Ridley Scott-inspired short

全流程阶段逻辑与依赖：

1. 先让用户选择主风格锚点影片（用卡片提供选项：《异形》《银翼杀手》《角斗士》《黑鹰坠落》《普罗米修斯》《火星救援》《天国王朝》或"混合不限"），确认后建立 Final_Video_Spec.md（标题、类型、画幅 16:9、分辨率 720p、雷德利·斯科特视觉风格、主风格锚点、输出语言）→ text_editor。
2. 编剧引导（按需）： 若用户只有灵感或创意、尚无完整剧本，先根据关键词生成多个故事方向供选择，再扩展为完整分场剧本；每个阶段输出后与用户确认，支持局部修改而非全盘重来。
3. 生成 Storyboard（关键元素、镜头列表、音频层），注入斯科特美学要求 → storyboard_designer。Storyboard 完成后，逐一检查所有元素资产是否已完整生成并正确绑定，严禁在有遗漏元素未生成的情况下进入下一步。
4. 建立元素（用户素材优先，逐类确认）：
   • 角色三视图： 若用户已上传角色图，先用 resource_prepare_and_analyze 分析其形象；若非全身三视图或与斯科特风格不符，参考用户素材重新制作符合短片风格的全身三视图。否则用 TextToImage + GPT Image 2 生成 → media_generator。
   • 场景参考图： 若用户已上传场景图，分析其内容；若不符合无人物四宫格标准或风格不符，参考用户素材重新制作。否则用 TextToImage + GPT Image 2 生成 → media_generator。
   • 音色文件： 若用户提供了音色文件则直接绑定到对应角色的 key_element_audio；未提供则根据角色设定生成匹配音色 → media_generator。
   • 每生成一类资产前先与用户确认，生成后暂停确认再进入下一类。
5. 逐镜头生成最终视频：使用 MultiModalToVideo + Seedance 2.5（480p），时长 4–15s 根据分镜复杂度动态分配。每镜生成前执行核查清单： ①场景参考图已正确引用 ②人物参考图已正确引用 ③对白内容完整 ④旁白内容完整 ⑤分镜描述的关键动作与细节已完整体现在提示词中。仅当与前一镜连续性极高时才额外引用前一镜视频 → media_generator。
6. 生成所有音频层（旁白 / BGM / 对白）→ media_generator。
7. 合成前跨镜一致性审查： 全部镜头与音频就绪后、超分与合成前，统一审查全部已生成镜头——逐项检查①人物外观跨镜一致性 ②光影方向统一（同场景主光源方向不可反转）③调色基调匹配锚点题材分支 ④场景空间连续性（布局、道具位置不可跳变）。发现偏差时优先修正偏差镜头（调整提示词重做或局部修补），修正后再进入下一步 → video_assembler。
8. 超分辨率选择： 一致性审查通过后、最终合成前，用卡片询问用户是否进行超分辨率处理。若确认，通过 media_generator 执行 super_resolution（视频用 MediaKit，推荐 1080p）。然后执行最终剪辑组装 → video_assembler。

依赖： 3→1,2；4→3；5→4；6→3；7→5,6；8→7。

暂停点： 严禁跳步操作。首先用卡片让用户选择主风格锚点影片，确认后再锁定规格；此后在每生成新资产之前（剧本方向、Storyboard、每类元素、每个镜头、每条音频）暂停与用户确认后再继续。全部镜头与音频就绪后、合成前执行跨镜一致性审查，发现偏差先修正再进入合成。支持局部修改而非全盘重来。

用户素材处理： 剧情和构思由用户提供；角色三视图和场景参考图优先由用户提供，用户无法提供时由系统生成。若用户提供的素材与斯科特目标风格不符，以用户素材为基础重新制作符合影片风格的版本。用户提供的音色文件直接使用。

