Enter a clay world

粘土风场景短片制作阶段逻辑
启动方式判断

• 用户上传了真实照片（场景实拍）→ 进入"照片参考启动"流程：先解析照片，提取空间结构和展示区域划分，作为故事板设计依据。
• 用户未上传照片 → 通过两轮卡片收集核心信息后由 AI 起草剧本和场景描述。
  完整制作阶段
  阶段 1 — 信息收集与剧本确认
• 若用户已上传照片：使用 resource_prepare_and_analyze 解析照片，识别空间结构、主要展示区域和关键物件，输出摘要供用户确认。
• 若用户未上传照片：通过两轮卡片收集 ① 短片主题/故事核心；② 主要展示区域（2–5个）；③ 视觉基调（治愈/简约/复古/活泼等）；④ 时长（30s/60s/90s）。
• 询问用户是否需要旁白口播（VO）：有旁白 → 由 AI 起草完整旁白脚本（口播自述视角，为每个展示区域分配对应旁白段落），输出供用户审阅确认；无旁白 → 跳过脚本起草，阶段 4、5 整体跳过，BGM 作为唯一音频层。
• 检查点： 主题/场景信息及旁白意愿确认后方可进入阶段 2。
  阶段 1b — 实拍照片粘土化（仅当用户上传了真实照片时执行）
• 使用 media_generator（ImageToImage）将用户上传的实拍照片逐张转换为粘土风图像：3D粘土动画风格、手工捏制纹理、圆润造型、温暖柔光。
• 生成规格：与原图画幅一致（默认 16:9），2K 分辨率；每张实拍图对应生成一张粘土风版本。
• 生成完成后将粘土风图注册为独立资产，作为后续故事板 key_element 描述参考和阶段 3b 转场动效的目标帧。
• 检查点： 展示粘土化结果，请用户确认视觉风格后再进入阶段 2。
  阶段 2 — 规格文档与故事板
• 根据确认内容写入 Final_Video_Spec.md（标题、类型、画幅 16:9、时长、视觉风格：3D粘土动画风、语言、模型偏好）→ text_editor。
• 使用 storyboard_designer 生成故事板：包含角色 key_element、各展示区域场景 key_element、分镜 shot_list、音频层（旁白 + BGM）。
• 检查点： 故事板输出后暂停，邀请用户确认结构后再继续。
  阶段 3 — 元素资产生成（角色 + 场景）
• 若用户已上传角色参考图 → 通过 media_generator 直接绑定为对应 key_element 资产，不重复生成。
• 若未上传 → 生成粘土风角色参考图（白色背景，全身，细节清晰）。
• 为每个展示区域场景元素生成多视角粘土风图（正面全景、侧面近景、俯瞰、细节特写），可选合并为 16:9 拼图供后续参考。
• 检查点： 元素图生成完毕后暂停，确认视觉风格一致后继续。
  阶段 3b — 转场动效（可选，适用于有实拍照片的项目）
• 若用户有真实场景照片 + 对应粘土风图 → 使用 media_generator（Seedance 2.5，MultiModalToVideo）生成"真实世界→粘土世界"的渐变转场视频，作为开场或片段过渡。
• 输出规格：16:9，480p，5–7秒。
  阶段 4 — 音色锚点建立（仅当用户选择有旁白时执行）
• 询问用户是否有音色参考文件可上传。
  • 有 → 通过 media_generator 注册并绑定到角色 key_element_audio。
  • 无 → 提供两路选择（卡片说明积分差异）：
    • 路径 A（推荐，消耗积分少）： 使用 TextToSpeech，从剧本中为角色选取约 3–5 秒台词生成语音样本，注册并绑定为 key_element_audio（此步骤仅建立音色锚点，与阶段 5 完整旁白 VO 分开处理）。
    • 路径 B（消耗积分较多，需提示用户）： 使用 Seedance 2.5（MultiModalToVideo），参考角色 key_element 图像生成约 5 秒角色开口讲话视频；再通过 resource_prepare_and_analyze 从视频中提取音频，注册并绑定为 key_element_audio。
      阶段 5 — 旁白 VO 生成（仅当用户选择有旁白时执行）
• 生成完整旁白口播音频，语气温和亲切、节奏舒缓。
• 若有音色参考，以其为音色基础生成；若无，使用 TextToSpeech 标准人声。
  阶段 6 — 分镜视频生成
• 依次为每个 shot 生成视频，Seedance 2.5 为首选模型。
• 每个 shot 参考对应场景的 key_element 图像作为视觉输入；有旁白时，角色出现的镜头同时引入 key_element_audio 保证跨镜头音色一致。
• 检查点： 每批次（建议每 3–4 个 shot）生成后暂停，用户确认后继续。
  阶段 7 — BGM 生成
• 根据短片主题和基调生成匹配的背景音乐（60秒+循环版），作为全片底层 BGM。
• 默认风格：轻柔治愈的 Acoustic/Lo-Fi；可依据用户主题调整为其他合适风格（如城市感 Indie、儿童感 Jingle、自然感 Ambient 等）。
  阶段 8 — 最终剪辑与导出
• 使用 video_assembler 将所有 shot 视频和 BGM 组合为最终时间轴；有旁白时，同步加入旁白 VO，旁白节奏与分镜时间对齐，BGM 从头覆盖全片。
• 最终剪辑完成后邀请用户导出。
  依赖关系： 1b→1（仅有实拍照片时）；2→1,1b；3→2；3b→1b,3；4→3（仅有旁白时）；5→4（仅有旁白时）；6→2,3,（有旁白时还需4,5）；7→2；8→3,6,7,（有旁白时还需5）。
  暂停节奏： 不要一口气完成所有阶段。在剧本确认、故事板生成、元素图生成、音色确认、分镜视频每批生成后各暂停一次，等用户确认再推进。

