Hitchcock-style suspense film

全流程编排逻辑

阶段依赖关系

1 → 2 → 3 → 4 → 5，各阶段严格串行，有确认节点时须等待用户批准再继续。

阶段 1：建立全局规格（Final_Video_Spec.md）

• 在任何分镜或生成开始前，通过 text_editor 创建 Final_Video_Spec.md，锁定以下参数：
  • 画幅：16:9
  • 分辨率：1080p（默认），用户可要求其他规格
  • 色彩模式：黑白经典（默认）或复古彩色（用户选择后写入）
  • 风格标签：希区柯克悬疑、35mm胶片颗粒、伦勃朗高对比光、封闭式构图
  • 音频策略：输出视频无音频轨道（用户后期自行配乐）
  • 语言：中文（界面/交互），影像内容无对白要求
• 若用户未明确色彩模式，使用 reply_to_user 询问「黑白经典」或「复古彩色」，获得答复后写入规格文件。

阶段 2：素材解析（可选，仅当用户上传了图片或视频时触发）

• 调用 resource_prepare_and_analyze 分析用户上传的参考图或短视频。
• 将分析结果（主体描述、光影倾向、构图关键词、道具线索）注入后续分镜阶段上下文。

阶段 3：分镜设计

• 调用 storyboard_designer，基于用户输入（图片分析结果 + 文字创意）生成分镜表。
• 分镜完成后，暂停并向用户展示分镜草案（镜号、镜头类型、景别、画面描述、时长预估）。
• 使用卡片或 reply_to_user 邀请用户确认或修改（可调整镜头数量、替换镜头类型、修改任意镜头描述和时长）。
• 必须获得用户确认后方可进入下一阶段。

阶段 4：媒体生成

• 调用 media_generator 生成各镜头视频片段。
• 若脚本中有需要跨镜头保持一致的人物或场景，先完成图像生成并绑定至对应 key_element，再生成各镜头视频。
• 各镜头生成完毕后，暂停并向用户展示预览列表，允许用户对不满意的镜头申请重新生成。

阶段 5：剪辑与输出

• 调用 video_assembler 按分镜顺序拼接所有镜头，不添加任何音频轨道。
• 组装完成后，引导用户导出最终 MP4 文件。

参考素材解析规则

解析目标

将用户上传的图片或短视频转化为可注入分镜阶段的结构化信号，不做风格覆盖，只做内容提取。

图片解析

• 主体识别：人物（性别、年龄感、服装时代特征）、建筑/室内环境（旅馆、走廊、楼梯、地下室等）、关键道具（钥匙、信件、首饰、照片、箱子）。
• 光影特征：现有光源方向、对比度倾向（高对比 / 平光 / 柔光）、是否有条纹投影（百叶窗、格栅）。
• 构图倾向：人物在画面中的位置（居中 / 边缘 / 下角）、是否存在天然遮挡框（门框、窗框、栏杆）。
• 输出：以关键词列表形式输出，供分镜阶段作为视觉锚点。

视频解析

• 提取整体叙事节奏（静态 / 运动）、主要场景类型、关键动作时刻。
• 若视频中有明显的希区柯克风格元素（俯拍、特写、封闭构图），标注以便在分镜中延续。
• 提取有复用价值的关键帧（如建立空间感的第一帧、人物反应特写帧），供 media_generator 阶段作为 start_frame 或 reference_image 使用。

麦高芬道具识别

• 若素材中出现可疑的重复或孤立道具（信件、钥匙、首饰、照片、箱子），标记为潜在麦高芬，建议在分镜中安排道具反复出现。

真人写实强制锁定（所有分镜最高优先级）

• 所有画面风格锁定为真人写实、自然老化质感；禁止动漫、二次元、CG 渲染、扁平插画、抽象艺术、高饱和塑料感。
• 人物皮肤须保留毛孔、痣、皱纹、红血丝等真实细节；服装材质可见纹理（棉麻、皮革、金属磨损）；光影自然或戏剧化，但绝不卡通化。
• 所有 shot 描述中只要涉及人物，须隐含「真实皮肤纹理、自然老化质感」要求，防止画面向 CG 或动漫风格漂移。