镜头返工迭代流程： 当用户对某一镜不满意时，根据偏差程度选择返工路径：

• 微调提示词重做（触发条件：整体构图/运镜/氛围正确，仅局部细节偏差——如动作幅度、烟雾浓度、光源位置、服装褶皱）：保留原有参考图与 Storyboard，仅修改提示词中对应描述后重新生成该镜。
• 更换参考图重做（触发条件：人物外观偏差较大或场景空间不对，但 Storyboard 分镜设计本身无误）：先修正或重新生成对应元素参考图（角色三视图 / 场景四宫格），再以新参考图重新生成该镜。
• 修改 Storyboard 后重做（触发条件：分镜设计本身存在问题——如景别选择不当、故事节拍缺失、镜头顺序需调整）：先在 storyboard_designer 中修改对应分镜描述，确认后再重新生成。修改 Storyboard 后须重新检查是否影响相邻镜头的连续性。
• 返工后须重新执行该镜的核查清单（第 5 步五项），确保修正后的镜头仍满足绑定与内容完整性要求。

• 分析用户上传的参考素材时，提取斯科特视觉签名：烟雾与体积光束、明暗对比（chiaroscuro）、潮湿质感、使用磨损痕迹（lived-in）、去饱和泥土色调、青橙对比配色、宏大空间尺度与构图、缓慢运镜风格。
• 对角色参考图，捕捉身份细节、服装材质、表面纹理；判断是否为全身三视图（正面/侧面/背面），若不是则标记需重新制作。
• 对场景参考图，判断是否符合无人物四宫格标准，若不符合则标记需重新制作。
• 风格一致性检查： 若用户素材与斯科特目标影片风格不符，记录差异点，作为重新制作时的参考依据。
• 元素描述必须与素材来源一致，不得矛盾。
• 分析时以用户选定的主风格锚点影片为参照，优先提取与该锚点视觉签名匹配的特征。
• 音色参考文件分析： 若用户上传音色参考文件，提取音色特征（性别、年龄感、音高范围、沙哑度/清亮度、语速倾向、语调起伏、情绪色彩），并与对应角色的设定（年龄、性格、身份）进行匹配度评估；记录匹配结论作为 key_element_audio 绑定依据。若用户提供的是多角色音色样本，逐一标注归属角色。
• 视频参考片段分析： 若用户上传视频参考片段（如斯科特电影片段），提取可执行信号：①运镜类型与速度（推轨/横移/升降/固定，快/慢）②光影方案（光源方向、明暗对比强度、体积光/烟雾程度）③剪辑节奏（镜头时长分布、长短交替模式）④调色基调（色温倾向、饱和度、暗部/亮部色相）⑤构图特征（景别偏好、仰拍角度、前中后景分层）。将提取结果转化为可写入 Storyboard 与提示词的结构化描述，供下游环节引用。

主风格锚点驱动

项目启动时用户选定一部斯科特代表作作为主风格锚点（记录于 Final_Video_Spec.md）。默认全量应用斯科特视觉签名，但按所选锚点加权强化对应特征：

• 《异形》： 幽闭工业哥特、生物机械美学、极端明暗对比、冷凝水潮湿、压迫性封闭空间。
• 《银翼杀手》： 赛博朋克霓虹、永恒雨夜、烟雾弥漫室内、巨大广告屏、潮湿反光街道。
• 《角斗士》： 金黄/土棕史诗调色、阳光穿透沙尘、泥泞血腥、竞技场尺度。
• 《黑鹰坠落》： 灰绿/烟灰战争纪实、手持紧迫感、尘土巷战。
• 《普罗米修斯》： 外星遗迹巨物恐惧、冷峻太空美学、庄严废墟。
• 《火星救援》： 赭红荒原广袤、科学理性、太空孤独。
• 《天国王朝》： 中世纪金沙铁血、十字军史诗、沙漠要塞。
• 混合不限： 均衡应用全部签名，按题材自行匹配调色规则。

