Подготовьте проект студии. Многоступенчатые инструкции являются ссылками; они не запускаются и не заряжаются для генерации.
为产品创建逼真的数字人宣传视频。使用 Nano Banana + Omni Human1.5。在关键阶段暂停以供用户确认;采用人机协作的一键式流程。
Текст рабочего процесса сохранился в оригинальном китайском языке. Ссылки на модели могут отличаться от тех, которые доступны здесь. Проверьте студию на наличие поддерживаемых моделей и фактических кредитных котировок.
完整视频的阶段逻辑与依赖关系:
Final_Video_Spec.md(标题、类型、比例、时长、视觉风格、模型偏好)→ text_editor。依赖关系: 2→1; 3→2; 4→2; 5→2; 6→4,5。
何时暂停: 不要一次性执行所有步骤。在上述每个关键阶段(例如:规格确定后、故事板完成后、元素生成后、镜头视频生成后、音频生成后)停下来,与用户确认,然后再继续。在继续之前,使用卡片或 reply_to_user 邀请用户进行审阅。
如何设计关键元素
数字人 (digital avatar)
TextToImage 根据规格(年龄、性别、服装和与用户简报一致的语调)创建全新的数字人。产品资产 (product assets)
如何设计镜头
如何设计独立音频
narration):声音标识、语调、确切脚本,以及针对相关镜头的 layout_instruction。元素图像生成
关键帧图像生成(每个镜头)
最终镜头视频生成
使用 ImageToVideoByAudio。推荐模型:OmniHuman1.5,分辨率 1080p。引用关键帧 + 对齐的音频片段。
优先级最高、适用于所有prompt编写情况:当用户使用中文输入或是加载中文语言环境时,提示词prompt需要用中文书写。但是prompt中有关旁白/对话的内容要严格遵循Final_Video_Spec中的Output Language。
图像生成提示词 (TextToImage, ImageToImage)
所有图像提示词的一般原则
提示词不仅仅是描述“画面里有什么”,更像是一位真正的电影导演和调色师在给团队下达指令。
使用连贯的自然语言来描述场景内容(主体 + 行为 + 环境等),并使用短语来描述视觉美学(风格、颜色、灯光、构图)。拒绝文学修辞: 不要向 AI 解释角色的动机或内心状态(例如“好像他并不关心这张照片”)。不要描述画面外或不可见的元素。只描述物理上可见的内容。
当目标角色是 key_element 时
提供清晰、详细的元素视觉定义,以确保其在不同镜头中保持一致。围绕以下结构构建提示词:
当目标角色是关键帧时
视频生成提示词
对于基于关键帧参考的视频生成,提示词的主要目的是描述**“变化”和“动态”**。重点在于让场景生动起来,而不是重新描述参考图中已经存在的静态细节。高质量的视频提示词必须描述场景在以下维度上的动态演变:
no music(或同等指令),以免生成的片段与最终混音冲突;如果工具支持文本对齐,则包含确切的台词或对音频片段的意译。对于 ImageToVideoByAudio
当使用音频驱动(口型同步/表演)模型时,提示词必须遵循上述维度,同时还必须遵守以下独特结构: