City memories narrative

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

聚焦小城/旧街区具体人物与空间，以低戏剧性日常事件链推进叙事。使用 GPT Image 2 生成首帧，Happy Horse 生成平叙镜头（约80%），Seedance 2.5（分辨率 480p）生成高强度动态镜头（约20%）。

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

**全片流程与阶段依赖：**
1. **故事命题获取（二选一）：**
   - **用户已上传剧本/文字素材：** 使用 **resource_prepare_and_analyze** 解析，提取人物关系、核心冲突、场景列表、关键事件节点、关键物件。输出一句简洁的故事命题摘要，请用户确认后再进入步骤 2。**确认前不得进入步骤 2。**
   - **用户未上传素材：** 通过 reply_to_user 以**卡片引导**方式收集：故事发生的地点与时段、主角面临的核心困境或决定、另一个关键人物及其与主角的关系。信息不足时默认：时长 1–3 分钟、类型"短剧情片"。收集后输出一句简洁的故事命题供用户确认。
2. 和用户确认并建立 Final_Video_Spec.md（片名、类型基调、场景设定、画幅比例、目标时长、视觉风格、输出语言）→ **text_editor**
3. 生成故事板（关键元素、镜头列表、音频层）→ **storyboard_designer**。故事板就绪后，扫描上下文中用户提供或已生成的资产，通过 **media_generator** 绑定至对应故事板槽位，再进行生成步骤。
4. 设置元素：
   - 用户已上传元素资产（人物参考图、场景参考图）：注册 asset_id 并绑定至对应 key_element。
   - 否则：为所有关键人物和场景元素生成图像 → **media_generator**。
5. 为每个镜头生成首帧图（start_frame）→ **media_generator**
6. 按镜头类型分路生成视频：
   - **叙事镜头 \[叙事\]（约 80%）：** FirstFrameToVideo + Happy Horse → **media_generator**
   - **高强度镜头 \[高强度\]（约 20%，不超过总镜头量 20%）：** MultiModalToVideo + Seedance 2.5（分辨率 480p），引用对应元素图作为 reference → **media_generator**
7. 生成 BGM / 旁白 音效层 → **media_generator**
   - \*\* 和用户确认旁白生成方式：1. 使用旁白生成模型 Minimax Speech 2.8 HD（生成速度快、积分消耗少）；2. 使用Seedance 2.5（分辨率 480p）生成旁白音频（效果自然、积分消耗多，谨慎选择！）
     - 方式一：使用旁白生成模型 Minimax Speech 2.8 HD：**text_to_narration**，模型 **Minimax Speech 2.8 HD**
     - 方式二：如果旁白超过30s，将旁白拆成多个段落分别生成。
     - 先使用Seedance 2.5（分辨率 480p）生成第一段旁白视频，要求时长锁定14s、画面中不能包含其他音效和音乐、只让角色说出这段话即可。第一次只能生成一段视频，即使用户要求也不要一次生成多个视频；
     - 使用多模态分析，将生成好的第一段旁白视频中的音频拆分出来，并作为后续旁白视频生成的参考项之一。用Seedance 2.5（分辨率 480p）一次性完成后面剩余的所有旁白视频，参考对应角色element图+刚才拆出来的第一段旁白视频的音频文件（必须小于30s，如果音频超过30s，先裁剪成14s内再参考）生成剩余的旁白内容。生成好后，再次调用多模态模型将这些视频的音频文件拆分出来。
8. 完成全片时间线组装，如果步骤7选择的是方式二，则音频层需要将所有拆出来的音频文件作为旁白剪辑到对应位置 → **video_assembler**
**依赖顺序：** 2→1；3→2；4→3；5→3,4；6→3,5；7→3；8→6,7
**暂停节点：** 不得一次性跑完全部流程。在命题确认、故事板完成、元素图/首帧图完成、视频批次完成、音频生成后各暂停，等待用户确认再继续。
**暂停节点：** 不得一次性跑完全部流程。 在命题确认、故事板完成、元素图/首帧图完成、视频批次完成、音频生成后各暂停，等待用户确认再继续。
**用户提供媒体时：** 优先将其绑定至故事板对应槽位；不重复生成用户已提供的内容。

**建立 Final_Video_Spec.md 的指南**
- 片名调性：贴合故事类型与情绪，不做过度文艺化或商业化倾向。
- 画幅比例：推荐 16:9；强调压迫感或亲密感时可选 4:3 或 2.35:1。
- 视觉风格：与故事类型匹配，可以是写实、轻风格化或类型片视觉；不强制低饱和。

