Story-driven reusable video storyboard

完整成片阶段逻辑与依赖：

1. 撰写 Final_Video_Spec.md（标题、类型、画幅比、时长、视觉风格、语言）→ text_editor。
2. 生成故事板（关键元素、镜头列表、音轨层）→ storyboard_designer。故事板就绪后，扫描当前上下文中用户已提供或此前已生成、且与故事板条目匹配的素材（如元素图、背景音乐）。每有一处匹配，在进入生成步骤前通过 media_generator 绑定并指派到对应故事板槽位 → media_generator。
3. 配置元素：
   • 若用户已上传元素素材（如角色图或参考角色），直接绑定为对应 key_elements 的素材。
   • 否则，为所有元素生成图像 → media_generator。
4. 逐镜头生成成片视频 → media_generator。
5. 依据故事板生成全部音轨层 → media_generator。
6. 素材齐备后进行最终合成；再引导用户导出 → video_assembler。

依赖关系： 2→1；3→2；4→3；5→2；6→3,4,5。

何时暂停： 不要一次性跑完所有步骤。在上述每一关键阶段后停下（如规格定稿后、故事板完成后、元素完成后、镜头视频生成后、音频生成后），与用户确认后再进入下一步。可用卡片或 reply_to_user 邀请用户审阅后再继续。

说明： 用户自带或已存在的媒体（主要影响步骤 3–5）：在填入生成内容之前，先通过 media_generator 绑定并指派到故事板对应位置；避免对用户已提供的素材做重复生成。

如何设计关键元素

• 须包含 关键主体（角色、物体等）、关键场地/场景，以及 关键道具（若有）。
• 角色： 若同一角色在项目中有多种状态或造型（如不同服装、年龄），在描述中写清（如 Look 1：…；Look 2：…）。写明角色的 嗓音/音色。
• 关键场地/场景： 说明场景中重要物体的位置与朝向，尤其是承载主要动作或表演的区域与道具。
• 用户提供的素材： 若用户提供参考媒体（图或语音）并指定为关键元素，描述 必须与素材一致；不得与画面或可闻内容矛盾。

如何设计镜头

• 优先长镜头 + 镜内分切（如单条 10–30 秒）。在 单条镜头内 设计，不要拆成大量碎短镜头；剪切频率跟叙事节奏。单条镜头不得超过 30 秒（当前模型时长上限）。
• 每条镜头描述须包含：
  • 场景： 指明场次/空间（使用场景元素 ID，如 [Element_Office_Noir]）。
  • 故事内容： 节拍、对白、表演；写出 准确台词（对白或内心独白/OS）。角色用元素 ID 引用。
    • 主体与物体动态： 写清每个主体 自身 的动作——表情变化、肢体动作、相对镜头的 主动 朝向变化（如从四分之三侧脸转向正对镜头）。若须静止， 明确写出（如僵立、目光钉死）——勿与「未写调度」混淆。
    • 动作质感： 为动作加 程度修饰（快慢、轻重、幅度、频率等），使表演在故事板上无歧义。
    • 多拍调度： 同一段落内多个动作按 严格时间顺序 列出；多角色或关键物体并行动作时，用清晰配对：主体1 + 动作1（+ 动作2…）、主体2 + 动作2，便于后续视频继承明确调度。
  • 电影摄影（镜语）：
    • 景别与构图： 景别（如 WS、MLS、MS、MCU、CU、ECU），以及双人中景、过肩、带前景单人、主构图等按需。
    • 角度与高度： 平视、仰、俯、顶视、荷兰角等。
    • 摄影机运动： 用自然语言写清意图。常见类别：环绕、航拍、变焦、摇移、跟拍/追踪、手持，以及镜内 重新构图或切换。基于画面的视频模型依赖明确镜语：镜头 在动 要用直白说法写出；不动 须写 static camera 或 fixed shot，避免后续误以为有漂移。
    • 手持微动与胶片质感（写实/实拍默认）： 除非 Final_Video_Spec 或该镜明确要求监控锁机、运动控制级精度、干净 CGI、产品级锐利或非写实风格化动画，否则可写 轻微 有机不完美以免过度顺滑——如 极轻手持微颤、自然轻微漂移、微弱呼吸感（幅度小且连续，非剧烈晃镜）。画面 可酌情：细 35mm 颗粒、轻微化学胶片颗粒、轻模拟噪点；除非风格要求，避免粗大数码噪、强雪花、VHS 质感。固定机位时不要写手持用语。
    • 镜头与光学气质（必要时）： 广角/长焦气质、浅景深/深景深——仅用白话，且与板上其它部分锁定的观感一致。
• 镜内分切： 交代场景/环境后，按 每一次分切 排列 故事内容与镜语，并写清 时间（如：先（0–4s）：… 再（4–8s）：… 再（8–12s）：…）。
  • 单镜内复杂或多阶段动作： 必须 严格按顺序 描述——可用 First / Then / Finally、分段时间（如 0–3s / 3–6s / 6–9s），或同一条 take 内跳景别/角度时的 cut to。与成片提示词的顺序一致，规划与生成共用 同一份 权威故事板正文。

如何设计独立音轨

• 背景音乐： 至少一条全局 BGM。片长较长（如 3 分钟以上）且有明显段落或转折时，可规划多段音乐（每段自有 audio_id 与覆盖范围）。
• 旁白（narration 轨）： 仅当 故事 必须 靠旁白推进叙事，且旁白为 长段并跨越多镜 时使用——不要用于单节拍上一两句短 OS。在此设计：音色特征、语气、完整文稿。用 layout_instruction 标明旁白 从头到尾覆盖哪些镜头区间。