参考资料解析规则
真实场景照片解析

• 识别画面中的空间功能区或展示区域（如表演区、陈列区、工作区、休闲区等），提取其位置关系和视觉特征。
• 记录关键物品细节：物件种类、颜色、材质、布置风格、特色摆件或装置，这些细节将直接转化为故事板 key_element 描述。
• 判断自然光方向与色温（黄金时刻、阴天散射、人工光源等），作为粘土风场景的打光参考。
• 输出结构化摘要：空间布局 → 各展示区域特征 → 关键物品列表 → 推荐粘土化处理建议。
  角色参考图解析
• 提取角色的体型、肤色、发型、服装颜色与款式、配饰等特征，作为粘土风角色 key_element 描述的基础。
• 记录多张参考图中的差异（如正面/侧面/白底图），标注哪张图最适合作为生成主参考（通常选白底全身图）。

故事板设计规则
视觉风格全局定义

• 全片统一使用 3D粘土动画风（Claymation）：微缩模型质感，表面有手工捏制纹理，圆润可爱造型，色彩饱满鲜明，温暖柔光打光，类似定格动画的停格质感。
• 背景环境均为粘土化微缩空间，真实感物品须在描述中强调"粘土质感"（如"粘土质感的水珠"、"粘土压纹的叶片"、"粘土感砖墙纹理"）。
  Key Elements 规则
• 必须为每个展示区域或场景（如咖啡馆吧台、城市街角、工作室桌面等）建立独立的 key_element，描述应包含：空间构成、主要物品及其粘土化特征、灯光氛围、背景环境。
• 若有角色出现，为主角建立角色 key_element，描述应包含：粘土质感肤色、发型质感、服装颜色与款式、鞋款、配饰。
• 每个角色 key_element 预留 key_element_audio 槽位，用于绑定音色参考（适用于有口播旁白的角色）。
  Shot 结构规则
• 每个展示区域对应 1–3 个 shot，采用"内部剪切"结构：shot 描述中须明确时间节点（如 0–4s 全景，4–7s 特写），每个 shot 时长 5–10 秒。
• 典型 shot 结构：① 建立镜头（全景/中景）展示区域环境 → ② 近景/特写捕捉关键细节或角色互动。
• 开场 shot 建议使用"全景拉远"运镜建立整体场景环境，结尾 shot 使用画面渐隐淡出。
  音频层规则
• 必须包含 BGM 层：与主题匹配的轻柔背景音乐，全片覆盖。若用户选择有旁白，还须包含旁白（VO）层：温和亲切口吻的叙述者自述，分段与各 shot 精确对齐；无旁白时仅保留 BGM 单音频层。
• 旁白层（如有）描述须包含完整脚本文本，每个 shot 的 audio_alignment 字段须精确标注对应旁白句段。