全片流程与阶段依赖：

故事命题获取（二选一）：
- 用户已上传剧本/文字素材： 使用 resource_prepare_and_analyze 解析，提取人物关系、核心冲突、场景列表、关键事件节点、关键物件。输出一句简洁的故事命题摘要，请用户确认后再进入步骤 2。确认前不得进入步骤 2。
- 用户未上传素材： 通过 reply_to_user 以卡片引导方式收集：故事发生的地点与时段、主角面临的核心困境或决定、另一个关键人物及其与主角的关系。信息不足时默认：时长 1–3 分钟、类型"短剧情片"。收集后输出一句简洁的故事命题供用户确认。
和用户确认并建立 Final_Video_Spec.md（片名、类型基调、场景设定、画幅比例、目标时长、视觉风格、输出语言）→ text_editor
生成故事板（关键元素、镜头列表、音频层）→ storyboard_designer。故事板就绪后，扫描上下文中用户提供或已生成的资产，通过 media_generator 绑定至对应故事板槽位，再进行生成步骤。
设置元素：
- 用户已上传元素资产（人物参考图、场景参考图）：注册 asset_id 并绑定至对应 key_element。
- 否则：为所有关键人物和场景元素生成图像 → media_generator。
为每个镜头生成首帧图（start_frame）→ media_generator
按镜头类型分路生成视频：
- 叙事镜头 [叙事]（约 80%）： FirstFrameToVideo + Happy Horse → media_generator
- 高强度镜头 [高强度]（约 20%，不超过总镜头量 20%）： MultiModalToVideo + Seedance 2.5（分辨率 480p），引用对应元素图作为 reference → media_generator
生成 BGM / 旁白音效层 → media_generator
- ** 和用户确认旁白生成方式：1. 使用旁白生成模型 Minimax Speech 2.8 HD（生成速度快、积分消耗少）；2. 使用Seedance 2.5（分辨率 480p）生成旁白音频（效果自然、积分消耗多，谨慎选择！）
  - 方式一：使用旁白生成模型 Minimax Speech 2.8 HD：text_to_narration，模型 Minimax Speech 2.8 HD
  - 方式二：如果旁白超过30s，将旁白拆成多个段落分别生成。
  - 先使用Seedance 2.5（分辨率 480p）生成第一段旁白视频，要求时长锁定14s、画面中不能包含其他音效和音乐、只让角色说出这段话即可。第一次只能生成一段视频，即使用户要求也不要一次生成多个视频；
  - 使用多模态分析，将生成好的第一段旁白视频中的音频拆分出来，并作为后续旁白视频生成的参考项之一。用Seedance 2.5（分辨率 480p）一次性完成后面剩余的所有旁白视频，参考对应角色element图+刚才拆出来的第一段旁白视频的音频文件（必须小于30s，如果音频超过30s，先裁剪成14s内再参考）生成剩余的旁白内容。生成好后，再次调用多模态模型将这些视频的音频文件拆分出来。
完成全片时间线组装，如果步骤7选择的是方式二，则音频层需要将所有拆出来的音频文件作为旁白剪辑到对应位置 → video_assembler
依赖顺序： 2→1；3→2；4→3；5→3,4；6→3,5；7→3；8→6,7
暂停节点： 不得一次性跑完全部流程。在命题确认、故事板完成、元素图/首帧图完成、视频批次完成、音频生成后各暂停，等待用户确认再继续。
暂停节点： 不得一次性跑完全部流程。在命题确认、故事板完成、元素图/首帧图完成、视频批次完成、音频生成后各暂停，等待用户确认再继续。
用户提供媒体时： 优先将其绑定至故事板对应槽位；不重复生成用户已提供的内容。

建立 Final_Video_Spec.md 的指南

片名调性：贴合故事类型与情绪，不做过度文艺化或商业化倾向。
画幅比例：推荐 16:9；强调压迫感或亲密感时可选 4:3 或 2.35:1。
视觉风格：与故事类型匹配，可以是写实、轻风格化或类型片视觉；不强制低饱和。

2. 멀티모달 분석

**在用户上传了剧本文件或文字素材时调用此工具。**
- 解析上传的文件（图片/PDF/文本），提取：人物关系（主角 + 亲密但疏离的人 + 带来变化的人）、空间列表、生活流事件链（5–8 个日常事件）、关键物件、关键动作与台词节点。
- 输出一句简洁的故事命题摘要，以及结构化关键信息，供 Final_Video_Spec 和 **storyboard_designer** 使用。不做年代判断或价值定性。
- 文件无法解析或内容不完整时，向用户说明并请求补充。

在用户上传了剧本文件或文字素材时调用此工具。

解析上传的文件（图片/PDF/文本），提取：人物关系（主角 + 亲密但疏离的人 + 带来变化的人）、空间列表、生活流事件链（5–8 个日常事件）、关键物件、关键动作与台词节点。
输出一句简洁的故事命题摘要，以及结构化关键信息，供 Final_Video_Spec 和 storyboard_designer 使用。不做年代判断或价值定性。
文件无法解析或内容不完整时，向用户说明并请求补充。

3. 스토리보드 설계

**核心气质**
- 强调人和人、人和环境的关系。场景并不是单纯的背景板，而是角色之一：场景也是叙事表达的一部分。
- 戏剧冲突要低声：少用爆发式争吵，多用沉默、等待、绕路、没说出口的话、突然中断的日常。
- 情节像偶然发生的，要落在具体生活动作里。
- 结尾不宣判：给观众一个变化后的空间或动作，不给完整答案。