元素素材生成

• 图像： 使用 TextToImage。同一角色不同造型或年龄建议 ImageToImage；后续造型应参考先生成的外观以保持一致。推荐模型：Nano Banana 2（Gemini 3.1 Flash Image），分辨率 2K。角色元素优先 三视图（正/侧/背）以利于跨镜一致（注意三视图是一张图）。

最终镜头视频生成

• 使用 MultiModalToVideo。推荐模型：Seedance 2.5，分辨率 480p。
• 提示词拼装： 将已定稿故事板中该镜头的 Shot description 作为创意正文 原样拷贝——不要另写一套成片提示词。
• 每条镜头的参考输入须包含：
  1. 元素素材——本镜出现的角色、场景、道具的全部元素图。
  2. 连续性视频参考（可选）： 仅当本镜头与前面某一镜在叙事或画面上存在非常强的关联（如同一拍跨剪、同一场景与调度线索、同一角色线索紧密衔接等），才把此前已完成的其中一条镜头视频纳入参考；若无此类强关联，不要为了「连贯」而强行加参考。

图像生成提示词（TextToImage、ImageToImage）

全体图像提示词的通用原则

• 提示词不只是「画面里有什么」，而要像导演与调色师在给团队下指令。
• 用连贯自然语言写场景内容（主体 + 行为 + 环境等），用短语写视觉美学（风格、色彩、光线、构图）。忌文学空泛： 勿向模型解释动机或内心（如「仿佛他不在乎这张照片」）。勿写画外或不可见信息，只写画面上 物理可见 之物。
• 对所有图像提示词（任意用途）：必须在 所有 目标风格下全局套用 电影感提示词六条核心规则，写成 流畅的英文 叙述，不要用标签分段输出：
  • 专业风格用语： 结合作者性、具体影片视觉锚点等专业用语提高准确度（如用 Neo-Noir style, David Fincher Style, inspired by Se7en 之类锚点，而非泛泛写 Neo-Noir）。措辞须与 Final_Video_Spec.md（video spec）中的视觉风格及整体观感一致；
  • 构图与镜头： 明确写出电影构图（如过肩、荷兰角）与景别（如特写、中景）。
  • 光线： 写清主光并强调「负空间光」以拉开反差与戏剧性（如强明暗对照、光影交织、面部阴影强调结构）。
  • 调色： 用高端院线级调色思路约束色系（如阴影大面积青绿、几乎无暖填充；或Muted watercolor wash）。除非用户明确要求，避免红蓝霓虹对撞（禁用 crimson bleed、洋红对 cyan 等）。约 90% 画面控制在单一主导色相（如深青绿）——极度克制。
  • 画面呈现： 整体画质与质感（如细腻渲染、丰富细节、柔焦与高斯模糊感等）。
  • 情绪与潜台词： 写角色潜台词与微表情，卡在戏剧性节拍（如压迫、无情、捕食般的静止）。拒绝僵硬摆拍。静物则写其气质与氛围。
  • 条件项（仅必要时）：
    • 画面上可读文字： 若画面内需出现文字，自然融入；须渲染的 确切文案 用引号包起来强调，例如背景霓虹写着 "DANGER"。

当图像用途为 key_element
给出清晰、详细的元素视觉定义以便跨镜一致。围绕以下组织：

• 主体与身份： 说明元素类型——角色、道具、场景或生物。角色须含界定性特征（年龄、体格、若指定的族裔、辨识特征、嗓音）。
• 特征细节： 具体写关键视觉特征，优先写跨镜必须一致的点：
  • 角色： 五官（眼型、下颌、发型/发色）、妆造（若有关）、服装与配饰（材质、合身度、颜色、新旧）。
  • 道具/物体： 形状、材质、颜色、尺寸、状态（新/旧/破损）、标志性记号。
  • 情绪基调： 场景的潜在情绪（紧张、忧郁、希望、宁静、不安、温暖、压抑、恐惧、怀旧、疏离、亲密等）。

当目标为关键帧（起始帧、结束帧或高光帧）
先在镜头描述中找到对应瞬间——开场状态、收束状态、或视觉/戏剧张力最强的瞬间——以此为据。若描述未写清该瞬间，则在脑中推演该镜（主体运动 + 机位运动 + 环境变化），想象那一帧冻结时的画面并补足细节。无论哪种方式，只描述 单一静止瞬间：可见内容、构图方式、万物状态。

• 起始帧： 动作开始前——主体的预备姿态与意图（重心、视线、肢体预加载）、环境的基准状态、镜头的初始景别与角度。
• 结束帧： 动作落定后——主体的结束姿势或表情、环境变化后的状态、镜头停留以便下一剪的位置。
• 高光帧： 该镜视觉或情绪最强的单帧（撞击顶点、信息击中面部、主题凝结的构图等）。将该帧冻结并极尽具体地写清——姿态、表情、光效、构图——使其可单独作为该镜最具感染力的静帧。

视频生成提示词

• 创意正文： 与故事板该镜头的镜头描述保持一致，不要再重新写一套视频提示词。
• 语言： 提示词用中文写，但是台词/旁白/歌词如果有，这些用视频本身的目标语言（video spec里写了）
• 风格： 视频提示词里须包含风格描述，严格沿用 Final_Video_Spec.md（video spec）里约定的视觉风格及相关观感说明；全片保持一致，
• 参考占位符（格式）： 当引用到参考图时，插入多模态/参考图占位符（如 <<<image_1>>>、<<<image_2>>> …）。放在应对应绑定的节拍。
• 后期友好约束（整条提示词拼好后务必追加）：
  • 若故事板为该镜头配置了 独立旁白轨，不要 把旁白稿贴进视频提示词（避免双重音频）。
  • 写上 no music，避免模型自行加配乐（BGM 在别处混）。
  • 写上 no subtitles；不要 在提示词里要求烧录字幕——字幕在后期剪辑中加。