Zhang Yimou cinematic aesthetic

创作流程与阶段依赖

1. 锁定全局参数：与用户确认以下输入，写入 Final_Video_Spec.md（via text_editor）：

   • 核心创意（一句话灵感或剧情描述）
   • 主色调：英雄红（热烈/宿命） / 影墨黑（水墨/隐忍） / 竹林绿（清冷/杀机） / 大漠黄（风沙/生命力）
   • 节奏类型：慢节奏仪式感长镜 / 中节奏叙事流 / 快节奏蒙太奇（默认慢节奏）
   • 运镜倾向：仪式化静止 / 升格慢动作 / 混合模式（默认混合模式）
   • 总时长（默认 30 秒）
   • 是否提供参考图（人物面容、服装或场景）
     若用户仅提供文字描述，从描述中自动提炼角色外貌与场景设定写入 spec；若用户提供参考图，先调用 resource_prepare_and_analyze 解析后再写入 spec。

2. 生成故事板：调用 storyboard_designer，设计角色 key_element（含身份板布局描述）、场景 key_element，以及完整分镜列表和跨镜音频层。

3. 生成并确认 key_element 参考资产：调用 media_generator 为 Storyboard 中所有角色、场景、道具、载具等 key_element 生成或绑定参考图；若用户已上传参考图，先注册并绑定为对应 key_element 资产。

4. 逐镜生成视频：仅当所有被 shot 引用的 key_element 均已拥有确认过的 asset_id / reference_image 后，调用 media_generator 按分镜列表依次生成，强制引用对应 key_element 参考图，确保跨镜人物、场景、道具与载具关系一致。

5. 生成音频层：调用 media_generator 生成跨镜环境音或 BGM 音频层。

6. 剪辑合成：仅在用户确认音频层后，调用 video_assembler 完成时间线组装、节奏卡点和音画同步，输出最终视频。

依赖顺序：2→1；3→2；4→3；5→2；6→3,4,5。

关键节点暂停确认：

• 全局参数写入后，向用户展示 spec 摘要，等待确认再进入故事板设计。
• 故事板完成后，向用户展示分镜列表和 key_element 清单，等待确认后再开始生成或绑定 key_element 参考资产。
• key_element 参考资产生成后，向用户展示角色 / 场景 / 道具 / 载具参考图并等待确认；若任一参考图缺失、未绑定或与 Storyboard 不匹配，必须先补齐或重生成，不得进入分镜视频生成。
• 音频层生成完成后，向用户展示环境音 / BGM 的试听结果或摘要，等待用户确认后再进入剪辑合成；若用户要求修改音频，先重做音频层，不得直接进入 video_assembler。
• 不得一次性跑完整个流程。

异常处理与重试策略：

• 人物一致性失控（角色面容、服装与 key_element 身份板明显不符）：

  • 首先检查该 shot 是否正确引用了角色 key_element 身份板图像作为 reference_image；若漏绑，补绑后重新调用 media_generator 生成。
  • 若已绑定但仍不一致，指示 media_generator 切换至 Kling 3.0 Omni（refer_type: feature）重试同一 shot；最多重试 2 次。
  • 重试后仍失控，向用户说明情况，询问是否接受当前结果或提供补充参考图后再生成。

• 色彩漂移（主色调统治力不足，画面出现大面积杂色或低对比度平光）：

  • 在 write_media_prompt 重写该 shot 提示词时，强化主色调关键词权重，并在否定词中追加对应干扰色（如"no desaturated red, no cool blue cast"）；重新调用 media_generator 生成。
  • 若重试后色彩仍不达标，向用户说明，建议更换参考场景图或调整主色调选项。