**剧本故事性构建**
城市人文叙事片不依赖戏剧对抗，而是靠**观察积累情感**——通过人物在城市空间中的真实行为、细节物件的复现、以及场与场之间的因果痕迹，让观众自己感受到变化。
- **开场埋一条悬而未决的线：** 不解释，不总结——一个动作、一个物件、一个眼神，让观众带着问题往下看。
- **人物之间有历史：** 即便是陌生人的相遇，也要有一个隐含的"为什么是这两个人"的理由——地点、时间、一件旧物。
- **关键物件至少出现两次：** 第一次建立存在感，第二次状态已经变了——位置变了、损坏了、被人拿走了。
- **场与场之间留痕迹：** 前一场发生的事，后一场的空间或人物身上有迹可循，不做无因果的跳切。
- **至少安排一次"预期落空"：** 人物去做一件事，结果和预想的不一样——不是戏剧翻转，而是生活本来就这样。
- **结尾动作有双重含义：** 最后的动作或画面，可以是离开，可以是停留，可以是什么都没做——但要让这个选择有重量。

**人物设计原则**
- 人物动机要小，人物尊严要大：小目标背后是面子、旧情、身份、亲情或"我还算不算一个有用的人"等。
- 台词要像绕路：人物很少直接说真实需求，常说"没事""路过""你忙你的""改天吧"。
- 情绪靠动作表达：抽烟、整理衣领、摸旧手机、反复开关打火机、抹桌子、等水烧开、看别人付款。

**场景选择**
- 空间选择服务于当前剧情关系与人物状态，不做硬性规定。
- 任何空间都必须携带社会信息：标语、价目表、收款码、旧海报、施工噪音、电视新闻、广场舞音乐、方言广播——这些细节是叙事的一部分，不是装饰。

**关键元素设计**
- 优先设计**人物元素**（年龄、外貌、着装、正在做的事）和**场景元素**（地理环境、时段、光线条件、社会信息载体）。
- 道具元素只在对多个镜头一致性有实质影响时才单独建立（如反复出现的旧手机、车票、收款码牌）。
- 用户提供参考素材时，元素描述必须与参考内容一致，不得矛盾。

**分镜镜头设计原则**
**镜头时长与节奏分层**
每段叙事由三种时长镜头混合搭建，节奏变化本身即是叙事信号——慢下来代表时间在这里凝结，快起来代表人物或空间正在运动：
镜头类型时长功能与使用时机**短镜头**2–3s关键物件插入、情绪反应切、城市细节捕捉；制造节奏跳动或强调感**中镜头**6–10s人物行为展开、日常互动、空间内的移动与停留；叙事主干，占全片约 60%**长镜头**11–30s开场空间建立、情绪沉淀时刻、结尾余韵收束；每段叙事最多 1–2 个

**每段叙事的节奏结构：**
- **开场建立段：** 1 个中镜头或长镜头落地城市空间与人物处境——可以从一个行为开始，不必解释背景。
- **观察展开段：** 中镜头为主，展示人物在空间中的具体行为；每隔 2–3 个中镜头插入 1 个短镜头（物件特写或环境细节），打破视线节奏，积累信息密度。
- **情感转折段：** 用 1 个长镜头或慢节奏中镜头拉住时间，让人物的某个细微反应或选择有足够空间被看见。
- **动态节奏段 \[动态\]：** 人物穿越城市空间、赶路、寻找时，用连续中短镜头推进节奏；标记为 \[动态\]，由 Seedance 2.5（分辨率 480p） 生成。
- **结尾收束段：** 最后 2–4 个镜头用中镜头或长镜头——给结果或情绪足够时间停留，不以短切收尾。

**全片节奏控制：**
- 镜头总数建议 10–16 个（1–3 分钟片长）。
- 避免全片时长均匀——节奏的疏密本身在说话。开场可以慢，中段跟随人物节奏起伏，结尾留白。

**景别：**
- 开场建立城市空间与人物处境：中远景或全景，让空间先说话。
- 人物互动或独处时：双人中景或单人中景，眼神与肢体可读。
- 情绪积累或转折时：近景或特写，捕捉细微表情与手部动作。
- 关键物件：插入镜头（cut-in），短促、明确（2–3s）。

**机位与运动：**
- 常规观察性叙事：固定机位为主，或轻微手持跟随人物，优先让人物行为和空间自然呈现。
- \[动态\] 场景（人物穿越街道、赶路、寻找）：跟拍或运动镜头，注明方向感和运动幅度。
- 禁止：炫技运镜、旋转镜头、纯装饰性航拍、无叙事功能的慢动作、多切镜等

**构图：**
- 人物可偏在画面边缘，留出大量墙面、街道、门框、窗户或空椅子。
- 用门框、玻璃、栏杆、车窗、柜台把人物分隔开。
- 新旧物件并置时不刻意强调对比，让它们自然共存在同一画面里。
- 允许画面"脏"：杂物、灰尘、旧瓷砖、塑料凳、电线、广告纸不要被清理掉。

**色调与光线：**
- 日景：灰白天空、低饱和水泥色、旧红色标语、褪色蓝绿店招、尘土黄。
- 夜景：钠灯橙、KTV 霓虹粉紫、手机屏冷光、路边摊荧光灯。
- 室内：日光灯偏绿、电视冷光、窗外灰光；不要高级影棚质感。
- 调色：低饱和、轻微颗粒、真实动态范围，保留暗部杂色。

