗变化。
  - **运镜**：自由运镜——可环绕、推拉、升降，配合自旋转展示组装全貌与细节。
  - **音效标注**：标注组装音效（部件落位声、机械拼接声等），由视频原生音频承载。
**音频层**
- **BGM（多 shot 时）**：时长 >30s 时设计一条全局背景音乐音轨，风格为欢快、轻快节奏，贯穿全片；时长 ≤30s（单 shot）时 BGM 由视频原生音频承载，不单独建轨。
- **SFX**：组装音效随镜头内动作发生，在 shot description 中标注，不单独建轨。

镜头设计

按"单个分镜跑满 30s，最后一个分镜为剩余时长"规则拆分：时长 ≤30s 时为单个 shot；超过 30s 时，每个 shot 取满 30s，最后一个 shot 取剩余时长（如 70s → 30s + 30s + 10s）。
每个 shot 的 description 必须包含：
- 组装方式：固定为"从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建"（写入提示词模板的固定文本，不由用户选择）。
- 组装顺序：按结构层次自下而上（或由内而外）逐步组装，组装过程中内部结构（梁柱、框架、楼板等）清晰可见。
- 自旋转：建筑模型在组装过程中持续自旋转，旋转速度平稳，确保各角度结构均可展示。
- 光影：随组装进度与旋转角度，光影在建筑表面与内部结构上产生明暗变化。
- 运镜：自由运镜——可环绕、推拉、升降，配合自旋转展示组装全貌与细节。
- 音效标注：标注组装音效（部件落位声、机械拼接声等），由视频原生音频承载。
  音频层
BGM（多 shot 时）：时长 >30s 时设计一条全局背景音乐音轨，风格为欢快、轻快节奏，贯穿全片；时长 ≤30s（单 shot）时 BGM 由视频原生音频承载，不单独建轨。
SFX：组装音效随镜头内动作发生，在 shot description 中标注，不单独建轨。

3. 미디어 생성

**视频生成**
- 使用 **MultiModalToVideo**，模型固定为 **Seedance 2.5**，分辨率 **720p**。
- 时长与比例由用户选择（比例 21:9 / 16:9 / 9:16 / 4:3 / 3:4 / 1:1；每个 shot 时长 4–30s，总时长超过 30s 时按"单个分镜跑满 30s、最后分镜为剩余时长"拆分，最后一个 shot 不少于 4s）。
- **参考图绑定**：将用户上传的全部建筑参考图逐一注册 asset_id 并分别绑定为本 shot 的 reference_image；在提示词中以 `<<<image_1>>>` `<<<image_2>>>` … `<<<image_n>>>` 依次引用（n = 用户上传图片数），确保生成视频忠实还原参考图中的建筑形态与结构。
**BGM 生成**
- **单 shot（时长 ≤30s）**：BGM 由视频原生音频直接承载，视频提示词中以 `music(...)` 标记写入欢快 BGM 描述，无需单独生成 BGM 音轨。
- **多 shot（时长 >30s）**：使用 **text_to_instrumental** 单独生成欢快 BGM 音轨，风格关键词：欢快、轻快、节奏明快、电子 / 管弦混合。BGM 提示词可自由发挥，不使用固定模板。
**SFX**
- 组装音效（部件落位、机械拼接等）通过视频提示词描述，由 Seedance 2.5 原生音频生成，无需单独音轨。
**Asset Binding Contract**
- 按 `manage_item_assets` 合约操作；将每张建筑参考图逐一注册 asset_id 后绑定到对应 shot 的 reference_image 槽位。
- 绑定前先 `query_assets_info`，绑定后重新查询验证；保留完整绑定数组。
- 绑定类型由参考图的实际用途与计划镜头位置决定，不凭媒体标签推断。

视频生成

使用 MultiModalToVideo，模型固定为 Seedance 2.5，分辨率 720p。
时长与比例由用户选择（比例 21:9 / 16:9 / 9:16 / 4:3 / 3:4 / 1:1；每个 shot 时长 4–30s，总时长超过 30s 时按"单个分镜跑满 30s、最后分镜为剩余时长"拆分，最后一个 shot 不少于 4s）。
参考图绑定：将用户上传的全部建筑参考图逐一注册 asset_id 并分别绑定为本 shot 的 reference_image；在提示词中以 <<<image_1>>> <<<image_2>>> … <<<image_n>>> 依次引用（n = 用户上传图片数），确保生成视频忠实还原参考图中的建筑形态与结构。
BGM 生成
单 shot（时长 ≤30s）：BGM 由视频原生音频直接承载，视频提示词中以 music(...) 标记写入欢快 BGM 描述，无需单独生成 BGM 音轨。
多 shot（时长 >30s）：使用 text_to_instrumental 单独生成欢快 BGM 音轨，风格关键词：欢快、轻快、节奏明快、电子 / 管弦混合。BGM 提示词可自由发挥，不使用固定模板。
SFX
组装音效（部件落位、机械拼接等）通过视频提示词描述，由 Seedance 2.5 原生音频生成，无需单独音轨。
Asset Binding Contract
按 manage_item_assets 合约操作；将每张建筑参考图逐一注册 asset_id 后绑定到对应 shot 的 reference_image 槽位。
绑定前先 query_assets_info，绑定后重新查询验证；保留完整绑定数组。
绑定类型由参考图的实际用途与计划镜头位置决定，不凭媒体标签推断。