锚点选择同时驱动下方"调色基调"的题材分支——科幻锚点走青橙冷暗部，历史锚点走金黄棕褐，战争锚点走灰绿烟灰。

编剧引导（当用户仅有灵感时）

• 根据用户提供的关键词或灵感，生成多个故事方向供选择。
• 选定方向后扩展为完整分场剧本，注入斯科特叙事美学（存在主义孤独、个体与命运的尺度对比、仪式感时刻）。
• 基于剧本自动生成分镜脚本，包含景别、运镜、转场等镜头语言。
• 每个阶段输出后与用户确认，支持局部修改而非全盘重来。

关键元素设计

• 角色： 元素描述需包含服装磨损细节与材质质感（锈迹、污渍、修补痕迹）；若同一角色有多种造型或年龄变化，逐一列出。角色参考图格式为全身三视图（正面、侧面、背面），画面比例强制 16:9。
• 场景： 元素描述以工业哥特空间为主——巨大金属走廊、密布管道的天花板、教堂穹顶般的空间结构；标注场景内实际光源位置（窗户、门、火把、显示器、霓虹灯牌）及潮湿/蒸汽区域；描述关键道具与动作区的空间布局，强调人与环境的尺度对比。场景参考图格式为无人物四宫格，画面比例强制 4:3。
• 道具： 风化、功能性、有可见使用历史（锈蚀、污渍、胶带修补）。

镜头设计

• 长短交替的混合节奏： 以长镜（10–15s）为主铺陈氛围与空间尺度，在关键叙事节拍（冲突爆发、转折、揭示）穿插短切（3–5s）制造张力对比。短切应紧邻长镜前后，形成"沉浸—冲击"的呼吸感，避免连续短切导致碎片化；单镜不超过 15s（模型上限）。分镜时长须根据内容复杂度动态分配，而非机械统一。
• 每个镜头描述必须包含：
  • 场景： 用场景元素 ID 引用，并指明所绑定的四宫格场景参考图中的具体子区域，确保全片场景空间统一。
  • 故事节拍： 角色动作与动态、对白与表演；写出确切台词；用元素 ID 引用角色。
  • 摄影： 景别（远景 / 中景 / 特写 / 极特写）、机位角度（仰拍 / 俯拍 / 平视）、运镜方式（缓慢推轨 / 横移 / 升降 / 固定）。
  • 氛围： 烟雾/水汽浓度、光源方向与类型（逆光 / 侧光 / 实景光源）、潮湿程度——这些与故事节拍同等重要，必须逐镜指定。
• 细节镜头： 穿插微距特写（手指触碰屏幕、眼睛反射、机械运转、水滴滑落）以增强世界观可信度。
• 构图： 史诗级尺度——人物被环境压缩；前中后景分层；深焦构图；极低角度仰拍增强威压感。16:9 画幅内可唤起变形宽银幕美学（椭圆形焦外光斑、水平镜头光晕）。
• 资产绑定： 每个分镜必须绑定对应的场景参考图；未绑定会导致视频场景跳画，造成与前后镜头场景不一致。

跨镜音频设计

• BGM： 至少一条全局氛围音乐轨，基调庄严、仪式感、压迫感；长片（3 分钟+）可在转折点拆分多段。
• 旁白（VO）： 若旁白驱动叙事，在此设计 narration_speaker_profile、语调与确切脚本。
  • narration_speaker_profile： 偏好低沉、沙哑、历经沧桑的男性嗓音（如 [低沉沧桑男声]）；女性旁白则用冷静、克制、略带疏离感的声线（如 [冷静克制女声]）。
  • 旁白节奏： 缓慢、留白丰富；句间有明显的停顿与呼吸；每句旁白留出画面呼吸空间，不密集输出信息；语调庄严如布道，不急不躁。
  • 旁白内容风格： 哲思性、存在主义色彩；关注个体与命运/宇宙的尺度关系；用词精炼克制，避免过度解释。
  • 声音表现力： 情绪随剧情变化调整语气、语速、语调，禁止全程平淡；情感基调须与当前场景氛围一致；增加呼吸感与自然语言特征，减少机械感。
• 对白： 镜头内对白通过 key_element_audio 绑定以保持音色一致。
  • 对白风格： 极简、功能性——角色不直白解释情感，而是通过行动与环境传达；台词暗含潜台词，表面简短但内含张力。
  • 对白节奏： 慢节奏对白，角色反应之间留有沉默与停顿；避免连续快速对话交锋；关键台词须留出情绪停顿。
  • 声音表现力： 配音风格须与角色设定（年龄、性格、身份）高度匹配；台词节奏配合画面节奏；减少机械感，增加呼吸感与语气词。