• 自然媒介缺失（风/雨/雪/沙动态不可见或极弱）：

  • 重写该 shot 提示词，在空间/环境段明确提升自然媒介的视觉强度描述（如"暴雨砸落的密度极高，水花飞溅至膝盖"），重新生成。

• 模型失败（生成报错或超时）：

  • 优先在同工具内切换模型（如 Seedance 2.5（分辨率 480p） → Kling 3.0 Omni）重试；若同工具内所有模型均失败，停止该 shot 生成并向用户说明，不自动切换至其他工具。

分析用户上传的参考图

• 人物参考图：提取性别、年龄感、面部特征（骨骼轮廓、肤色、眼型）、发型发色、服装材质与配色、标志性道具；输出结构化角色外貌描述，绑定至对应角色 key_element。
• 场景参考图：提取空间类型（殿堂 / 山野 / 竹林 / 大漠等）、主色调占比、光线方向与质感、标志性建筑或道具元素；输出结构化场景描述，绑定至对应 scene key_element。
• 服装参考图：提取材质（粗麻 / 重工甲胄 / 轻纱等）、颜色比例、装饰细节；合并入对应角色 key_element 描述。

设计角色 key_element（身份板）

• 每个主要角色建立一个 key_element，描述须包含：
  • 外貌特征（骨骼轮廓、肤色、眼型、发型发色）
  • 服装材质与配色（如：粗麻布袍、铁锈红重工甲胄、飞扬宽袖）
  • 标志性道具或配饰
  • 角色情绪标签（如"隐忍""决绝""宿命感"）
• 身份板图像布局指导（供图像生成使用）：16:9 横版，纯白背景，不对称分布，大量留白；包含四区块：
  1. 大型主视觉：全身正面或微侧，展现服装质感
  2. 轮廓研究区：2–3 个黑色剪影（正/侧/背）
  3. 表情研究区：3–4 个头像特写（静默、决绝、含泪、隐忍）
  4. 细节研究区：局部特写（衣物纤维、皮肤纹理、手部或佩剑饰物）
• 后续所有分镜中的人物视觉，均以该 key_element 身份板资产为一致性基准。

设计场景 key_element（场景身份板）

每个主要场景建立一个 key_element，描述须包含：

• 空间类型：殿堂庙宇 / 山野荒原 / 竹林幽径 / 大漠戈壁 / 雨中街巷等
• 主色调统治力：标注主色调占画面比例（建议 ≥ 65%），其余元素的降饱和度或水墨化处理要求
• 光线特征：自然光源方向（正侧光 / 强逆光 / 顶光天幕散射等）、时段（黎明金光 / 正午高反差 / 黄昏长影 / 夜景烛火点染）
• 标志性固定元素：廊柱、屏风、竹节密度、黄沙地平线高度、建筑门洞比例等在各 shot 中须保持一致的视觉锚点
• 常驻大自然媒介：该场景默认搭载的自然动态（如"竹林场景默认搭载流动微风，可升级为狂风"），为分镜中的媒介选择提供基准

场景身份板图像布局指导（供图像生成使用）：16:9 横版，深色或与主色调呼应的纯色背景，不对称分布，大量留白；包含四区块：

1. 大型主视觉：场景全景或大景别展示，重点呈现空间纵深、标志性构件与主色调统治力
2. 光影研究区：2–3 张同场景不同光线条件下的缩略图（黎明 / 黄昏 / 夜景 / 暴雨），展示场景在各情绪下的色调变体
3. 细节研究区：3–4 张局部特写——地面材质（青石板 / 黄沙 / 落叶 / 泥泞）、墙体或植被纹理、标志性道具或建筑构件
4. 构图框架示意区：1–2 张标注了对称轴线或框架构图入口（门洞 / 廊柱间距 / 竹节间隙）的构图草图，为后续分镜构图提供参照

后续所有分镜中引用该场景时，均以此 key_element 身份板资产作为场景一致性基准，确保色调、光线方向与标志性构件在多镜头中保持视觉稳定。

设计分镜列表

依据 Final_Video_Spec 节奏类型规划镜头时长：

• 慢节奏：单镜 6–12 秒，固定长镜头占比 ≥ 70%
• 中节奏：单镜 4–8 秒，手持跟拍与固定长镜混合
• 快节奏：单镜 2–4 秒，仅用于动作对决高潮段落