生成策略
图像生成（场景 key_element 图）

• 场景多视角图优先使用 ImageToImage（Nano Banana 2 / Gemini Flash Image），以用户上传的真实照片或已有参考图为输入，生成4个视角：正面全景、侧面近景、俯瞰视角、细节特写，规格 2K 16:9。
• 角色参考图使用白色背景、全身展示，优先使用 ImageToImage 基于用户上传图生成，无上传图时使用 TextToImage。
• 多视角拼图（宫格展示）使用 ImageToImage（Nano Banana Pro / Gemini Pro Image），将4张视角图拼合为一张 16:9 展示图，注册为独立资产绑定到对应 key_element。
  视频生成（分镜 shot）
• 优先模型：Seedance 2.5，路径 MultiModalToVideo，规格 16:9，480p，时长按 shot 描述（最低 4 秒）。
• 每个 shot 必须将对应场景的 key_element 图像作为 reference_image 输入；有旁白时，角色出现的 shot 同时引入 key_element_audio 作为音频条件，确保跨镜头音色一致。
• 若 Seedance 2.5 生成失败，优先在同工具内切换其他可用模型；若该工具下所有模型均失败，停止任务并告知用户，由用户决定是否切换路径。
  转场动效（真实→粘土）
• 若用户提供实拍照片 + 对应粘土风图，使用 MultiModalToVideo（Seedance 2.5），以实拍照片为起始 reference_image，粘土风图为目标 reference_image，生成渐变转场视频（5–7秒，16:9，480p）。
• 若 Seedance 2.5 生成失败，优先在同工具内切换其他可用模型；若均失败，停止并告知用户。
  旁白生成（仅当用户选择有旁白时执行）
• 默认使用 TextToSpeech 生成完整旁白 VO，选用与内容气质匹配的声线（依用户偏好及短片主题）。
• 若用户上传了音色参考，使用 MultiModalToAudio（Seed Audio 音色克隆路径）基于参考生成，保证音色一致性；Seed Audio voice_id 须通过 search_voice_id（service_provider = "seed_audio"）获取。
  BGM 生成
• 使用 text_to_instrumental 生成，风格根据短片主题灵活适配：
  • 居家/治愈类：Acoustic/Lo-Fi 吉他，节奏和缓，温暖纯净
  • 城市/街拍类：Indie Pop 或 Light Jazz，节奏轻快
  • 自然/户外类：Ambient 或 Folk，空灵舒展
  • 儿童/活泼类：轻快 Jingle 或 Toy Piano
• 时长 60 秒以上（配合循环）。
  Asset Binding Contract
• 遵循当前 manage_item_assets 合约，使用故事板中的实际目标 ID，不在 Skill 中另行定义 ID 模板。
• 生成前使用 query_assets_info 检查目标 asset_id 的当前绑定状态，避免覆盖已有有效资产。
• 用户上传的参考图/音频直接通过 manage_item_assets 注册并绑定到对应 key_element，不重复生成。
• key_element_audio 绑定完成后须 query_assets_info 验证绑定成功，再进行依赖该音色的 shot 视频生成；不得让无关视频生成步骤等待音色绑定。
• 多视角图（正面全景、侧面近景、俯瞰视角、细节特写）和拼图均作为独立资产绑定到对应 key_element，保留完整的 asset_bindings 数组。
• 每项绑定的类型与角色以资产实际用途和故事板规划位置为准，不得仅凭媒体标签推断绑定类型；一个资产服务多种用途时，须在完整 asset_bindings 数组中保留所有适用绑定。