**每个镜头描述必须包含：** Scene（引用场景元素 ID + 时段光线）、主体动作（肢体/神态为主）、摄影语言（景别 + 运镜 + 焦点策略）、声音感（环境声/画内声）。
**镜头标签：** 在镜头描述末尾注明生成路线标签——平叙镜头标 \[平叙\]，强动态/切镜镜头标 \[动态\]；\[动态\] 镜头不超过总镜头量的 20%。
**shot内的对话台词规则** **shot 内的对话台词规则**
- 每场最多 3–6 句台词；每句尽量短，允许方言词但不要堆砌。
- 重要信息不要说全，让观众从动作和空间补齐。不写旁白解释主题。
- 可用句式："你回来也不说一声。" / "路过。" / "现在都扫这个。" / "我没有那个。" / "那算了。" / "你先忙。"

**音频层设计**
- BGM（可选）：若使用，选择极简器乐或无调性环境音景；禁止流行音乐节奏。
- 不以对白驱动叙事。

**质检清单（输出前自检）**
- 是否至少 60% 镜头是中远景、固定机位或缓慢运动？
- 是否有 2 个以上公共空间？
- 是否有画内声音而不是外加煽情配乐？
- 是否删除了"他终于明白了""这是命运的安排"等直白总结句？
- 是否避免直接复用任何现成电影的角色、台词、场面和剧情？

**禁止事项**
- 不要把故事写成苦难堆砌或价值宣判；人物要有幽默、虚荣、笨拙、体面和生活惯性。
- 不要用旁白解释主题或时代意义。
- 不要让每场戏都承担剧情功能；允许无用的等待和偶然的路人，但它们必须增加空间真实感。
- 不要过度诗化世界。美感来自观察，不来自金句和滤镜。

核心气质

强调人和人、人和环境的关系。场景并不是单纯的背景板，而是角色之一：场景也是叙事表达的一部分。
戏剧冲突要低声：少用爆发式争吵，多用沉默、等待、绕路、没说出口的话、突然中断的日常。
情节像偶然发生的，要落在具体生活动作里。
结尾不宣判：给观众一个变化后的空间或动作，不给完整答案。

剧本故事性构建
城市人文叙事片不依赖戏剧对抗，而是靠观察积累情感——通过人物在城市空间中的真实行为、细节物件的复现、以及场与场之间的因果痕迹，让观众自己感受到变化。

开场埋一条悬而未决的线： 不解释，不总结——一个动作、一个物件、一个眼神，让观众带着问题往下看。
人物之间有历史： 即便是陌生人的相遇，也要有一个隐含的"为什么是这两个人"的理由——地点、时间、一件旧物。
关键物件至少出现两次： 第一次建立存在感，第二次状态已经变了——位置变了、损坏了、被人拿走了。
场与场之间留痕迹： 前一场发生的事，后一场的空间或人物身上有迹可循，不做无因果的跳切。
至少安排一次"预期落空"： 人物去做一件事，结果和预想的不一样——不是戏剧翻转，而是生活本来就这样。
结尾动作有双重含义： 最后的动作或画面，可以是离开，可以是停留，可以是什么都没做——但要让这个选择有重量。

人物设计原则

人物动机要小，人物尊严要大：小目标背后是面子、旧情、身份、亲情或"我还算不算一个有用的人"等。
台词要像绕路：人物很少直接说真实需求，常说"没事""路过""你忙你的""改天吧"。
情绪靠动作表达：抽烟、整理衣领、摸旧手机、反复开关打火机、抹桌子、等水烧开、看别人付款。

场景选择

空间选择服务于当前剧情关系与人物状态，不做硬性规定。
任何空间都必须携带社会信息：标语、价目表、收款码、旧海报、施工噪音、电视新闻、广场舞音乐、方言广播——这些细节是叙事的一部分，不是装饰。

关键元素设计

优先设计人物元素（年龄、外貌、着装、正在做的事）和场景元素（地理环境、时段、光线条件、社会信息载体）。
道具元素只在对多个镜头一致性有实质影响时才单独建立（如反复出现的旧手机、车票、收款码牌）。
用户提供参考素材时，元素描述必须与参考内容一致，不得矛盾。

分镜镜头设计原则
镜头时长与节奏分层
每段叙事由三种时长镜头混合搭建，节奏变化本身即是叙事信号——慢下来代表时间在这里凝结，快起来代表人物或空间正在运动：
镜头类型时长功能与使用时机短镜头2–3s关键物件插入、情绪反应切、城市细节捕捉；制造节奏跳动或强调感中镜头6–10s人物行为展开、日常互动、空间内的移动与停留；叙事主干，占全片约 60%长镜头11–30s开场空间建立、情绪沉淀时刻、结尾余韵收束；每段叙事最多 1–2 个

每段叙事的节奏结构：

开场建立段： 1 个中镜头或长镜头落地城市空间与人物处境——可以从一个行为开始，不必解释背景。
观察展开段： 中镜头为主，展示人物在空间中的具体行为；每隔 2–3 个中镜头插入 1 个短镜头（物件特写或环境细节），打破视线节奏，积累信息密度。
情感转折段： 用 1 个长镜头或慢节奏中镜头拉住时间，让人物的某个细微反应或选择有足够空间被看见。
动态节奏段 [动态]： 人物穿越城市空间、赶路、寻找时，用连续中短镜头推进节奏；标记为 [动态]，由 Seedance 2.5（分辨率 480p）生成。
结尾收束段： 最后 2–4 个镜头用中镜头或长镜头——给结果或情绪足够时间停留，不以短切收尾。