每个 shot 描述必须包含：

• 场景：引用对应 scene key_element ID
• 故事节拍：角色仪式化动作（拔剑 / 转头 / 合眼等，极度克制）与台词（如有）
• 景别与构图：景别（远景/全景/中景/近景/特写）+ 构图类型（对称构图 / 框架构图 Frame-in-Frame）
• 镜头运动：固定 / 缓推 / 缓拉 / 升格慢动作 / 手持微晃
• 大自然媒介：每镜必须包含且放大一种——飞扬狂风 / 砸落暴雨 / 静谧飞雪 / 弥漫风沙
• 光影：光源方向（大侧光 / 强逆光）与明暗对比层级要求
• 微表情细节（含人物特写时）：用生理细节描述情绪，禁止"愤怒""悲伤"等抽象词

跨镜头连续性设计

• 若多个 shot 属于同一次奔跑、追逐、对峙、交接或情绪推进，必须标注同一个 continuity_group，并为每个 shot 写明：前一镜继承状态、本镜叙事功能、后一镜交接状态。
• 继承状态只记录会影响画面的关键事实：角色位置、运动速度、环境强度、关键道具状态；不要复述前一镜完整构图与风格描述。
• 特写或插入镜头如果发生在连续动作中，Storyboard 必须写出至少 2 个可见连续性证据（如载具局部、缰绳/鞍具、身体惯性、背景视差、风沙方向、道具摆动频率），避免被下游写成孤立的质感特写。

设计跨镜音频层

• 默认设置一条环境音 audio_layer（风声 / 雷雨声 / 金属摩擦声，与主色调和场景匹配）
• 若用户要求 BGM，增加一条 music audio_layer，描述情绪与乐器偏好（沉郁、宿命感、弦乐主导等）
• 默认无 narration 轨道、无字幕

角色身份板图像生成

• 使用 TextToImage，模型：Nano Banana Pro (Gemini 3 Pro Image)，分辨率 2K。
• 若用户已上传参考图，改用 ImageToImage（同模型），以上传图作为参考输入，生成标准身份板布局。
• 生成后注册 asset_id，绑定至对应角色 key_element。

分镜视频生成

• 使用 MultiModalToVideo，模型：Seedance 2.5，分辨率 480p（默认）。
• 视频生成前必须读取最新 Storyboard，逐项检查每个 shot 引用的角色、场景、道具、载具等 key_element 是否都已绑定可用 asset_id / reference_image，并已通过用户确认；如有缺失、未确认或绑定错误，先生成、注册或重绑对应 key_element，不得直接生成该 shot。
• 每个 shot 的参考输入：
  1. 强制引用该 shot 所涉角色的 key_element 身份板图像作为 reference_image
  2. 强制引用该 shot 所涉场景、道具、载具等 key_element 图像作为 reference_image
  3. 当当前 shot 与前一 shot 属于同一 continuity_group，且存在同一角色、同一载具、同一动作方向或同一道具状态时，优先将前一 shot 的 final_shot 视频加入 reference_video
• 禁止在无参考图的情况下纯文本生成主角视频，以免丢失人物一致性。

异常重试规则（媒体生成层）

• 人物一致性失控：确认 key_element 身份板图像已正确绑定为 reference_image 后，切换至 Kling 3.0 Omni（refer_type: feature）重试，最多 2 次；仍失控则上报 Planner 处理。
• 色彩漂移（主色调统治力不足、杂色污染画面）：强化提示词中主色调关键词权重，追加对应干扰色的否定词（如 no cool blue cast, no desaturated red），重新生成该 shot；重试最多 1 次，仍不达标则上报 Planner。
• 自然媒介动态缺失（风/雨/雪/沙动感不可见）：在提示词空间/环境段追加更强烈的自然媒介视觉描述后重试 1 次。
• 模型级失败（报错或超时）：优先在当前工具内切换备用模型重试；若工具内所有模型均失败，停止该 shot 生成并上报 Planner，不跨工具强行兜底。