4. 프롬프트 작성

**视频提示词规则（MultiModalToVideo + Seedance 2.5）**
- **语言**：提示词正文必须使用用户交互语言撰写——用户交互语言为中文时，提示词正文即为中文。`<<<image_n>>>` 引用语法与 `<...>` 音效标记不属于用户交互语言，不影响语言一致性判断。
- 以 `<<<image_1>>>` `<<<image_2>>>` … `<<<image_n>>>` 绑定用户上传的全部建筑参考图（n = 用户上传图片数），作为建筑外观与结构的参考依据；除这些参考图外，提示词中不引用任何其他用户输入图片。
- **严格使用以下固定中文参考模板**（一个变量：末尾音乐指令——见下方规则；模板其余文字固定不变，包括"从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建"原样保留，不做选择或替换）：
> <<<image_1>>> <<<image_2>>> … <<<image_n>>> 还原上述建筑参考图中建筑的建模组装全过程：部件从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建组装，组装过程能看到内部结构，组装过程建筑模型自旋转，光影。自由运镜。音效：<部件组装音效>。[末尾音乐指令]
- **末尾音乐指令规则**：
  - **单 shot（时长 ≤30s）**：填入 `music(...)`，括号内为自行设计的欢快 BGM 描述（风格、节奏、配器等自由发挥，不使用固定文本），BGM 由视频原生音频直接承载，无需单独生成 BGM 音轨。
  - **多 shot（时长 >30s）**：填入 `no music`，BGM 由 text_to_instrumental 单独生成后在合成阶段加入。
- **音效标记**：组装音效以 `<...>` 标记写入模板，由视频原生音频承载。
- 字符总量（含 `<<<>>>` 标记）控制在 2300 字以内。
**BGM 提示词（text_to_instrumental）**
- BGM 提示词不属于上述固定模板，可自由发挥；风格方向为欢快、轻快节奏。

视频提示词规则（MultiModalToVideo + Seedance 2.5）

语言：提示词正文必须使用用户交互语言撰写——用户交互语言为中文时，提示词正文即为中文。<<<image_n>>> 引用语法与 <...> 音效标记不属于用户交互语言，不影响语言一致性判断。
以 <<<image_1>>> <<<image_2>>> … <<<image_n>>> 绑定用户上传的全部建筑参考图（n = 用户上传图片数），作为建筑外观与结构的参考依据；除这些参考图外，提示词中不引用任何其他用户输入图片。
严格使用以下固定中文参考模板（一个变量：末尾音乐指令——见下方规则；模板其余文字固定不变，包括"从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建"原样保留，不做选择或替换）：

<<<image_1>>> <<<image_2>>> … <<<image_n>>> 还原上述建筑参考图中建筑的建模组装全过程：部件从天上掉落/从四周聚集/3D打印/剖面图/爆炸图/折叠展开/粒子汇聚/点云重建成型/线框骨架搭建组装，组装过程能看到内部结构，组装过程建筑模型自旋转，光影。自由运镜。音效：<部件组装音效>。[末尾音乐指令]

末尾音乐指令规则：
- 单 shot（时长 ≤30s）：填入 music(...)，括号内为自行设计的欢快 BGM 描述（风格、节奏、配器等自由发挥，不使用固定文本），BGM 由视频原生音频直接承载，无需单独生成 BGM 音轨。
- 多 shot（时长 >30s）：填入 no music，BGM 由 text_to_instrumental 单独生成后在合成阶段加入。
音效标记：组装音效以 <...> 标记写入模板，由视频原生音频承载。
字符总量（含 <<<>>> 标记）控制在 2300 字以内。
BGM 提示词（text_to_instrumental）
BGM 提示词不属于上述固定模板，可自由发挥；风格方向为欢快、轻快节奏。

5. 동영상 조립

**合成规则**
- 将生成的组装动效视频作为主视频轨，保留其原生组装音效。
- **单 shot（时长 ≤30s）**：BGM 已由视频原生音频承载，无需额外 BGM 轨，直接输出成片。
- **多 shot（时长 >30s）**：将 text_to_instrumental 生成的欢快 BGM 作为独立音频轨，贯穿全片，音量适中不压过组装音效；shot 之间使用简洁硬切或快速交叉溶解，保持组装连贯感。
- 节奏与 BGM 节拍对齐，组装关键节点尽量踩在音乐重拍上。

合成规则

将生成的组装动效视频作为主视频轨，保留其原生组装音效。
单 shot（时长 ≤30s）：BGM 已由视频原生音频承载，无需额外 BGM 轨，直接输出成片。
多 shot（时长 >30s）：将 text_to_instrumental 生成的欢快 BGM 作为独立音频轨，贯穿全片，音量适中不压过组装音效；shot 之间使用简洁硬切或快速交叉溶解，保持组装连贯感。
节奏与 BGM 节拍对齐，组装关键节点尽量踩在音乐重拍上。