Prompt 写作规则
粘土风图像 Prompt（通用基础）

• 开头必须明确风格标签：3D claymation style, stop-motion feel, handcrafted clay texture。
• 场景描述中须强调粘土材质特征：物体表面的指纹捏制纹理、圆润边缘、饱满色彩、温暖柔光（warm soft lighting）。
• 特写镜头 prompt 中强调材质细节：visible clay texture, smooth rounded forms, matte surface。
• 避免写入摄影/写实风格词汇（如 photorealistic、DSLR、lens flare），这会破坏粘土质感。
  🧍 人物粘土化 Prompt 规则
  人物的粘土化核心在于"体积感"和"表面质感归一化"，与场景侧重的"空间微缩感"不同，须分开处理：
• 皮肤/肤色： smooth matte clay skin, subtle hand-sculpted surface marks, semi-matte finish, soft diffuse highlight on nose tip and cheeks only；避免写实皮肤词汇（pores, subsurface scattering, skin texture）
• 头发： hair styled as clusters of round clay balls, thick and uniform, no individual strands, hard sculptural volume；避免丝状发丝、飘逸感
• 服装： clothing with exaggerated fabric thickness, rounded deep folds, pressed clay relief texture on surface；避免轻薄织物感、写实布料纹理
• 面部： large circular black eyes with single dot highlight, simplified nose bridge, smooth lip line, rounded thick ears, balanced cheerful expression
• 整体轮廓与体积： fully rounded silhouette, cylindrical limbs, solid full-bodied clay volume, no sharp edges anywhere
• 人物打光： soft top-side lighting, broad diffuse highlights, very gradual shadow transitions, indoor ambient warmth
• 人物色调： warm orange-yellow skin tone, medium color saturation, coordinated warm palette for clothing
  🏠 场景粘土化 Prompt 规则
  场景的粘土化核心在于"微缩模型感"和"材质统一转化"，每类材质有专属粘土化语言：
• 整体空间氛围： miniature diorama feel, slightly compressed perspective, all objects look like handcrafted clay models on a display shelf；推荐加入浅景深关键词：shallow depth of field, foreground and background slightly soft, tilt-shift miniature effect
• 木质家具： wood grain carved into clay surface, thick panel joints, slightly irregular edges, coarse hand-carved texture lines, solid weight
• 金属/电器物件： metallic clay surface with subtle dull sheen, rounded industrial shapes, soft curved corners replacing sharp edges, industrial coldness removed
• 玻璃/透明物件： thick transparent resin-like material, heavy rounded edges, frosted translucency, no thin glass effect
• 布艺（窗帘/地毯/沙发）： 窗帘：heavy draped clay fabric, wide cylindrical folds, rigid and sculptural, not flowing；地毯：woven clay strips texture, thick pressed clay mat, hand-cut edge effect
• 植物叶片： thick succulent clay leaves, rounded blunt leaf tips, matte surface with shallow carved vein lines, no paper-thin transparency
• 墙面/地面： 墙面：unevenly smoothed clay wall surface, hand-applied plaster texture；地面：thick clay floorboard planks, visible plank gaps with slight deformation at edges
• 打光与氛围： warm golden side-lighting at 45°, soft diffused glow, dappled shadow pattern on wall as key atmospheric detail
• 场景色调： warm earth-tone base (cream, tan, warm brown), saturated accent color blocks, cohesive warm filter overlay, medium-high saturation with low contrast
  🎬 转场动效 Prompt（真实→粘土）
• 分两层描述转化过程：starting with realistic photo texture and sharp details, gradually morphing: surfaces thicken and soften, sharp edges round off, colors warm up and saturate, final frame fully in claymation style
• 人物转场须额外说明：皮肤从写实质感过渡到哑光粘土面，发型从自然发丝转化为球形堆叠
• 场景转场须额外说明：硬质物件边角圆润化、木纹和织物从写实转为粘土压纹效果
  粘土风视频 Prompt
• 遵循"场景建立 → 运镜描述 → 关键动作/细节 → 氛围收尾"的四段结构。
• 运镜描述须具体：slow pull-back revealing、gentle orbit around subject、smooth push-in to close-up，避免泛泛写"镜头移动"。
• 角色动作描述保持温和治愈基调：自然微笑、轻柔触碰、慢节奏动作，避免夸张或快速动作词汇。
• 若旁白 VO 已规划为独立音频层，视频 prompt 中不得重复完整 VO 脚本；常驻否定词：no music、no subtitles。
  旁白 Prompt
• 提供完整脚本文本，不截断。
• 说明语气要求，依据短片主题适配：治愈类用温和亲切，语速和缓，带有治愈感；活泼类用轻快明朗，富有感染力；纪录类用沉稳真诚，娓娓道来。
• 若有音色参考，标注以音色参考为基础，输出的音调和节奏需与参考接近。