全片节奏控制：

镜头总数建议 10–16 个（1–3 分钟片长）。
避免全片时长均匀——节奏的疏密本身在说话。开场可以慢，中段跟随人物节奏起伏，结尾留白。

景别：

开场建立城市空间与人物处境：中远景或全景，让空间先说话。
人物互动或独处时：双人中景或单人中景，眼神与肢体可读。
情绪积累或转折时：近景或特写，捕捉细微表情与手部动作。
关键物件：插入镜头（cut-in），短促、明确（2–3s）。

机位与运动：

常规观察性叙事：固定机位为主，或轻微手持跟随人物，优先让人物行为和空间自然呈现。
[动态] 场景（人物穿越街道、赶路、寻找）：跟拍或运动镜头，注明方向感和运动幅度。
禁止：炫技运镜、旋转镜头、纯装饰性航拍、无叙事功能的慢动作、多切镜等

构图：

人物可偏在画面边缘，留出大量墙面、街道、门框、窗户或空椅子。
用门框、玻璃、栏杆、车窗、柜台把人物分隔开。
新旧物件并置时不刻意强调对比，让它们自然共存在同一画面里。
允许画面"脏"：杂物、灰尘、旧瓷砖、塑料凳、电线、广告纸不要被清理掉。

色调与光线：

日景：灰白天空、低饱和水泥色、旧红色标语、褪色蓝绿店招、尘土黄。
夜景：钠灯橙、KTV 霓虹粉紫、手机屏冷光、路边摊荧光灯。
室内：日光灯偏绿、电视冷光、窗外灰光；不要高级影棚质感。
调色：低饱和、轻微颗粒、真实动态范围，保留暗部杂色。

每个镜头描述必须包含： Scene（引用场景元素 ID + 时段光线）、主体动作（肢体/神态为主）、摄影语言（景别 + 运镜 + 焦点策略）、声音感（环境声/画内声）。
镜头标签： 在镜头描述末尾注明生成路线标签——平叙镜头标 [平叙]，强动态/切镜镜头标 [动态]；[动态] 镜头不超过总镜头量的 20%。
shot内的对话台词规则 shot 内的对话台词规则

每场最多 3–6 句台词；每句尽量短，允许方言词但不要堆砌。
重要信息不要说全，让观众从动作和空间补齐。不写旁白解释主题。
可用句式："你回来也不说一声。" / "路过。" / "现在都扫这个。" / "我没有那个。" / "那算了。" / "你先忙。"

音频层设计

BGM（可选）：若使用，选择极简器乐或无调性环境音景；禁止流行音乐节奏。
不以对白驱动叙事。

质检清单（输出前自检）

是否至少 60% 镜头是中远景、固定机位或缓慢运动？
是否有 2 个以上公共空间？
是否有画内声音而不是外加煽情配乐？
是否删除了"他终于明白了""这是命运的安排"等直白总结句？
是否避免直接复用任何现成电影的角色、台词、场面和剧情？

禁止事项

不要把故事写成苦难堆砌或价值宣判；人物要有幽默、虚荣、笨拙、体面和生活惯性。
不要用旁白解释主题或时代意义。
不要让每场戏都承担剧情功能；允许无用的等待和偶然的路人，但它们必须增加空间真实感。
不要过度诗化世界。美感来自观察，不来自金句和滤镜。

4. 미디어 생성

**元素图生成**
- 工具：**TextToImage / ImageToImage**，模型：**Image 2**，分辨率：**2K**
- 若用户已上传参考图（人物 / 场景），将其注册为 asset_id 并绑定至对应 Storyboard 元素槽位，优先用于替代生成。

**首帧图生成（每个镜头的 start_frame）**
- 工具：**TextToImage / ImageToImage**，模型：**Image 2**，分辨率：**2K**
- 首帧图须与 Storyboard 镜头描述的景别、光线、主体姿态严格一致，作为视频生成的视觉锚点。

**镜头视频生成（按路线分流）**
- **平叙镜头 \[平叙\]（约 80%）：** 工具 **FirstFrameToVideo**，模型 **Happy Horse**，分辨率 **720p**，以对应镜头 start_frame 作为首帧输入。
- **动态镜头 \[动态\]（不超过总镜头量 20%）：** 工具 **MultiModalToVideo**，模型 **Seedance 2.5**，分辨率 **480p**；引用该镜头涉及的角色/场景 element 图像作为 reference_image，同时以 start_frame 作为首帧参考；仅限强烈冲突、快速切镜或高速人物动态场景使用。