叙事结构规则

• 所有脚本遵循「铺垫 → 异常 → 惊悚 → 留白」四段结构，悬念密度大于惊吓密度；禁止直白血腥、尸体、伤口，惊悚时刻用间接暗示（刀刃上的水滴、浴帘上的手印、扭曲的阴影、突然的静音）。
• 默认镜头数：3～6 个，每个镜头时长 3～8 秒。
• 每个脚本至少包含 一个希区柯克变焦镜头；其余镜头从「静态长镜、俯拍牢笼、窥视视角、特写逼脸」中组合选用。
• 特写镜头（眼部、嘴角、手指）占比建议 ≥ 40%。
• 麦高芬道具强制贯穿：每个脚本须指定一件麦高芬道具（钥匙、信件、首饰、秘密文件等），在至少两个镜头中以特写出现，且角色与之互动（拿起、查看、藏匿）；道具本身无需解释，但须驱动角色行为。
• 日常异化原则：场景应为日常生活环境（洗漱、做饭、开窗、走路），但须插入至少一处反常细节——窗外闪过人影、门缝下的眼睛、镜子中的异常反射、物件自行移动——以制造心理撕裂感。
• 主观镜头切换：每个悬疑段落至少包含一次三镜组合：「角色第一视角看向某处」→「切到该处物体/人影特写」→「切回角色惊恐反应特写」；可用望远镜框、门缝、钥匙孔形状遮挡边缘强化窥视感。

key_element 设计

element character（若涉及人物）

• 描述外貌特征（性别、年龄感、服装时代特征）、面部辨识要素（发型、眼神）、肤色阴影倾向、服装主色。
• 若人物在脚本中有关键表情或重要出镜，须为该角色预设**角色身份板（identity sheet）**描述，标注至少四个表情状态（平静、惊恐、狐疑、阴沉），供 media_generator 阶段生成参考图后绑定为 asset_id。
• 同一人物在多个镜头出现时，所有 shot 描述严格引用身份板中的外貌与表情库，确保跨镜头一致性。

element scene（核心场景）

• 描述空间结构（走廊深度、楼梯旋转方向、窗户/百叶窗位置）。
• 标注天然遮挡框元素（门框、窗框、栏杆）及其在画面中的位置关系。
• 标注光源位置及条纹投影来源（百叶窗、格栅）。

镜头（shot）设计规则

每个 shot 描述必须包含以下字段：

字段说明镜头类型希区柯克变焦 / 静态长镜 / 俯拍牢笼 / 窥视视角 / 特写逼脸景别特写 / 中景 / 远景运镜参数精确描述摄影机运动方式（见下方各类型规范）画面内容人物动作、表情、道具出现位置、空间关系光影细化光源方向、明暗分布、是否有条纹投影时长预估3～8 秒建议音效（仅供用户后期配乐参考，不生成）如：尖锐提琴刺音、低音长音、静音留白、环境白噪音（滴水、木门吱呀、钟表滴答）

人物情绪与面部表情细化规则（真人感核心）

• 禁止使用抽象情绪词（如"他惊恐地说"）；必须拆解为具体生理反应和可见行为：
  • 惊恐：眼睛猛地睁大，瞳孔收缩，嘴唇微张却发不出声，呼吸停滞，额头渗出细汗。
  • 狐疑：眉头缓慢皱起，眼神斜视，嘴角下撇，手指无意识敲击桌面。
  • 内心压抑：喉结上下滚动，深呼吸后缓缓吐气，眼神躲闪，嘴角紧绷。
• 情绪转折时强制使用局部特写：在人物面临关键选择或情绪转折的 shot 中，必须以局部特写（眼睛、嘴角、手部颤抖）传递内心活动，而非直接拍全脸。
• 对白/独白节点：若 shot 中涉及台词，须以标点控制语气（？！——…），标注停顿、轻叹、结巴等口语化细节；内心独白标注为画外音低语处理，不在视频提示词中生成实际音效。

各镜头类型运镜规范

希区柯克变焦（核心，每脚本至少一个）

• 镜头物理向前推进的同时，焦距向后拉（变焦补偿推进），主体人物在画面中的大小保持不变。
• 背景空间被极度拉伸/压缩，产生空间扭曲和强烈眩晕感。
• 运动速度：中速（2～4 秒内完成），推进与变焦同步。
• 人物配合表情：迷茫、惊恐、眼神失焦或瞳孔放大。

