Hand-drawn travel vlog

全流程阶段与依赖：

1. 建立全局规格： 通过 text_editor 建立 Final_Video_Spec.md，锁定标题、画幅（竖屏 9:16）、总时长（15-60 秒）、视觉风格（拼贴手绘贴纸风）、色调关键词、输出语言。
2. 素材分析与复用判定： 若用户上传了角色参考图、旅行实景照片或风格参考图，先调用 resource_prepare_and_analyze 提取特征，将结果写入 Storyboard 元素描述。已有可用素材优先绑定，不重复生成。
3. 生成 Storyboard： 调用 storyboard_designer，产出 key elements（角色 1-2 个 + 场景集）、shot 列表（4-8 个，按六节点叙事结构排布）、audio layers（BGM + 可选字幕）。
4. 角色 key_element 图像生成： 调用 media_generator，为每个角色生成白底全身设定图（含 3-5 个动作变体），绑定到对应 key_element。生成后锁定角色外貌。
5. 场景合成图生成（每 shot 的 keyframe）： 调用 media_generator，以角色 key_element 图为参考，生成"手绘贴纸角色叠在真实旅行实景前景"的拼贴合成图。先生成第一张作为风格锚点，确认后再批量生成。
6. 视频片段生成： 调用 media_generator，以每张场景合成图为 start_frame，生成 3-5 秒动态片段。按多模型策略选模型（默认 Sora-2 → 备选 Wan2.6 → 质量优先 Veo3.1 Fast）。
7. 音频生成： 调用 media_generator，生成 BGM（text_to_instrumental，轻快治愈旅行风）。
8. 最终组装与导出： 调用 video_assembler，按叙事顺序拼接片段，对齐 BGM 节拍，处理片段自带音频与 BGM 的音量平衡，叠加可选字幕，导出成片。

依赖关系： 2→1；3→1,2；4→3；5→4；6→5；7→3；8→5,6,7。

暂停确认节点（不在一步内跑完全流程）：

• 叙事线确认： 步骤 3 完成后，暂停展示 Storyboard 摘要（六节点结构、时长分配），请用户确认或调整后再进入生成。
• 角色设定确认： 步骤 4 完成后，暂停展示角色设定图，请用户确认外貌、配色、风格后再继续。
• 风格锚点确认： 步骤 5 生成第一张场景合成图后，暂停请用户确认拼贴效果、色调、透视是否满意，确认后再批量生成剩余场景图。
• 成片确认： 步骤 8 完成后，展示成片，请用户确认或提出微调需求。

异常处理：

• 角色与场景透视不匹配： 在提示词中加入 natural perspective, consistent scale，重新生成。
• 角色一致性偏差： 确认 key_element 图是否正确绑定；在提示词中完整复述角色外貌，重试。
• 视频生成全部失败： 停止当前 shot 生成，告知用户并建议调整 start_frame 或切换模型。
• 总时长超 60 秒： 提示用户将叙事线拆分为多段分别制作后拼接，单次不超过 1 分钟。

用户上传素材分析：

• 角色参考图/草图： 若用户上传角色参考图，提取性别、年龄、发型发色、服装配色、配饰等特征，转化为角色提示词描述。Storyboard 中的角色 key_element 描述须与上传素材一致，不得矛盾。
• 旅行照片/场景参考： 若用户上传旅行实景照片，分析其场景类型、色调、光线条件、构图特点（纵深、引导线），作为场景生成的参考依据。将色调和光线描述提取为固定关键词，后续场景生成复用。
• 风格参考图： 若用户上传拼贴/手绘风格参考，提取描边粗细、贴纸化处理方式、拼贴层次等风格特征，纳入风格关键词。

Key Elements 设计：

• 角色（element character）： 建议设计 1-2 个核心角色；超过 2 个时一致性维护难度显著增加，需提示用户。定义主角的完整外貌——性别、年龄、发型发色、服装配色、标志性配饰。注明风格固定关键词：flat 2D cartoon, thick black outline, sticker style。若角色需多个动作版本（行走、回望、坐姿等），在描述中列出各动作变体。
• 场景（element scene）： 按旅行叙事线定义关键场景，每个场景描述包含：地点类型、氛围色调、光线条件、纵深/引导线构图要素。首次确定色调关键词后（如 warm golden hour / cool fresh morning），后续场景复用。