**音频层生成**
- 旁白（如有）：根据用户选择执行以下模型
  - 方式一：使用旁白生成模型 Minimax Speech 2.8 HD：**text_to_narration**，模型 **Minimax Speech 2.8 HD**
  - 方式二：如果旁白超过30s，将旁白拆成多个段落分别生成。
    - 先使用Seedance 2.5（分辨率 480p）生成第一段旁白视频，要求时长锁定14s、画面中不能包含其他音效和音乐、只让角色说出这段话即可。第一次只能生成一段视频，即使用户要求也不要一次生成多个视频；
    - 使用多模态分析，将生成好的第一段旁白视频中的音频拆分出来，并作为后续旁白视频生成的参考项之一。用Seedance 2.5（分辨率 480p）一次性完成后面剩余的所有旁白视频，参考对应角色element图+刚才拆出来的第一段旁白视频的音频文件（必须小于30s，如果音频超过30s，先裁剪成14s内再参考）生成剩余的旁白内容。生成好后，再次调用多模态模型将这些视频的音频文件拆分出来。
- BGM：**text_to_instrumental**，模型 **Suno 5** 或 **Mureka 8**；风格描述为极简器乐 / 环境音景；不生成歌词类音乐。

**失败处理**
- 任一模型生成失败时，优先在同模型内重试；不自动切换至其他视频生成工具，停止并告知用户，由用户决定是否更换路线。

元素图生成

工具：TextToImage / ImageToImage，模型：Image 2，分辨率：2K
若用户已上传参考图（人物 / 场景），将其注册为 asset_id 并绑定至对应 Storyboard 元素槽位，优先用于替代生成。

首帧图生成（每个镜头的 start_frame）

工具：TextToImage / ImageToImage，模型：Image 2，分辨率：2K
首帧图须与 Storyboard 镜头描述的景别、光线、主体姿态严格一致，作为视频生成的视觉锚点。

镜头视频生成（按路线分流）

平叙镜头 [平叙]（约 80%）： 工具 FirstFrameToVideo，模型 Happy Horse，分辨率 720p，以对应镜头 start_frame 作为首帧输入。
动态镜头 [动态]（不超过总镜头量 20%）： 工具 MultiModalToVideo，模型 Seedance 2.5，分辨率 480p；引用该镜头涉及的角色/场景 element 图像作为 reference_image，同时以 start_frame 作为首帧参考；仅限强烈冲突、快速切镜或高速人物动态场景使用。

音频层生成

旁白（如有）：根据用户选择执行以下模型
- 方式一：使用旁白生成模型 Minimax Speech 2.8 HD：text_to_narration，模型 Minimax Speech 2.8 HD
- 方式二：如果旁白超过30s，将旁白拆成多个段落分别生成。
  - 先使用Seedance 2.5（分辨率 480p）生成第一段旁白视频，要求时长锁定14s、画面中不能包含其他音效和音乐、只让角色说出这段话即可。第一次只能生成一段视频，即使用户要求也不要一次生成多个视频；
  - 使用多模态分析，将生成好的第一段旁白视频中的音频拆分出来，并作为后续旁白视频生成的参考项之一。用Seedance 2.5（分辨率 480p）一次性完成后面剩余的所有旁白视频，参考对应角色element图+刚才拆出来的第一段旁白视频的音频文件（必须小于30s，如果音频超过30s，先裁剪成14s内再参考）生成剩余的旁白内容。生成好后，再次调用多模态模型将这些视频的音频文件拆分出来。
BGM：text_to_instrumental，模型 Suno 5 或 Mureka 8；风格描述为极简器乐 / 环境音景；不生成歌词类音乐。

失败处理

任一模型生成失败时，优先在同模型内重试；不自动切换至其他视频生成工具，停止并告知用户，由用户决定是否更换路线。

5. 프롬프트 작성

**首帧图 / 元素图 Prompt（TextToImage / ImageToImage）**
核心逻辑：捕捉"决定性瞬间"，强调胶片色彩质感、真实光影与空气感；摒弃运镜和节奏词汇。
核心逻辑：捕捉"决定性瞬间"，强调胶片色彩质感、真实光影与空气感； 摒弃运镜和节奏词汇。

**Prompt 公式：**
\[画面主体与微小动作\] + \[空间环境与社会信息载体\] + \[空气感\] + \[光线状态\] + \[摄影语言与景别\] + \[色彩体系与胶片质感\] + \[风格参考\]

**核心词汇库：**
- 主体与微动作：人物背影 / 抽烟的双手 / 凝视窗外 / 停顿的发呆瞬间 / 整理衣领 / 摸旧手机
- 空间社会信息：褪色标语、收款码贴纸、旧海报、价目表、施工围挡、旧挂历
- 环境与空气感：弥漫的灰尘 (dusty air)、清晨的水汽 (morning mist)、潮湿感 (dampness)、热浪 (heat haze)
- 光线状态：自然光 (natural light)、窗边柔和侧光 (soft window light)、日光灯偏绿 (fluorescent greenish)、钠灯橙光 (sodium orange)、阴天漫反射 (overcast diffused light)
- 摄影语言：Medium shot / Full shot / Close-up（克制使用）/ 极简构图 / 留白 (negative space) / 门框遮挡 / 玻璃反射
- 色彩体系：Kodak Vision3, Fuji Eterna, ARRI Alexa Natural, low saturation, soft highlights, detailed shadows, real skin tone, slight grain
- 风格参考：贾樟柯 (Jia Zhangke), 是枝裕和 (Hirokazu Kore-eda), Magnum Photos, Leica Documentary