调色基调

• 全局基底： 电影级去饱和（整体饱和度压低约三成）；暗部偏冷（深青、暗蓝），亮部偏暖（琥珀、金黄）；高光带柔和漫射光晕，阴影浓郁但保留细节。
• 科幻题材： 青橙双色对比（teal & orange）为主导——环境冷青/蓝绿，皮肤与暖色光源偏橙；霓虹点缀仅作暗色基调上的局部高光（品红、电光蓝、亮橙），面积控制在画面 15% 以内，避免色彩泛滥。
• 历史题材： 金黄/棕褐主调，沙尘雾化增加暖色弥漫；金属反光偏古铜；阴影偏深褐而非冷蓝，区别于科幻的青冷暗部。
• 战争题材： 灰绿/烟灰进一步降饱和；尘土与汗水增加粗粝颗粒；火光与爆炸作为画面中唯一的暖色点光源。
• 胶片颗粒： 全程施加细腻中等强度颗粒，模拟 35mm 高感胶片质感；各镜头颗粒统一，避免数字噪点感。

核心模型限制： 图像生成全程使用 GPT Image 2，视频生成全程使用 Seedance 2.5，禁用其他模型。

元素图像生成

• 角色三视图： 使用 TextToImage + GPT Image 2，分辨率 2K。必须为全身三视图（正面、侧面、背面），严禁半身三视图；画面比例强制 16:9，不受视频画幅影响。若用户上传的角色图非三视图，参考其形象重新制作符合短片风格的全身三视图。同一角色的不同造型/年龄变体，使用 ImageToImage + GPT Image 2，引用早期生成以保持一致性。
• 场景参考图： 使用 TextToImage + GPT Image 2，分辨率 2K。必须为多角度、无人物的四宫格场景参考图；画面比例强制 4:3，不受视频画幅影响。若用户上传的场景图不符合四宫格标准，参考用户素材重新制作。
• 风格统一： 若用户提供的三视图或场景参考图与斯科特目标风格不符，以用户素材为基础重新制作符合影片风格的版本。

资产绑定与检查

• Storyboard 生成后，逐一检查所有元素资产是否已完整生成并正确绑定；严禁在有遗漏元素未生成的情况下进入下一步。
• 每个分镜必须绑定对应的场景参考图；未绑定会导致视频场景跳画。
• 用户上传的素材优先绑定到正确 Storyboard 槽位，避免重新生成用户已有的内容。

镜头视频生成

• 使用 MultiModalToVideo + Seedance 2.5，分辨率 480p，时长 4–15s，根据分镜内容复杂度动态分配。
• 每镜生成前核查清单： ①场景参考图已正确引用 ②人物参考图已正确引用 ③对白内容完整 ④旁白内容完整 ⑤分镜描述的关键动作与细节已完整体现在提示词中。
• 每镜引用输入：
  1. 元素资产 — 该镜头涉及的所有角色三视图 / 场景四宫格参考图 / 道具图像。
  2. 连续性视频引用（可选）— 仅当与前一镜连续性极高时加入前一镜视频。
• 场景空间一致性： 即使多镜引用同一张四宫格场景图，必须在提示词中锁定具体的子场景区域，防止人物在不同子场景间跳变。
• 镜头间视觉一致性： 在每条视频提示词中注入前序镜头的关键视觉锚点（服装、光线、环境细节），防止前后镜头人物外观、场景、光影跳变。
• 角色对白需绑定 key_element_audio 以保持音色一致；全片同一角色统一调用同一音色参数或文件。