Shots 设计：

• 默认叙事结构（可调整，可按旅行天数或情绪弧线增删节点）。括号内为建议时长占比，以 20 秒成片为基准换算；总时长变化时按比例缩放，但单片段不低于 3 秒、不超过 5 秒：
  • 抵达（15% ≈ 3s）： 角色站在车站/机场/入口，行李箱或背包在手，回望或抬头望向目的地标志——建立旅行起点与期待感
  • 初探（15% ≈ 3s）： 角色走在标志性街道/广场/景点入口，四处张望、拍照——展现目的地第一印象与风貌
  • 美食体验（20% ≈ 4s）： 角色坐在街边小吃摊/餐厅/咖啡窗前，手捧当地美食，满足表情——呈现味觉记忆与当地烟火气
  • 沉浸游览（15% ≈ 3s）： 角色走进景点深处（神社参道/海边栈道/古巷阶梯），与环境互动（摸墙、驻足仰望、蹲下看花）——深化目的地氛围
  • 人文互动（20% ≈ 4s）： 角色与当地人/市集摊主/街头艺人交流，或参与手作/体验活动——增加旅行的故事温度
  • 告别（15% ≈ 3s）： 角色回望远景/夕阳剪影/车窗外渐远的风景，挥手或安静注视——收束情绪，呼应抵达
• 总 shot 数 4-8 个，每个 shot 生成一张拼贴合成图作为 keyframe，再转为 3-5 秒视频片段。
• 每 shot 描述须包含：
  • Scene： 引用场景 element ID
  • 角色动作： 角色在场景中的具体动作与姿态
  • Cinematography： 构图（角色置于前景偏下方或侧边，背景有纵深）、运镜方式（缓慢横移/推进）
  • Atmosphere： 光线与色调描述，须与已锁定的场景色调一致

Audio Layers 设计：

• BGM： 至少一条全局背景音乐 track，风格为轻快治愈旅行风。注明音乐情绪和节奏。
• 字幕（可选）： 若用户需要字幕，注明手写体风格、标注地点或心情短语；字幕在后期剪辑阶段叠加，不在音频层生成。

角色 key_element 图像生成：

• 使用 TextToImage，推荐模型 Nano Banana Pro (Gemini 3 Pro Image)，分辨率 2K。
• 输出白底、全身、正面站立姿态的角色设定图。
• 建议用同一提示词调整姿态描述，生成 3-5 个不同动作版本（行走、回望、坐姿等）备用，均绑定到同一角色 key_element。
• 生成后锁定角色设定，后续步骤不得更改角色外貌。

场景合成图生成（每 shot 的 keyframe）：

• 使用 ImageToImage，推荐模型 Nano Banana Pro (Gemini 3 Pro Image)，分辨率 2K。
• 参考输入：角色 key_element 图像（必选），确保角色一致性。若用户上传了旅行实景照片，可将其作为额外参考图传入。
• 生成"手绘贴纸角色叠在真实旅行实景前景"的拼贴合成图。
• 构图规则：角色置于前景（偏下方或侧边），实景背景有纵深感或引导线，角色与背景形成前后层次。

视频片段生成：

• 使用 FirstFrameToVideo，aspect_ratio "9:16"，resolution "720p"（1080p 需会员）。
• 多模型策略（按优先级）：
  • 默认：Sora-2 — 擅长镜头内切换与画面叙事感，适合拼贴风格的场景表达；角色为 2D 卡通贴纸（非写实人物），不受 Sora-2 写实人物高失败率限制。仅支持 720p，生成 4秒 片段。
  • 备选：Wan2.6 — 生成速度更快，适合批量产出时缩短等待；生成 5秒 片段。
  • 质量优先（关键记忆点 shot）：Google Veo3.1 Fast — 画质最佳，用于美食体验/人文互动等情绪高潮节点；生成 4秒 片段。
• 故障切换： 当前模型生成失败时，按 Sora-2 → Wan2.6 → Google Veo3.1 Fast 顺序在同工具内切换重试；若全部失败则停止并告知用户。
• 每张场景合成图作为 start_frame，生成动态片段。
• 动效须轻缓自然：缓慢横移/推进展现环境，角色轻微行走/发丝飘动/衣角微摆，氛围类光影变化/海浪/树叶摇晃。避免剧烈运动。