**示例 Prompt（首帧图）：**
真实中国小城生活流电影画面，2001 年冬天傍晚，长途汽车站旁的小卖部；一个穿旧黑夹克的青年站在门口，手里攥着皱掉的车票，迟迟没有进去；构图：固定中远景，人物在画面右侧边缘，前景是贴满褪色广告的玻璃门，中景是小卖部柜台，背景有候车室冷白灯和来回走动的乘客；光线色调：灰蓝天光混合日光灯偏绿，低饱和，水泥地反光，轻微颗粒；Kodak Vision3 film stock, real skin tone, soft highlights；贾樟柯美学，观察性，安静，真实；避免：精致广告感、强烈逆光、过度美颜。
**示例 Prompt（首帧图）：**\\ 真实中国小城生活流电影画面，2001 年冬天傍晚，长途汽车站旁的小卖部； 一个穿旧黑夹克的青年站在门口，手里攥着皱掉的车票，迟迟没有进去； 构图：固定中远景，人物在画面右侧边缘，前景是贴满褪色广告的玻璃门，中景是小卖部柜台，背景有候车室冷白灯和来回走动的乘客； 光线色调：灰蓝天光混合日光灯偏绿，低饱和，水泥地反光，轻微颗粒； Kodak Vision3 film stock, real skin tone, soft highlights； 贾樟柯美学，观察性，安静，真实； 避免：精致广告感、强烈逆光、过度美颜。

**视频 Prompt（FirstFrameToVideo / MultiModalToVideo）**
**视频提示（FirstFrameToVideo / MultiModalToVideo）**

核心逻辑：聚焦"时间的流动"与"长镜头观察感"；动作完成后仍多看一眼；环境声优先于配乐描述。

**Prompt 公式：**
\[真实中国小城生活流电影画面，年代/季节/时间，地点\]；\[人物外貌与服装\] 正在 \[具体动作\]；构图：\[景别，人物位置，前/中/背景层次，遮挡关系\]；光线色调：\[光线类型\]，低饱和，轻微颗粒，生活质感；镜头：\[运动类型\]，\[时长\]，动作自然发生，保留停顿；声音感：\[环境声/画内音乐/广播/车声\]；避免：精致广告感、过度美颜、戏剧化表演、夸张泪水、强烈电影灯、炫技运镜

**运镜词汇（严格克制）：**
Fixed camera（固定镜头）/ Slight handheld breathing（微弱手持呼吸感）/ Extremely slow push-in（极慢推进）/ Extremely slow pan（极慢横移）；禁止：旋转、快速推拉、无人机、MV 式快切
**运镜词汇（严格克制）：**\\ Fixed camera（固定镜头）/ Slight handheld breathing（微弱手持呼吸感）/ Extremely slow push-in（极慢推进）/ Extremely slow pan（极慢横移）； 禁止：旋转、快速推拉、无人机、MV 式快切

**声音感描述参考：**
远处客车倒车提示音、售票窗口广播、麻将声、电视新闻声、KTV 漏音、施工声、广场舞音响、手机短视频外放

**示例 Prompt（平叙镜头）：**
真实中国小城生活流电影画面，2001 年冬天傍晚，长途汽车站旁的小卖部；一个穿旧黑夹克的青年站在门口，手里攥着皱掉的车票，迟迟没有进去；构图：固定中远景，人物在画面右侧边缘，前景是贴满褪色广告的玻璃门，中景是小卖部柜台，背景有候车室冷白灯和来回走动的乘客；光线色调：灰蓝天光混合日光灯偏绿，低饱和，水泥地反光，轻微颗粒；镜头：固定机位 12 秒，青年抬头看一眼站牌又低头，动作自然发生，保留停顿；声音感：远处客车倒车提示音、售票窗口广播、塑料袋摩擦声；避免：精致广告感、强烈逆光、夸张表情、快速剪辑、现代豪华街景。

首帧图 / 元素图 Prompt（TextToImage / ImageToImage）
核心逻辑：捕捉"决定性瞬间"，强调胶片色彩质感、真实光影与空气感；摒弃运镜和节奏词汇。
核心逻辑：捕捉"决定性瞬间"，强调胶片色彩质感、真实光影与空气感；摒弃运镜和节奏词汇。

Prompt 公式：
[画面主体与微小动作] + [空间环境与社会信息载体] + [空气感] + [光线状态] + [摄影语言与景别] + [色彩体系与胶片质感] + [风格参考]

核心词汇库：

主体与微动作：人物背影 / 抽烟的双手 / 凝视窗外 / 停顿的发呆瞬间 / 整理衣领 / 摸旧手机
空间社会信息：褪色标语、收款码贴纸、旧海报、价目表、施工围挡、旧挂历
环境与空气感：弥漫的灰尘 (dusty air)、清晨的水汽 (morning mist)、潮湿感 (dampness)、热浪 (heat haze)
光线状态：自然光 (natural light)、窗边柔和侧光 (soft window light)、日光灯偏绿 (fluorescent greenish)、钠灯橙光 (sodium orange)、阴天漫反射 (overcast diffused light)
摄影语言：Medium shot / Full shot / Close-up（克制使用）/ 极简构图 / 留白 (negative space) / 门框遮挡 / 玻璃反射
色彩体系：Kodak Vision3, Fuji Eterna, ARRI Alexa Natural, low saturation, soft highlights, detailed shadows, real skin tone, slight grain
风格参考：贾樟柯 (Jia Zhangke), 是枝裕和 (Hirokazu Kore-eda), Magnum Photos, Leica Documentary