音频层生成

• 环境音 / BGM：使用 text_to_instrumental，模型：Suno 5（备选 Mureka 8），依 audio_layer 描述的情绪与乐器偏好生成。
• 默认不生成 narration 轨道。

图像提示词——角色身份板（TextToImage / ImageToImage）

按以下模板撰写，用角色 key_element 描述中的具体信息替换占位符：

16:9横版，纯白色背景，电影级角色设计身份板，高端构图，不对称分布，大量留白。主视觉：[角色外貌/服装/道具描述]，全身正面或微侧展示服装材质质感。另含2–3个黑色独立剪影（正/侧/背），3–4个面部表情特写（静默、决绝、含泪、隐忍），局部细节区（衣物纤维、皮肤纹理、手部或佩剑饰物）。整体干净优雅，禁止任何现代磨皮、塑料滤镜与堆叠裁剪。

图像提示词——场景身份板（TextToImage / ImageToImage）

按以下模板撰写，用场景 key_element 描述中的具体信息替换占位符：

16:9横版，[与主色调呼应的深色或纯色]背景，电影级场景概念设计身份板，高端构图，不对称分布，大量留白。主视觉：[场景空间类型 + 标志性构件描述]，全景或大景别展现空间纵深与主色调统治力。另含2–3张同场景不同光线条件下的缩略图（如黎明金光 / 黄昏长影 / 暴雨灰调），3–4张局部特写（地面材质、墙体或植被纹理、标志性道具或建筑构件），以及1–2张标注了对称轴线或框架构图入口的构图草图。整体风格写实电影感，保留环境颗粒与光影层次，禁止糖水色调与过度锐化。

两类身份板提示词写作共同原则：

• 主视觉区必须先描述最关键的视觉锚点（角色用"骨骼轮廓+服装材质"，场景用"空间构件+主色调"），再补充次要细节
• 各分区之间用留白隔开，不堆叠、不裁剪、不重叠
• 禁止在身份板内出现现代感排版元素（如极简 App 风格图标、渐变色块）

视频提示词（MultiModalToVideo / Seedance 2.5（分辨率 480p））

参考图绑定：每个涉及角色/场景的参考图使用 <<<image_1>>>、<<<image_2>>> 等占位符明确标注。

提示词结构（按动作栈顺序书写）：

1. 镜头运动：固定长镜头 / 缓慢推镜 / 升格慢动作（配合仪式化动作强调宿命感）

2. 主体动作：仪式化动作（拔剑、转头、合眼等），极度克制缓慢；情绪必须拆解为生理细节，禁止使用"愤怒、悲伤、恐惧、坚定"等抽象情绪词。以下为标准替换示例，撰写时参照此粒度：

   禁止写法（抽象）正确写法（生理细节）她很愤怒她的颧骨肌肉抽动，牙关死死咬紧，鼻翼急速扇动，眼神定住不眨他很悲伤一滴泪在强逆光下从下眼睑边缘凝聚，沿面部尘土缓缓下坠，嘴唇内侧被咬破一道细小的印痕，呼吸间隔拉长至近乎窒息她感到恐惧她的手指尖微微发颤，指甲掐入掌心留下月牙形压痕，喉结轻微上下滑动，眼白略微扩张，视线向右下角偏移他意志坚定他缓缓收拢五指，将剑柄握紧至指节泛白，抬起下颌约两度，侧颈肌肉绷紧如绳，眼皮一动不动她内心复杂她的视线在虚空中停留三秒后，缓缓垂落至手中的物件；嘴角微微下拉又立刻收回，一个细微的、未完成的表情