BGM 生成：

• 使用 text_to_instrumental，推荐模型 Suno 5（备选 Mureka 8）。风格：轻快治愈旅行风。

一致性保障：

• 角色一致性（最高优先级）：场景合成图与视频生成均将角色 key_element 图作为参考输入；每次提示词完整复述角色外貌，不得省略。
• 场景一致性：首次生成时确定色调和光线关键词，后续场景复用。
• 风格一致性：固定使用 collage aesthetic, sticker-on-photo, thick black outline 等关键词。

语言规则： 提示词以英文为主（模型对英文理解更准确）；输出字幕/文案可为中文，须遵循 Final_Video_Spec 的 Output Language。

角色提示词（TextToImage）：

• 结构：[age] [gender] [ethnicity] + [hair_description] + [clothing_description] + [accessory_description] + 风格固定关键词。
• 风格固定关键词（每次必带）：flat 2D cartoon illustration, thick black outline, sticker style, clean white background, full body, consistent character design。
• 动作变体通过调整姿态描述实现（如 walking pose slight side angle / looking back pose three-quarter view / sitting pose casual）。

场景合成提示词（ImageToImage）：

• 结构：real photograph of [scene_description] + 2D flat cartoon sticker-style character superimposed on foreground + [character_full_description] + thick black outlines + collage aesthetic + [lighting/atmosphere] + natural perspective。
• 角色外貌描述须完整复述，不得省略或改写。
• 合成风格固定关键词：collage aesthetic, sticker-on-photo, superimposed on foreground, hand-drawn character overlaid on real scene, travel vlog aesthetic。
• 场景关键词须包含纵深感（leading lines, depth of field, natural perspective）。
• 色调关键词首次确定后复用（如 warm golden hour light / cool morning light / soft overcast）。

视频动效提示词（FirstFrameToVideo）：

• 结构：gentle [camera_movement] + the cartoon character [subtle_action] + [atmosphere_detail] + natural gentle motion + cinematic travel atmosphere + [lighting_condition]。
• 动效约束：始终包含 subtle, gentle, slow 等约束词，降低运动幅度。
• 动效类型：场景类（缓慢横移/推进）、角色类（轻微行走/发丝飘动/衣角微摆）、氛围类（光影变化/海浪涌动/树叶摇晃）。

一致性关键词库（按需融入提示词）：

• 角色风格：flat 2D cartoon illustration, thick black outline, sticker style, hand-drawn style, bold outlines
• 合成风格：collage aesthetic, sticker-on-photo, superimposed, mixed media, scrapbook style
• 一致性：same character, consistent style, same outfit, same hairstyle, consistent color palette, matching lighting

剪辑规格：

• 画幅：竖屏 9:16（适配短视频平台）。
• 总时长：15-60 秒；单次生成建议不超过 1 分钟，超长视频需分段制作后拼接。
• 单片段时长：3-5 秒，按叙事顺序拼接。
• 帧率：≥24fps，确保画面流畅。

转场：

• 使用简单淡入淡出，保持手绘清新感，避免复杂转场效果。

音频：

• BGM 贯穿全片，轻快治愈旅行风，节奏与画面切换对齐。
• FirstFrameToVideo 生成的视频片段自带同步音频，须注意与 BGM 音轨的音量平衡；BGM 为主音轨时降低片段自带音量或静音，避免冲突。

字幕（可选）：

• 手写体风格，标注地点或心情短语，在后期阶段叠加。

节奏：

• 转场与 BGM 节拍对齐，避免跳帧。
• 叙事节奏与时长占比（以 20 秒为基准，按总时长比例缩放，单片段 3-5 秒）：抵达 15%（≈3s，建立）→ 初探 15%（≈3s，展开）→ 美食体验 20%（≈4s，升温·记忆点）→ 沉浸游览 15%（≈3s，深入）→ 人文互动 20%（≈4s，高潮·记忆点）→ 告别 15%（≈3s，收束）。若总时长偏短（如 15 秒），优先压缩初探与沉浸游览，保留美食体验与人文互动的完整时长；若偏长（如 40-60 秒），可为美食体验或人文互动各加 1-2 个 shot 并适当延长，必要时将叙事线拆分为多段分别制作后拼接。