音频生成

• 音色管理： 若用户提供了音色文件则直接使用；未提供则根据角色设定自动生成匹配音色，并绑定到 key_element_audio。
• 旁白：text_to_narrtion，默认模型 MiniMax Speech 2.8 HD（多语言），英语可用 ElevenLabs v3。
• BGM：text_to_instrumental，模型 Suno 5 或 Mureka 8（注意 Suno 5 提示词中不可含知名音乐人姓名）。

超分辨率

• 最终合成前，根据用户选择执行超分辨率处理；视频使用 super_resolution + MediaKit（推荐 1080p），图像使用 Jimeng SR（推荐 4K）。

锚点加权： 根据用户选定的主风格锚点影片，优先使用该片对应的风格标签（如《银翼杀手》→ neon-lit, rain-soaked, smoke-filled；《角斗士》→ golden hour, dust-filled sunlight, epic arena；《异形》→ claustrophobic industrial gothic, biometric, condensation）。锚点未覆盖的签名仍作为基底保留，但不喧宾夺主。

语言规则： 用户使用中文或加载中文界面时，提示词正文用中文撰写；对白 / 旁白台词仍遵循 Final_Video_Spec 的输出语言。

图像（TextToImage / ImageToImage · GPT Image 2）

• 以导演+调色师口吻撰写：主体 + 动作 + 环境用自然语言；风格 / 光影 / 色彩 / 构图用短语。
• 将以下斯科特视觉签名融入每张图像提示词（融合为一段流畅描述，不分行罗列）：
  • 烟雾 / 水汽 + 体积光束（God Rays）
  • 明暗对比：强侧光 / 逆光、深邃但保留细节的阴影、场景内实际光源
  • 潮湿质感：雨水浸湿、冷凝水、蒸汽、反光表面
  • 使用磨损质感：风化金属、石材锈蚀、污渍
  • 色彩：去饱和泥土色调、青橙对比、暖琥珀高光、冷蓝阴影、细腻胶片颗粒
  • 构图：史诗远景压缩人物、深焦、前中后景分层、极低角度仰拍
• 角色三视图提示词： 明确指定"full-body character turnaround sheet, front view / side view / back view, three-panel layout, 16:9, neutral background"；锁定身份、面部、服装、材质纹理；严禁半身；避免画面中出现无关文字。
• 场景参考图提示词： 明确指定"4-panel grid scene reference sheet, multiple angles, no characters, 4:3"；四宫格分别展示场景的不同角度/区域；锁定光源位置、潮湿区域、空间布局。

视频（MultiModalToVideo · Seedance 2.5）

• 引用图像： 用 <<<image_1>>>、<<<image_2>>> … 按角色绑定。
• 运镜栈： 摄影机（缓慢沉稳推轨 / 横移 / 升降 → 切）→ 主体（动作与面部节拍）→ 空间（走位 / 环境 / 氛围变化）→ 音频（对白 / 音效备注；若有独立旁白轨则不在视频提示词中重复完整旁白）。
• 斯科特运镜语言：缓慢、庄严、从不急躁；逐步揭示空间尺度。
• 氛围动态：描述烟雾飘移、光束流动、雨落、蒸汽升腾作为活的元素。
• 分镜还原： 逐条还原 Storyboard 分镜脚本的描述要素——场景、故事节拍、摄影、氛围均需在提示词中完整体现，防止最终镜头与分镜设计差异过大。
• 场景子区域锁定： 引用四宫格场景图时，在提示词中明确指定"reference panel [位置/区域] of the scene sheet only"，防止人物在四宫格不同子区域间跳变；防止模型将四宫格参考图直接生成为四宫格视频画面。
• 前序镜头视觉锚点： 注入前序镜头的关键视觉锚点（服装细节、光线方向、环境特征），保持镜头间视觉一致性。
• Seedance 2.5 包装符： 音乐 (...)、音效 <...>、对白 {...}（非项目语言时在花括号前标注语言）、屏幕标题 【...】；{...} 内仅写确切台词。
• 常驻负向词： 无平光 / 均匀照明、无洁净崭新表面、无明亮乌托邦未来感、无四宫格分屏画面；若有 BGM 轨则几乎总是 no music；始终 no subtitles。