   写微表情时优先使用眼部（眼白扩张、眼睑颤抖、凝视方向）、口部（咬牙、嘴唇开合幅度、发音肌群）、颈部与手部（肌肉绷紧、血管浮现、指节变色） 三个区域的组合描写，形成情绪层次。

3. 空间与环境：构图类型（对称构图 / 框架构图——透过红纱/竹叶/窗棂/刀剑缝隙窥视主体）+ 大自然媒介（飞扬的狂风 / 砸落的暴雨 / 静谧的飞雪 / 弥漫的风沙）

4. 光影：大侧光勾勒骨骼轮廓 / 强逆光使边缘发丝与雨滴发光；明暗对比强烈，暗部呈深邃玄色；严禁大平光

5. 色彩：以 Final_Video_Spec 主色调统领画面；非主色调元素低饱和度或水墨化处理，形成极致视觉聚焦

6. 质感：保留皮肤毛孔、汗水与尘土痕迹，轻微电影胶片颗粒感；严禁糖水片美颜与过度锐化

固定否定词：no subtitles, no narration, no music（音频由独立音频层处理），no plastic skin, no flat lighting, no beauty filter。

多段内部剪辑：若 shot 内含多个故事节拍，按叙事顺序列出各段动作描述，不使用时间码切割。

输出规格

• 画面比例：16:9，目标分辨率 1080p（生成完成后通过 super_resolution，模型 MediaKit 升级至 1080p，fps 默认不提升）
• 视频质感：保留轻微电影胶片颗粒感（Film Grain）；不额外添加锐化或美颜处理

节奏与卡点规则

• 依据 Final_Video_Spec 节奏类型严格执行镜头时长规划：
  • 慢节奏（单镜 6–12 秒）：以镜头内部自然动态（风吹、叶落、雨滴落地瞬间）作为剪切锚点，动态达到视觉峰值时出点，不提前硬切
  • 中节奏（单镜 4–8 秒）：以角色关键动作节点（拔剑完成、转头到位）作为出入点，形成动作接续感
  • 快节奏（单镜 2–4 秒）：严格卡环境音效峰值或 BGM 鼓点切换，强调爆发感；连续快切不超过 10 镜，之后必须插入一个 ≥ 4 秒的呼吸镜头

转场规则

• 默认：镜头间使用直切（Hard Cut），维持克制的电影质感
• 仪式感长镜过渡：相邻两镜均为慢节奏长镜时，可使用 0.3 秒溶解转场（Dissolve），增强时间流逝感；每片溶解转场不超过 3 次，避免节奏松弛
• 高潮段落入口：在慢节奏转入快节奏蒙太奇之前，插入一个 0.5 秒黑场隔断，制造节奏反差与心理预期
• 严禁使用滑动、翻页、缩放等现代感转场

音轨合成与分轨音量

• 环境音轨（风声 / 雷雨 / 金属摩擦等）：贯穿全片，设为基准音量 0dB；镜头切换时环境音不断，形成空间连续感
• BGM 轨道（如有）：整体音量比环境音低 3–5dB（视 BGM 动态范围调整），情绪高潮段可短暂拉平至与环境音等响，高潮过后 2 秒内回落
• 音频优先级：环境音 > BGM；两轨同时存在时，BGM 中频段若与环境音冲突，对 BGM 施加轻微中频压缩，保留环境音的空间质感
• 无旁白、无字幕轨道（默认）

淡入淡出时机

• 片头：画面从黑场 0.5 秒淡入；环境音同步从静音渐入，与画面淡入等长（0.5 秒），BGM（如有）延迟 0.5 秒后再淡入，避免开场音效堆叠
• 片尾：画面 1 秒淡出至黑场；BGM（如有）提前 0.5 秒开始渐出，环境音跟随画面同步在 1 秒内淡出至静音，避免 BGM 在黑场中孤立残留
• 段落间黑场（快慢节奏切换处）：黑场时长 0.5 秒，环境音在此段降至 −12dB 后恢复，不完全静音，保持空间感