Y2K 3D cartoon music video 이 Skill 사용 스튜디오 초안을 준비합니다. 여러 단계의 지침은 참고용이며 자동 생성이나 과금은 하지 않습니다.
Y2K风格3D卡通K-pop MV制作。角色数量灵活(独自1人或主角+最多2位伴舞),每位角色可上传照片生成匹配长相的卡通形象或使用默认设定;上传音乐自动分析节奏与歌词(若有),有歌词时角色口型对上唱歌节奏并将歌词嵌入MV视觉特效,无歌词时角色跟随节奏跳舞并与装饰文字互动。适用于音乐视频、舞蹈视频等场景。
제작 흐름 본문은 중국어 원문입니다. 언급된 모델과 이 사이트의 지원 모델은 다를 수 있습니다. 실제 모델과 크레딧은 스튜디오에서 확인하세요.
전체 제작 흐름 전체 복사 1. 제작 기획 단락 복사
整体流程与依赖关系:
确认角色方案与照片上传(可选) — 询问用户角色数量:独自一人(1位主角) 或 主角+伴舞(最多1主角+2伴舞=3位) 。每位角色均可选择上传照片或使用默认形象——主角和伴舞独立选择,不要求全部上传或全部默认。用户上传照片的角色严格按照片生成卡通形象;未上传的角色按默认设定生成。确认角色方案后进入下一步。
上传音乐并分析 — 用户提供一段音乐文件(可能含人声歌词,也可能是纯音乐/无人声)。调用 resource_prepare_and_analyze 分析音乐:首先检测是否含人声歌词——若检测到歌词,提取歌词文本(逐句时间码)并输出 has_lyrics: true;若为纯音乐/无人声,跳过歌词提取,输出 has_lyrics: false。无论是否有歌词,均输出节奏段落划分、节拍结构及总时长。歌词必须且只能从用户上传的音乐文件中提取,禁止自行编造或生成歌词。
建立全局规格 — 根据音乐总时长、用户选择的角色方案(角色数量及每位角色的上传/默认选择),通过 text_editor 建立 Final_Video_Spec.md(标题、类型=卡通MV、画幅16:9、分辨率用户可选768p或2k默认768p、时长跟随音乐、视觉风格=Y2K 3D卡通、角色数量与方案、语言等)。
生成角色形象与环境背景(隔离生成) — 根据步骤1确认的角色方案,逐位处理:上传了照片的角色,调用 resource_prepare_and_analyze 分析照片面部特征后用 media_generator (ImageToImage)生成纯白背景形象;未上传照片的角色,按默认设定用 media_generator (TextToImage)生成纯白背景形象。随后用 media_generator (TextToImage)生成无人物环境背景图。生成后将角色形象和环境背景分别绑定到对应 key_element。
设计Storyboard — 调用 storyboard_designer ,根据音乐段落和(若有)歌词将MV拆分为多个视频段 (每段不超过15秒);每段内包含多个分镜描述,每个分镜为一镜到底(连续拍摄、无内部切镜),段内分镜之间通过 MiniMax H3 多镜头描述能力实现切镜。每个分镜指定角色、场景、舞蹈动作、镜头语言。根据 has_lyrics 分支: 若有歌词,每个分镜额外包含歌词文本元素和角色口型对唱要求;若无歌词,每个分镜使用 Y2K 风格装饰性文字替代歌词文本,角色专注跟随节奏跳舞并与装饰文字互动。
生成视频段(连续拼接,直接参考生成) — 根据音乐总时长将MV切分为多个连续视频段 ,每段最长15秒(模型单次生成上限,非固定长度)。逐段调用 media_generator ,每段使用一次 MultiModalToVideo + MiniMax H3 生成调用,通过多镜头描述在一个调用中产出包含多个分镜的完整视频段。段与段之间按音乐时间线连续衔接 ——第一段覆盖0–15秒,第二段从15秒开始继续,以此类推;最后一段可能不足15秒 (如20秒音乐→第一段15秒+第二段5秒,45秒音乐→3段各15秒)。段数和末段时长由音乐实际总时长决定。每段时长不得低于4秒 (MiniMax H3 的 duration 参数要求为4–15秒整数)——若按满段15秒切分后末段不足4秒(如33秒→15+15+3),需从倒数第二段匀出时长补入末段,确保每段≥4秒且≤15秒(如33秒→15+14+4或12+12+9等分配)。每段直接引用角色形象图和环境背景图作为参考输入,不生成中间关键帧图片 ,不做"先用关键帧图生成单段视频再拼接"的方式。每段由 media_generator 生成后,调用 resource_prepare_and_analyze(crop video segments)裁剪到该段的精确指定时长 (如第一段裁到精确15.0秒,末段裁到精确剩余秒数),消除模型实际输出时长与指定时长的偏差,防止多段拼接时累积偏移。每段的 prompt 必须写明该段在音乐中的精确时间区间 (如"this segment covers 0:00–0:15 of the song"),以及该区间内每句歌词的精确起止秒数(基于音乐分析的逐句时间码),使模型生成的口型节奏和歌词文本出现时机尽量匹配该段在音乐中的真实位置。