---

实拍照片转粘土风图像：通用母提示词
将用户提供的实拍照片，转换为一张高质量、统一风格、适合叙事和分镜使用的粘土风画面。请保留原图中的主体内容、空间结构、主要构图、视觉重点和场景氛围，不随意改变核心信息。将画面中的人物、建筑、家具、植物、器物、街景、交通工具、自然元素和环境细节，统一转化为精致细腻的手工粘土材质，呈现温暖、柔和、可触、具有定格动画气质的视觉效果。
整体风格应像一个被手工捏制出来的微缩世界：边缘圆润柔和，表面带有轻微手工塑形痕迹，具有细腻哑光质感，材质统一，风格统一，具有轻微童话感和生活感，精致、克制、治愈，而非低幼或廉价玩具感。
转化原则：保留原图识别度（主体不能被改得面目全非）；材质统一（整张图都应属于同一个粘土世界）；氛围保留（保留原图的时间感、情绪感和环境气质）；适合视觉叙事（主体明确，层次清晰，空间关系合理）；审美高级（避免幼稚、杂乱、过度夸张或强烈塑料感）。
画面整体色彩可以柔和、略低饱和、带温度感，保留原场景的主色调逻辑。最终效果应像一帧高完成度的粘土动画电影画面，而不是廉价玩具模型或简单卡通插画。
避免：廉价塑料玩具感 / 强烈3D CG感 / 低幼卡通感 / 真实材质与粘土材质混杂 / 场景比例混乱 / 主体失真严重 / 画面过花过杂过于装饰化。
场景类型补充提示词模块
在通用母提示词基础上，按场景类型追加以下对应模块：

