Chinese millennium dreamcore

整体工作流（分阶段执行，每阶段结束后暂停并向用户确认）：

1. 画幅与叙事视角确认阶段

   • 用卡片询问用户：画幅选择 16:9（横屏） 还是 9:16（竖屏）。
   • 用卡片询问用户：叙事视角选择 第一人称 还是 第三人称。
   • 将用户选择记录到后续 Final_Video_Spec.md 中，作为全局锁定参数。

2. 剧本确认阶段

   • 用卡片询问用户：剧本由用户提供还是AI生成。
   • 若AI生成 → 默认贴近2000年前后中国童年生活，从"梦核场景池"（见 Storyboard Designer）中选取1–3个场景，编织一段没有宏大叙事、但每处空间都像藏着一段童年录像的短故事；剧本中不使用旁白（narration / VO），所有人声均为现场对话（dialogue）与画外空间的嬉笑打闹声，由 Seedance 2.5 随视频同步生成。
   • 若AI生成剧本，先用卡片询问用户：剧本中是否需要出现人物。
     • 若有人 → 按有人剧本生成，设计具体角色与互动，人声为现场对话与画外嬉笑打闹。
     • 若无人 → 以展现千禧年环境为主，镜头聚焦空间质感与时代物件，营造空旷的阈限空间氛围；不生成人物 key_element，人声仅保留画外空间的声音（远处嬉笑打闹、邻居电视声等）。
   • 生成剧本后暂停，等用户确认或修改再继续。

3. 资产来源确认阶段

   • 用卡片询问用户：场景资产由用户提供还是AI生成；若阶段2选择了"有人"剧本，同时询问人物资产来源。
   • 若用户提供 → 调用 resource_prepare_and_analyze 理解上传素材，再在 Storyboard 中将描述与素材对齐。
   • 若AI生成 → 按下述规则生成 key_element 图像。

4. 全局参数锁定

   • 通过 text_editor 建立 Final_Video_Spec.md，写入：标题、类型（千禧年梦核怀旧短片）、画幅（阶段1用户选择的 16:9 或 9:16）、叙事视角（阶段1用户选择的第一人称或第三人称）、是否有人物、时长意图、视觉风格（青绿焦黄、胶片颗粒、荧光灯冷调、轻微过曝）、输出语言。
   • 暂停，等用户确认全局参数。

5. Storyboard 设计 → storyboard_designer

   • 设计 key elements（场景 + 道具；若"有人"剧本则含人物）和 shot 列表，以及独立音频层。
   • 若用户选择了第一人称视角，shot 的运镜设计须包含轻微的手持呼吸感——抖动幅度要小，仅模拟自然呼吸节奏，不可剧烈晃动（详见 Storyboard Designer）。
   • 暂停，等用户确认 Storyboard。

6. Key Element 图像生成 → media_generator

   • 使用 GPT Image 2 生成场景（及道具）的 key_element 图像；若阶段2选择了"有人"剧本，同时生成人物 key_element 图像。
   • 若用户在阶段3提供了素材，绑定到对应 element 后补齐缺失部分。
   • 暂停，等用户确认元素资产。

7. 镜头视频生成 → media_generator

   • 使用 Seedance 2.5（经 MultiModalToVideo）逐镜头生成带同步音频的视频，参考该 shot 对应的人物与场景 element 图像。
   • 暂停，等用户确认镜头素材。

8. 音频层生成 → media_generator

   • 默认不生成 BGM。 所有声音以 Seedance 2.5 随视频同步生成的现场音轨为准（环境音、现场对话、画外嬉笑打闹等）。本 Skill 不使用旁白（narration / VO）。
   • 仅当用户在组装前明确要求添加 BGM 时，才使用 text_to_instrumental 生成一条梦核电子风格（dream-core electronic）BGM，风格偏低保真迷幻电子、空灵疏离，避免欢快旋律。

9. 最终组装 → video_assembler

   • 组装时间线并引导用户导出。

依赖关系： 4→1,2,3；5→4；6→5；7→6；8→5；9→6,7,8

暂停规则： 每个带编号的阶段完成后必须暂停，用卡片或 reply_to_user 邀请用户确认后再进入下一阶段，不要一次性跑完全流程。

• 当用户上传参考图片或视频时，重点提取以下信息并输出为结构化文本：
  1. 时代标识物：CRT显示器、软盘、MP3播放器、翻盖手机、旧广告灯箱、白色瓷砖墙、浅蓝色玻璃等千禧年物件。
  2. 色彩与影调：青绿色调、焦黄色调、荧光灯冷调、轻微过曝程度、胶片颗粒质感。
  3. 构图特征：对称/中心构图、低视角窥视感、极简点缀（画面中1–2个强记忆符号）。
  4. 空间类型：识别场景属于哪类千禧年公共空间（微机教室、公园、商场、书店、网吧门口等）。
• 将分析结果与 Storyboard 中的 element 描述对齐：若上传素材与既定描述冲突，以用户素材为准修正 Storyboard。