最终装配 — 调用 video_assembler ,将所有视频段按音乐顺序拼接,叠加用户上传的音乐作为BGM音轨,导出最终MV。BGM 必须是用户上传的原始音乐文件,禁止使用任何生成音乐工具(text_to_instrumental、lyrics_to_song 等)生成替代音乐。 多段拼接对齐规则: 每段必须按其绝对音乐时间戳定位——第N段的起始位置 = 前(N-1)段实际时长之和(而非固定×15秒,因末段可能经4秒下限调整后各段时长不完全相同),而非简单首尾相接拼接;拼接前确认每段已通过 resource_prepare_and_analyze 裁剪到精确指定时长,段与段之间零间隙、零重叠;用户上传的音乐从0:00开始连续播放,视频段按各自绝对时间戳对齐到音乐时间轴上。
依赖关系: 步骤2依赖步骤1。步骤3依赖步骤2。步骤4依赖步骤1和步骤3。步骤5依赖步骤2和步骤4。步骤6依赖步骤5。步骤7依赖步骤6。
暂停检查点: 不要一次性跑完全流程。在以下里程碑暂停并向用户确认后再继续:
角色方案与照片上传确认后(步骤1完成后)
音乐分析完成并展示给用户确认后(步骤2完成后;若检测到歌词则一并展示提取的歌词)
角色形象与环境背景生成完成并展示后(步骤4完成后)
Storyboard设计完成并展示后(步骤5完成后)
所有视频段生成完成后(步骤6完成后)
检查点确认方式(统一规则): 每个暂停检查点必须使用卡片按钮让用户确认,而非要求用户输入文字。每个检查点展示当前阶段结果后,提供两个按钮选项:
确认 — 用户认可当前结果,直接进入下一阶段。
修改 — 用户需要调整,选择后引导用户用简短文字说明要改什么,再据此修改后重新展示并再次用按钮确认。
这样做是为了减少用户的输入操作,用户只需点击按钮即可推进流程。仅在用户点击"修改"后才需要输入文字说明修改需求。
Final_Video_Spec.md 要点: 在步骤3中尽早锁定画幅(默认16:9)、视频分辨率(用户可选768p或2k,默认768p)、视觉风格(Y2K 3D卡通)、时长(跟随音乐)、输出语言等全局参数,作为后续 Storyboard 和生成阶段的统一锚点。
音乐与歌词来源约束(全局硬性规则):
MV 的 BGM 音轨必须 是用户上传的原始音乐文件,全程直接绑定使用,不得替换或覆盖。
禁止调用任何音乐生成工具 (包括 text_to_instrumental、lyrics_to_song 等)为本 Skill 生成音乐或歌曲。
歌词必须且只能 从用户上传的音乐文件中通过 resource_prepare_and_analyze 提取,不得自行编造、改写或从其他来源获取歌词。
MiniMax H3 视频生成会自带同步音频——该自带音频在装配时必须静音或大幅降低音量,确保最终 MV 的音频只有用户上传的原始音乐。
2. 멀티모달 분석 단락 복사
照片分析(用户上传照片时):
对每张上传照片进行面部分析,输出结构化特征描述:脸型、五官特征(眼睛形状/颜色、鼻型、唇形)、发型(颜色、长度、造型)、肤色、辨识标记(痣、疤痕、纹身等)、整体气质。
输出格式应可直接用于 ImageToImage 的 prompt,明确指出"严格参考照片中人物的长相、发型和特征"来生成卡通形象。
区分主角照片与伴舞照片(若有多人),分别标注角色序号。角色数量由步骤1确认的方案决定(1–3位),仅对用户上传了照片的角色进行分析。
音乐分析:
歌词检测与提取(条件性): 首先检测用户上传的音乐是否含人声歌词。若检测到歌词,提取完整歌词文本,按段落(前奏/主歌/副歌/桥段/尾奏)结构化输出,并输出 has_lyrics: true;若为纯音乐/无人声,跳过歌词提取,输出 has_lyrics: false。歌词只能从用户上传的音乐中提取,禁止自行编写或从外部来源获取歌词。
逐句歌词时间码(仅当 has_lyrics: true): 为每句歌词标注精确的起止时间(秒),以便后续镜头设计中歌词文本与音乐播放进度严格匹配、角色口型与演唱节奏对齐。
歌词语言标注(仅当 has_lyrics: true): 在 semantic_output 中输出 lyrics_language 字段(如 zh、en、ja、ko 等),标明提取到的歌词原文语言。后续所有环节必须以该语言的原文歌词为准,不得翻译、替换或改写为其他语言。