1. 人物肖像 / 人像场景（单人照、半身照、生活照、街拍、旅行人像）：保留人物原本的身份特征、脸型、五官比例、发型、年龄感和气质，不要把人物变成另一个人。将人物整体转化为精致的手工粘土公仔风格，五官适度简化但仍然清晰可辨，服装、发型和动作也统一转为粘土质感。保持原图的人物姿态、视线、动作和构图逻辑。避免人物表情僵硬、过度Q版化、比例失衡或面部漂移。
2. 街景 / 城市场景（街道、建筑外立面、十字路口、商圈、巷子、夜景街道）：保留原图中的道路结构、建筑关系、街道层次、招牌位置、车辆与行人分布。若画面有夜景，请保留灯光氛围，让粘土风夜色呈现温暖、迷人、略带童话感的效果。避免场景过于玩具模型化，避免建筑失去结构感。
3. 咖啡馆 / 餐厅 / 商业空间（咖啡馆、甜品店、书店、买手店、展厅、精品店等）：保留原有空间布局、桌椅陈设、柜台结构、灯光氛围和主要视觉焦点。如果是餐饮场景，食物、杯具和器皿也需要呈现柔和精致、可辨识度高的粘土质感。画面应可爱但不低幼，精致但不过分装饰化。
4. 办公空间 / 工作场景（办公桌、会议室、工作台、创作空间、电脑桌面等）：保留"正在工作 / 创作"的功能氛围，让画面兼具可爱感与秩序感。如果画面中有人物，请保留其动作姿态与专注状态。避免把办公空间做得过分幼稚，保持简洁、清楚和轻微生活方式感。
5. 旅行 / 风景 / 户外场景（海边、山地、草地、湖边、沙漠、雪景、古镇、城市旅行照）：保留旅行场景的空气感、空间感和地点特征，同时增强一点温柔、梦幻的粘土童话感。如果画面有著名景观或地标，应保持其基本识别度。避免把自然场景做得过于平面化或缺少层次。
6. 自然微景 / 植物 / 花园场景（花草、花园、露台、森林角落、植物特写）：植物应生动自然、层次丰富，但整体造型略带手工塑形感，不必追求写实叶脉。画面整体应清新、放松、有呼吸感，像一个被手工捏出来的小小生态世界。避免把植物做得太塑料或太像儿童插画。
7. 静物 / 产品 / 桌面物件场景（产品展示、桌面摆拍、器物陈列、生活方式静物）：如果是品牌产品，请尽量保留产品轮廓和关键识别特征，但用统一粘土风重新表达。画面应有陈列美感，结构清楚，主体突出。避免过度变形，避免让产品失去辨识度。
8. 交通工具 / 出行场景（汽车、火车、飞机、骑行、地铁、船、摩托等）：保留交通工具的基本结构、比例、关键外形和所在环境关系。画面可以略带微缩模型般的趣味，但仍应高级、完整、统一。避免交通工具结构错误或比例夸张失真。
9. 活动 / 派对 / 生活场景（聚会、用餐、表演、手作、节日活动、室内聚集场景）：强调画面中的互动感、热闹感或仪式感，但仍保持温暖、可爱、整洁。多人场景中，各人物应风格统一、比例协调，不要出现个体漂移或表情过于怪异。避免画面过乱，确保主体关系清晰。
10. 电影感 / 分镜感场景（短片分镜参考、关键帧生成、故事板制作）：让画面适合作为短片分镜、关键帧或故事板参考，主体清晰，情绪明确，空间关系合理。可以适度增强光线层次和氛围感，但不要破坏原图主体和构图逻辑。最终画面应像来自同一部高质量定格动画短片。

时间轴剪辑规则
整体节奏

• 全片节奏和缓，避免快切和闪烁转场；shot 之间使用简单直切或轻微淡入淡出（0.3–0.5秒）。
• BGM 从第 0 秒开始，音量作为全片底层氛围音。
• 若有旁白 VO：紧跟视频第 0 秒开始，各段落与对应 shot 精确对齐，不留明显空档；BGM 音量须低于旁白 VO，以不掩盖旁白清晰度为准。
• 无旁白时：BGM 音量适当提高，充分填满空间感。
  音轨布局
• 旁白 VO（如有）占用 Audio 1 轨道，BGM 占用 Audio 2 轨道；无旁白时 BGM 单独占用 Audio 1 轨道。
  结尾处理
• 最后一个 shot 结束时，视频画面轻柔渐黑（fade to black），BGM 同步淡出（1–2秒）；有旁白时，旁白在最后一句讲完后自然结束，无需强制淡出。
  转场动效片段（如有）
• 真实→粘土转场视频放置在时间轴最前端（开场），与第一个粘土风 shot 直接对接。