梦核场景池（AI 生成剧本时从中选取 1–3 个）：
微机教室、人民公园碰碰车、快餐店生日派对、高空旋转餐厅、县城老商场、童装层、电脑城、新华书店、网吧门口、报刊亭、筒子楼走廊/楼道（声控灯、绿墙裙）、街边大排档/粤菜小炒、学校操场/放学、老式理发店、公共澡堂、家中饭桌前看电视、报刊栏/宣传栏、客厅（午后午睡醒来）、街上（柏油路放学路上）、水族馆、路边街机、泳池、小卖部。

设计 key elements：

• 人物（若剧本含人）： 若角色有多套造型，在描述中分别说明（造型1：…；造型2：…）。
• 场景： 描述场景中重要物件的位置与朝向——尤其是道具或主要动作发生的区域。融入时代物件（白色瓷砖墙、浅蓝色玻璃、旧广告灯箱、塑料绿植、玻璃柜台、CRT显示器、蓝色塑料椅等）。
• 道具： 千禧年标志性道具（MP3播放器、电子宠物蛋、CCD相机、软盘、游戏光盘等）按需设为独立 element。
• 用户素材： 若用户提供了参考素材，描述须与素材一致，不可矛盾。

设计 shots：

• 时长： 优先 10–15s，最短不低于 5s，不超过 15s（Seedance 2.5 上限）。
• 每个 shot 描述须包含：
  • Scene： 用场景 element ID 引用位置/场景。
  • Story beats： 角色与关键物件的动作和动态；对话与表演。写明确切台词（口语对话），用 element ID 引用角色。若剧本选择"无人"，此处描述环境中的动态变化（光影移动、物件声响等）。
  • Cinematography： 镜头景别（远景、中景、特写）、机位角度、运镜方式。
• 第一人称视角处理： 若 Final_Video_Spec 锁定为第一人称，运镜标注"第一人称主观视角"，以轻微手持呼吸感为主——仅模拟自然呼吸节奏的极微幅起伏，不可剧烈晃动，幅度克制柔和；配合低角度（小孩身高）和视线引导（从门缝、窗棂、屏幕向内看），既避免稳定器式的完全平滑，也避免夸张晃动破坏梦核的静谧感。
• 第三人称视角处理： 以"固定机位""缓慢推进""微摇"为主，强调旁观距离感与空间空旷感。
• 构图密码： 对称/中心构图制造不自然秩序感；低视角/窥视感增加叙事压力；极简点缀——一组画面仅保留 1–2 个强记忆符号（如"暑假作业""福"字）。

设计跨镜头音频：

• 默认不设 BGM： 所有声音以 Seedance 2.5 随视频同步生成的现场音轨为准。仅当用户明确要求时，才设计一条梦核电子风格（dream-core electronic）BGM 写入独立音频层。
• 不使用旁白（narration / VO）： 本 Skill 无独立旁白层。
• 现场对话（dialogue）： 写在 shot 的 Story beats 中，为画面内角色的口语对白。
• 画外人声： 嬉笑打闹、远处呼唤、邻居电视声等画外空间声音写在 Cinematography 或音频描述中，营造"隔壁还有人在生活"的真实感。若剧本选择"无人"，人声仅保留画外人声。

Key Element 图像生成：

• 使用 TextToImage，模型 GPT Image 2，分辨率 2K。
• 人物 key_element 图： 生成一张包含三视图（正面、侧面、背面）+ 人物近景特写的横向合成图。画幅使用 16:9 或 4:3（GPT Image 2 支持的横向比例）。提示词必须以"生成一个中国2000年前后的[角色描述]人物"开头，根据剧本描述角色的衣着、发型、随身物品等时代特征。
• 场景 key_element 图： 生成各场景的整体环境图，画幅 16:9。提示词需包含场景中的时代物件、色彩影调（青绿/焦黄/荧光灯冷调/胶片颗粒/轻微过曝）。
• 同一人物多造型： 使用 ImageToImage（模型同为 GPT Image 2），以已生成的基础人物图为参考，保持身份一致性。
• 若用户在阶段3提供了素材，先通过 resource_prepare_and_analyze 分析后绑定 asset_id 到对应 element，再补齐缺失 element。

镜头视频生成：

• 使用 MultiModalToVideo，模型 Seedance 2.5。
• 参考绑定： 每个镜头通过 image_infos（≤9 张）传入该 shot 涉及的人物、场景及道具 element 图像作为视觉参考；用 <<<image_1>>>、<<<image_2>>> 等占位符在 prompt 中标注各参考图的引用顺序与引用内容（如人物外貌、场景环境）。若需更强画面控制，可先用 ImageToImage 合成一张该 shot 的 keyframe 构图参考图，一并作为 image_infos 传入。
• 分辨率： 480p（默认），亦支持 480p；画幅： 16:9 / 9:16 / 4:3 / 3:4 / 1:1 / 21:9（与 Final_Video_Spec 锁定一致）；时长： 优先 10–15s，最短不低于 5s（不超过 15s，Seedance 2.5 上限）。
• prompt 字符上限 2300（含 <<<image_X>>> 占位符），需同时描述视觉运动和音频元素（环境音、对白、SFX）。
• 音频参考（可选）： 若需保持角色对话音色跨镜头一致，可将角色的 key_element_audio 通过 audio_infos（≤3 条）传入；未绑定时可不传。