静态长镜

• 固定机位，无任何摄影机运动。
• 主要用于铺垫段落，建立封闭空间压迫感。
• 构图要求：人物置于画面边缘或下角，门框/窗框/栏杆框住人物。

俯拍牢笼

• 上帝视角（极度俯拍），人物渺小置于空间中心。
• 周围建筑结构（楼梯栏杆、廊道墙壁）形成封闭囚笼感。
• 运动：固定机位或极缓慢垂直下降（模拟凝视）。

窥视视角

• 主观窥视镜头，模拟从门缝、窗缝或百叶窗间隙偷看。
• 画面边缘有遮挡物虚化（门框边缘、百叶窗叶片）。
• 带轻微手持晃动，增加不安感。

特写逼脸

• 极致特写，聚焦眼部、嘴角、手部（持道具）。
• 侧光，明暗各半，背景完全虚化。
• 无摄影机运动，靠演员微表情传递张力。

视觉硬性规则（所有镜头强制遵守）

维度规则画幅16:9，禁止强制黑边构图封闭式构图为主；人物常位于画面边缘或下角；多用俯拍、仰拍光影高对比伦勃朗光（侧光/侧逆光），面部一半亮一半阴；百叶窗条纹投影切割人体或墙面；大面积死黑，暗部无细节；禁止平光、柔光、灰调色彩（黑白模式）极致黑白，黑部死黑，亮部仅限面部/关键物体色彩（复古彩色模式）低饱和复古色（暗红、墨绿、灰蓝），高光暖黄，阴影沉黑；惊悚元素（血迹、红窗帘）允许局部高饱和红质感35mm胶片颗粒（中等强度）、边缘轻微色散、四角自然暗角、轻微胶片抖动字幕禁止任何字幕或水印

音频设计

• 本 Skill 输出视频不含音频轨道，无需设计任何 audio_layer（背景音乐、音效、旁白均不生成），留空供用户后期自行配乐。

关键元素图像生成

• 若脚本中有需要跨镜头保持一致的人物或场景，先通过 TextToImage 生成 key_element 参考图。
• 推荐模型：Nano Banana Pro (Gemini 3 Pro Image)，分辨率 2K。
• 同一人物不同镜头的后续参考图使用 ImageToImage（同模型），以首张生成结果为参考，保持外貌一致性。
• 生成后将资源注册为 asset_id 并绑定至对应 key_element。

镜头视频生成

主路径

• 工具：MultiModalToVideo，模型：Seedance 2.5，分辨率：480p。
• 每个镜头生成时，image_infos 中传入该镜头对应的 key_element 参考图（人物图 + 场景图）。
• reference_video 策略：仅当前后两个镜头的场景/人物连续性极强时（如同一房间内人物的动作延续），才将上一镜头的 final_shot 视频作为 reference_video 附加；通常不使用视频参考，避免过度锁定而损失变焦/构图自由度。
• 时长参数：按分镜表中各镜头的时长预估值设置，范围 4～30s（Seedance 2.5（分辨率 480p） 支持范围）。

备用路径

• 若 Seedance 2.5（分辨率 480p） 失败，优先切换至 Seedance 2.5（480p）重试。
• 若 Seedance 2.5均失败，改用 FirstFrameToVideo + Google Veo3.1 Fast（720p，推荐时长 6s 或 8s）；此时将分镜对应 key_element 图作为 start_frame 输入。
• 不同工具间不静默切换，须告知用户并确认。

超分处理

• 若生成分辨率为 720p，后期通过 super_resolution / MediaKit 将视频上升至 1080p，fps 保持 24。

音频处理

• 本 Skill 不生成任何音频资源（不调用 text_to_narration、text_to_instrumental、lyrics_to_song 等音频工具）。
• 若所用视频生成模型默认输出含音频轨道（如 FirstFrameToVideo 系列），在 video_assembler 阶段统一静音/移除所有音频通道。

全局规则

• 提示词以中文书写（与用户交互语言一致）。
• 所有视频提示词末尾固定附加反向提示关键词：无字幕，无水印，无现代物品（手机、汽车、LED灯），无音乐，无对白音频。
• 提示词中不描述任何音效或背景音乐（输出无音频）。
• 参考图占位符按顺序使用 <<<image_1>>>、<<<image_2>>> …（首张为人物参考，次张为场景参考）。

希区柯克变焦提示词模板（核心，每脚本至少一镜）

<<<image_1>>>（人物参考）<<<image_2>>>（场景参考）

希区柯克变焦，镜头物理向前推进同时焦距向后拉，主体人物大小在画面中保持不变，背后[走廊/楼梯/房间]空间极度拉伸扭曲，产生强烈眩晕感和空间崩塌感。人物表情[迷茫/惊恐]，眼神失焦或瞳孔放大，微表情紧绷。高对比伦勃朗侧光，面部一半亮一半暗，一点眼神光。[极致黑白，黑部死黑无细节，亮部仅限面部与关键物体 / 低饱和复古色调（暗红、墨绿、灰蓝），高光暖黄色（接近#F5D6B3），阴影沉黑（接近#1A1A1A）]。16:9，35mm胶片颗粒中等强度，四角自然暗角，边缘轻微色散，24fps。无字幕，无水印，无现代物品，无音乐，无对白音频。