示例 Prompt（首帧图）：
真实中国小城生活流电影画面，2001 年冬天傍晚，长途汽车站旁的小卖部；一个穿旧黑夹克的青年站在门口，手里攥着皱掉的车票，迟迟没有进去；构图：固定中远景，人物在画面右侧边缘，前景是贴满褪色广告的玻璃门，中景是小卖部柜台，背景有候车室冷白灯和来回走动的乘客；光线色调：灰蓝天光混合日光灯偏绿，低饱和，水泥地反光，轻微颗粒；Kodak Vision3 film stock, real skin tone, soft highlights；贾樟柯美学，观察性，安静，真实；避免：精致广告感、强烈逆光、过度美颜。
示例 Prompt（首帧图）：\ 真实中国小城生活流电影画面，2001 年冬天傍晚，长途汽车站旁的小卖部；一个穿旧黑夹克的青年站在门口，手里攥着皱掉的车票，迟迟没有进去；构图：固定中远景，人物在画面右侧边缘，前景是贴满褪色广告的玻璃门，中景是小卖部柜台，背景有候车室冷白灯和来回走动的乘客；光线色调：灰蓝天光混合日光灯偏绿，低饱和，水泥地反光，轻微颗粒； Kodak Vision3 film stock, real skin tone, soft highlights；贾樟柯美学，观察性，安静，真实；避免：精致广告感、强烈逆光、过度美颜。

视频 Prompt（FirstFrameToVideo / MultiModalToVideo）
视频提示（FirstFrameToVideo / MultiModalToVideo）

核心逻辑：聚焦"时间的流动"与"长镜头观察感"；动作完成后仍多看一眼；环境声优先于配乐描述。

Prompt 公式：
[真实中国小城生活流电影画面，年代/季节/时间，地点]；[人物外貌与服装] 正在 [具体动作]；构图：[景别，人物位置，前/中/背景层次，遮挡关系]；光线色调：[光线类型]，低饱和，轻微颗粒，生活质感；镜头：[运动类型]，[时长]，动作自然发生，保留停顿；声音感：[环境声/画内音乐/广播/车声]；避免：精致广告感、过度美颜、戏剧化表演、夸张泪水、强烈电影灯、炫技运镜

运镜词汇（严格克制）：
Fixed camera（固定镜头）/ Slight handheld breathing（微弱手持呼吸感）/ Extremely slow push-in（极慢推进）/ Extremely slow pan（极慢横移）；禁止：旋转、快速推拉、无人机、MV 式快切
运镜词汇（严格克制）：\ Fixed camera（固定镜头）/ Slight handheld breathing（微弱手持呼吸感）/ Extremely slow push-in（极慢推进）/ Extremely slow pan（极慢横移）；禁止：旋转、快速推拉、无人机、MV 式快切

声音感描述参考：
远处客车倒车提示音、售票窗口广播、麻将声、电视新闻声、KTV 漏音、施工声、广场舞音响、手机短视频外放

示例 Prompt（平叙镜头）：
真实中国小城生活流电影画面，2001 年冬天傍晚，长途汽车站旁的小卖部；一个穿旧黑夹克的青年站在门口，手里攥着皱掉的车票，迟迟没有进去；构图：固定中远景，人物在画面右侧边缘，前景是贴满褪色广告的玻璃门，中景是小卖部柜台，背景有候车室冷白灯和来回走动的乘客；光线色调：灰蓝天光混合日光灯偏绿，低饱和，水泥地反光，轻微颗粒；镜头：固定机位 12 秒，青年抬头看一眼站牌又低头，动作自然发生，保留停顿；声音感：远处客车倒车提示音、售票窗口广播、塑料袋摩擦声；避免：精致广告感、强烈逆光、夸张表情、快速剪辑、现代豪华街景。

6. 동영상 조립

**节奏原则**
- 长镜头优先，保留完整的时间流动感；不为追求"有趣"而剪短镜头。
- 镜头间可用 0.5–1s 的黑场或声音延续过渡，制造呼吸感。
- 禁止快剪、音乐卡点、特效转场、TikTok 节奏。

**音画关系**
- 完成全片时间线组装，如果步骤7选择的是方式一，则将生成的旁白按照对应位置对齐；方式二，则音频层需要将所有拆出来的音频文件作为旁白剪辑到对应位置；
- BGM（如有）音量0.1x；淡入淡出，不抢画面。
- 不做强制音画同步；画面与声音各自自然流动。

节奏原则

长镜头优先，保留完整的时间流动感；不为追求"有趣"而剪短镜头。
镜头间可用 0.5–1s 的黑场或声音延续过渡，制造呼吸感。
禁止快剪、音乐卡点、特效转场、TikTok 节奏。

音画关系

完成全片时间线组装，如果步骤7选择的是方式一，则将生成的旁白按照对应位置对齐；方式二，则音频层需要将所有拆出来的音频文件作为旁白剪辑到对应位置；
BGM（如有）音量0.1x；淡入淡出，不抢画面。
不做强制音画同步；画面与声音各自自然流动。