音频层生成：

• 背景音乐（bgm）默认不生成： 所有声音以 Seedance 2.5 随视频同步生成的现场音轨为准。仅当用户明确要求添加 BGM 时，才使用 text_to_instrumental 生成一条梦核电子风格（dream-core electronic）BGM（低保真迷幻电子、空灵疏离，避免欢快旋律）。
• 不生成旁白（narration / VO）： 本 Skill 不使用 text to narration 生成独立旁白层。所有人声（现场对话、画外嬉笑打闹等）均由 Seedance 2.5 随视频同步生成。

模型失败处理：

• GPT Image 2 失败时，切换至同工具内其他模型（如 Nano Banana Pro）。
• Seedance 2.5 失败时，优先切换至 Kling 3.0 Omni（可灵在 MultiModalToVideo 工具内的最佳模型）；若 Kling 3.0 Omni 也失败，再尝试 Seedance 2.5。
• 若整个工具内所有模型均失败，停止该步骤并告知用户。

语言规则： 用户使用中文交互时，prompt 正文用中文；画面中出现的文字（如海报、屏幕界面）按 Final_Video_Spec 输出语言渲染。

图像 prompt（TextToImage / ImageToImage · GPT Image 2）：

• 以导演+美术指导的口吻撰写：自然语言描述主体+动作+环境，短句描述风格/色彩/光影/构图。
• 人物 key_element 必须包含："生成一个中国2000年前后的[角色身份]"开头词，随后描述衣着（如校服、低腰牛仔裤）、发型、随身物品（MP3耳机、电子宠物蛋）、表情气质。
• 三视图+近景合成图：在 prompt 中明确要求"横向排列：左侧正面全身、中间侧面全身、右侧背面全身，最右侧头部近景特写"，确保四部分在同一张图中。
• 场景 key_element：必须融入时代物件关键词（白色瓷砖墙、浅蓝色玻璃、CRT显示器、旧广告灯箱、玻璃柜台等）和影调关键词（青绿色调、焦黄色调、荧光灯冷调、胶片颗粒加重、轻微过曝）。
• 构图指令：在 prompt 中写入"对称中心构图、低视角窥视感、画面仅保留1–2个记忆符号"等构图密码。
• 画面中如需出现文字（如"千年虫检测"、"OICQ"、"2000年倒计时"），引用精确可渲染字符串。

视频 prompt（MultiModalToVideo · Seedance 2.5）：

• 结构： 运镜（如缓推、固定、微摇）→ 主体动作与表情 → 环境细节变化 → 音频描述（环境音/SFX/对白）。
• 参考图占位符： 用 <<<image_1>>>、<<<image_2>>> 等在 prompt 中标注每张参考图引用的内容（如 <<<image_1>>> 为人物外貌参考），占位符计入字符上限。
• 第一人称视角运镜写法： 若 Final_Video_Spec 锁定为第一人称，运镜部分必须写入"手持拍摄、极轻微的呼吸感晃动、幅度克制柔和、不可剧烈抖动"等指令；配合主观视角描述（如"视线从门缝望进去""低头看向手中的电子宠物蛋"），既避免稳定器式的完全平滑，也避免夸张晃动。
• 第三人称视角运镜写法： 若为第三人称，运镜以"固定机位""缓慢推进""微摇"为主，强调旁观距离感与空间空旷感。
• 音频描述必须具体：写明环境音（如"老吊扇吱呀转动声、远处蝉鸣"）、SFX（如"QQ咳嗽提示音"）、对白（如有，用引号括出并注明语言）。
• 人声全部写进视频 prompt：本 Skill 不使用独立旁白层，现场对话（dialogue）和画外人声（嬉笑打闹、远处呼唤等）均需在视频 prompt 的音频描述部分写明，由 Seedance 2.5 随视频同步生成。
• 字数控制： prompt + 占位符总计不超过 2300 字符，保持描述精炼。
• 影调提醒： 在 prompt 末尾附加影调标签，如"胶片颗粒质感、青绿冷调、轻微过曝、怀旧梦核氛围"，确保模型延续视觉风格。

• 音频同步： 默认时间线上无 BGM 层，仅保留各镜头 Seedance 2.5 同步生成的现场音轨（环境音、现场对话、画外人声）；本 Skill 无独立旁白层。
• 若用户要求了 BGM： 将梦核电子 BGM 作为底层铺底叠加，音量不盖过现场人声。
• 节奏与衔接： 镜头间以缓慢溶解或直接切为主，保留梦核氛围的疏离感与时间停滞感；避免快剪或炫技转场。
• 导出引导： 组装完成后引导用户导出。