其他镜头类型提示词模板

静态长镜

<<<image_1>>>（人物参考）<<<image_2>>>（场景参考）

固定机位，无摄影机运动。[景别]，[画面内容描述]。人物置于画面[边缘/下角]，[门框/窗框/栏杆]形成封闭式构图。高对比侧逆光，人物剪影，百叶窗条纹投影切割墙面，大面积死黑。[极致黑白 / 低饱和复古彩色]。16:9，35mm胶片颗粒，四角暗角，24fps。无字幕，无水印，无现代物品，无音乐，无对白音频。

俯拍牢笼

<<<image_1>>>（人物参考）<<<image_2>>>（场景参考）

上帝视角极度俯拍，[固定机位 / 极缓慢垂直下降]。人物渺小站在[楼梯旋转中心/廊道中央]，周围[楼梯栏杆/廊道墙壁/门框]形成封闭螺旋囚笼感。顶光，四周死黑，人物与结构线条形成强烈几何对比。[极致黑白 / 低饱和复古彩色]。16:9，35mm胶片颗粒，24fps。无字幕，无水印，无现代物品，无音乐，无对白音频。

窥视视角

主观窥视镜头，模拟从[门缝/窗缝/百叶窗间隙]偷看目标，画面边缘有[门框边缘/百叶窗叶片]虚化遮挡。轻微手持晃动，增加紧张不安感。[目标人物/物体的画面内容描述]。低照度，低饱和，高对比。[极致黑白 / 低饱和复古彩色]。16:9，胶片颗粒，24fps。无字幕，无水印，无现代物品，无音乐，无对白音频。

特写逼脸

<<<image_1>>>（人物参考）

极致特写，聚焦[眼部/嘴角/手部持道具]，画面仅呈现局部细节，背景完全虚化。侧光，明暗各半，细微[表情变化/肌肉紧绷/手指颤抖]清晰可见。无摄影机运动。[极致黑白 / 低饱和复古彩色]。16:9，35mm胶片颗粒，轻微暗角，24fps。无字幕，无水印，无现代物品，无音乐，无对白音频。

色彩模式描述规范

色彩模式在提示词中的固定描述黑白经典极致黑白，黑部死黑无细节，亮部仅限面部与关键物体，禁止灰调复古彩色低饱和复古色调（暗红、墨绿、灰蓝），高光暖黄色（接近#F5D6B3），阴影沉黑（接近#1A1A1A），惊悚元素允许局部高饱和红

质感描述规范（所有镜头固定叠加）

35mm胶片颗粒中等强度，四角自然暗角（亮度降低约12%，过渡自然），边缘轻微红/青色散（偏移极小），24fps，禁止降噪、禁止过度锐化，禁止磨皮

剪辑与输出规则

时间线组装

• 严格按分镜表顺序拼接各镜头 final_shot，不调整镜头顺序（除非用户明确要求）。
• 各镜头时长以分镜表预估值为准；若实际生成时长与预估有偏差，优先保留完整画面，不强制裁剪关键动作。

转场

• 默认使用硬切（无过渡效果），保留希区柯克风格的剪辑节奏感。
• 特殊情况（如铺垫段落过渡至惊悚段落）可使用极短淡入淡出（≤ 0.3 秒），需在分镜表中明确标注。
• 禁止使用溶解、划像、缩放类花哨转场。

节奏控制

• 铺垫镜头（静态长镜）保持原速，不做快/慢处理。
• 惊悚高潮镜头（希区柯克变焦、突兀急推）保持原速，依靠运镜本身传递张力，不叠加变速效果。

音频处理（关键）

• 最终输出文件不包含任何音频轨道。
• 若生成的视频片段携带音频（包括模型自动生成的音效或环境音），在组装阶段统一移除/静音所有音频通道。
• 输出为纯视频流的 MP4 文件，无音频轨道，便于用户后期自行添加配乐。

导出参数

• 格式：MP4
• 帧率：24fps
• 画幅：16:9
• 分辨率：1080p（1920×1080）
• 无字幕、无水印、无音频轨道