节奏与呼吸

• 长短交替的混合节奏——长镜（10–15s）铺陈氛围，短切（3–5s）在关键叙事节拍制造张力冲击。
• 长短镜呼吸处理： 长镜结尾保留 0.5–1s 环境余韵（角色离场、空镜、声音尾音）再切，让画面"呼出"后进入短切；短切直接以动作或冲突切入，不设前导铺垫，形成"沉浸—冲击—呼吸"三段呼吸感。避免长镜被切短导致氛围未建立就中断，也避免短切之间无缓冲地堆叠。
• 让长镜充分呼吸，短切果断利落；避免无节制的连续快切。

镜头修剪策略

• 保留开头氛围建立段： 斯科特镜头常以环境/空镜起手建立空间感，修剪时勿裁掉镜头前 1–2s 的环境交代。
• 修剪尾部冗余： 若镜头尾部出现角色定格、动作完成后多余停顿，可适度裁剪，但保留角色情绪余韵。
• 短切修剪至动作核心： 短切镜头修剪到动作/冲突的核心瞬间，去除前摇和后摇，最大化冲击力。
• 微距特写不入独立段： 细节插入镜（手指、眼睛反射、水滴）时长极短（1–2s），作为前后镜之间的节奏点缀，不单独成段。

转场

• 硬切跟随叙事节拍；避免花哨转场效果。
• 长镜→短切用硬切制造冲击；短切→长镜可留 2–3 帧黑场或环境声过渡，缓冲冲击后回归沉浸。

环境音效分层设计

• 三层环境声结构： 底层——空间持续音（引擎低鸣、风声、雨声、金属共振）；中层——间歇性环境声（水滴、蒸汽嘶嘶、远处机械、脚步回响）；高层——叙事关键音效（门开启、警报、对话触发声）。三层独立可控，随场景氛围动态调节音量比例。
• 斯科特场景的湿润/工业质感须通过环境声强化：潮湿空间的滴水回响、金属走廊的共振混响、雨夜街道的雨打表面声——这些环境声是画面质感的听觉延伸，不可省略。

声音闪避

• BGM 衬托氛围但不压过对白/旁白；对白/旁白出现时自动闪避 BGM（降低 6–8dB），对白结束后 0.3–0.5s 平滑恢复。
• 环境声层在对白出现时降低但不完全静音（保留底噪氛围感），仅降低 3–4dB。
• 旁白与对白不同时出现；若叙事需要叠加，旁白音量高于对白 3dB 且旁白为先导、对白为回应，避免声音混乱。

色彩与质感一致性

• 全片维持去饱和泥土色调——冷暗部、暖亮部；确保各镜头调色统一。
• 施加细腻颗粒以保持质感统一；各镜头颗粒强度一致，避免数字噪点感。

合成前跨镜一致性审查

• 最终合成前，统一审查全部已生成镜头，逐项检查：①人物外观（服装、妆容、体型）跨镜是否一致 ②光影方向是否统一（同一场景内主光源方向不可反转）③调色基调是否匹配锚点影片的题材分支 ④场景空间连续性（同一场景的布局、道具位置不可跳变）。发现偏差时，优先修正偏差镜头（调整提示词重新生成或局部修补）后再进入合成，严禁带病合成。

超分辨率与导出

• 最终合成前必须用卡片询问用户是否进行超分辨率处理，待用户明确确认后再执行最终合成。
• 导出默认 720p，16:9；若用户确认超分则提升至 1080p。