节拍与节奏结构: 识别音乐整体速度(BPM)及各段落强度等级(高/中/低),输出结构化的节拍标记列表(段落起止时间 + 该段强度 + 建议切镜频率)。高强段落(Rap/副歌)建议高频快切,低强段落(前奏/桥段)建议放缓。无论是否有歌词,此步骤均执行。
输出音乐总时长,作为 Final_Video_Spec.md 的时长参数依据。
3. 스토리보드 설계 단락 복사
4. 미디어 생성 단락 복사
5. 프롬프트 작성 단락 복사
口型对唱 prompt 规则(仅当 has_lyrics: true):
主唱角色的动作描述中必须包含口型对唱指示:明确写出角色正在唱歌、口型随歌词节奏变化,如 "singing into the microphone, lip-sync matching the lyrics [歌词内容]"。
对唱指示需与该分镜时间区间内实际演唱的歌词逐句对应,不可笼统描述。
伴舞角色描述中无需口型对唱,标注为 dancing to the beat。
无歌词模式 prompt 规则(当 has_lyrics: false):
角色 prompt 中不需要任何口型对唱或唱歌描述,角色专注于跟随节奏跳舞。
文本元素使用 Y2K 风格装饰性短语(如 "RUN NOW"、"UNSTOPPABLE"、"BREAK THE LIMIT" 等),不是歌词。不同分镜使用不同装饰短语。
角色与装饰文字的互动描写规则与有歌词时一致(抓取、拍打、踩踏、戳破、抛接等)。
文本渲染规则(两种模式通用):
文本(歌词或装饰短语)以引号标注确切渲染字符串,确保模型尝试渲染。有歌词时,引号内的内容必须是从音乐中提取的歌词原文,包括中文汉字——不得用英文短语替代。 "RUN NOW" 等英文示例仅为3D气球文字的视觉风格参考,不是歌词内容。
中文歌词渲染专项规则: 当 lyrics_language 为 zh 时,3D气球文字必须使用提取到的中文歌词原文汉字。为提高中文文字渲染成功率:(1) 每个气球文字组控制在2–4个汉字,避免整句堆叠;(2) 在 prompt 中用引号逐组标注确切汉字,如 "不想"、"放弃"、"向前跑";(3) 强调 "render the exact Chinese characters in quotes as 3D bubble text"。
文本风格需与Y2K美学一致:3D充气气球质感、光洁塑料光泽、糖果色(粉/紫/蓝)、发光效果。
角色与文字互动描写需具体到身体部位和动作幅度,与舞蹈节拍自然融合。
6. 동영상 조립 단락 복사
节奏与剪辑:
以用户上传的音乐为时间轴主轴,所有镜头按音乐段落顺序排列。
动态切镜频率: 切镜节奏由音乐分析输出的段落强度决定,不使用固定频率。高强段落(Rap/副歌)约0.8–1.2秒/切,中强段落(主歌)约1.5–2.5秒/切,低强段落(前奏/桥段/尾奏)约3–5秒/切或长镜头。切点尽量对齐音乐节拍/小节边界。
镜头间使用硬切为主,配合Y2K风格的UI元素转场(Error 404弹窗闪烁、REC取景框切换、像素风过渡)。
音视频同步:
用户上传的音乐作为全局BGM音轨,音量满格,贯穿全片。该音轨必须是用户上传的原始音乐文件,不得使用任何生成音乐替代。
多段对齐(核心规则): 每个视频段必须按其在音乐中的绝对时间戳 定位放置,而非简单首尾相接拼接——第N段的视频起始点对齐到音乐中前(N-1)段实际时长之和的位置(而非固定×15秒,因4秒下限调整后各段时长可能不完全相同)。拼接前确认每段已通过 resource_prepare_and_analyze 裁剪到精确指定时长,段与段之间零间隙、零重叠 。音乐从0:00连续播放,视频段按各自绝对时间戳对齐到同一音乐时间轴上。若跳过此对齐步骤直接拼接,段间累积偏移会导致口型和歌词逐段错位。
歌词文本与音乐同步(仅当 has_lyrics: true): 每个镜头中嵌入的歌词文本必须与该时间段实际播放的歌词匹配;镜头起止点对齐音乐节拍标记,确保歌词文本随音乐播放进度变化。主唱角色口型对唱效果在装配时需与音乐演唱节奏对齐。当 has_lyrics: false 时, 无需歌词同步,镜头排列和切镜节奏仅跟随音乐节拍。
视频镜头的节奏点(快切、推镜)对齐音乐鼓点/重音。
生成的视频片段如自带音频(MiniMax H3会生成同步音频),需将视频自带音轨静音或大幅降低音量,避免与用户音乐冲突。
导出取向:
画幅和分辨率跟随 Final_Video_Spec.md 设定(画幅默认16:9;分辨率由用户在步骤3选择:768p 或 2k,默认768p)。
最终MV时长与音乐总时长一致;若视频素材略长或略短,通过微调镜头时长或补充/删减快切来对齐。