Anthropomorphic cat film

单集生产七步流程（依序执行，每阶段完成后暂停确认）：

1. 选情绪 + 选处境： 与用户确认本集「集体情绪」（怀旧/思念/委屈/治愈/团圆之一）和对应的「人类处境」（童年/职场/返乡…），共同写出一句 logline：「猫猫们替我们重过了一遍____」。用 text_editor 建立 Final_Video_Spec.md，锁定情绪标签、处境、logline、目标时长、画幅（默认 9:16）、输出语言。
2. 拆场景 + 猫化翻译 → 分镜设计： 将处境拆解为 3–6 个记忆锚点，完成猫化翻译，设计完整 Storyboard（关键元素、镜次列表、跨镜音轨）→ storyboard_designer。完成后暂停，请用户确认分镜再继续。
3. 生成或绑定元素图： 对所有 key_element 生成参考图；若用户已上传角色/场景素材，优先注册 asset_id 并绑定到对应元素槽，不重复生成 → media_generator。完成后暂停确认。
4. 逐镜生成视频： 按分镜顺序生成每个 shot 的 final_shot → media_generator。完成后暂停确认。
5. 生成音频： 生成背景音乐（及台词配音，如需）→ media_generator。完成后暂停确认。
6. 合成输出： 按三层结构（萌层→戏层→心层）节奏装配时间线，片尾预留悬念钩子 → video_assembler。

依赖关系： 2→1；3→2；4→3；5→2；6→3,4,5。

暂停节点： 步骤 1、2、3、4 完成后均须暂停，等待用户确认后方可进入下一阶段；不得一次性跑完全部步骤。

核心创作公式

每集必须同时满足三要素：猫的身体（萌感载体）× 人的处境（情节来源）× 集体情绪（传播引擎）。选题永远从「人」出发——猫只是演员。判断标准：这条视频能不能让观众 @ 一个具体的人。

三层结构（必须齐备，缺一不可）

层级职责时长占比失败表现萌层（视觉钩子）前 3 秒用萌态/反差留住人；全片点缀萌感开头 0–5 秒 + 全片点缀开头平淡，完播率塌陷戏层（拟人情节）把「人的处境」翻译成猫能演的具体动作场景，3–6 个场景蒙太奇推进全片 60–70%流水账，有画面没故事心层（情感共鸣）结尾 10–20 秒收束升华：一句字幕/一个空镜，把情绪还给观众结尾 10–15%点破过头，煽情变尬，弹幕从泪目变尬

分镜设计规范

• 每一镜必须标明「场景地点」字段（教室/宿舍/村口小卖部/屋顶…），直接服务后续 AI 提示词生成。
• 场景锚点要求「一眼认出」：玻璃瓶可乐、跳房子、老冰棍、屋顶星空等标志性记忆符号优先。
• 拆景数量：3–6 个，过多则节奏松散。

动物行为基线（V1.3）

• 默认保持自然行为方式（四脚行走、打哈欠、踩奶、甩尾等），不做无差别拟人化直立。
• 拟人动作（穿衣服、开冰箱、使用道具）仅在剧情明确需要时逐镜写出，非默认行为。
• 道具按猫的身体比例缩放，保留猫的本能动作——拟人但不去猫化。

默认角色矩阵

每个角色须具备「角色卡三件套」：外形签名（视觉商标）+ 性格签名（一个稳定缺点比十个优点有用）+ 关系签名（与其他角色的固定关系线）。

角色外形签名备注元宝黄渔夫帽主角豆皮——毛台橘白狸花纹幼猫V1.3 外形修订卷卷——

角色形象须第一时间做版权登记。

人类角色规范（V1.2）

• 「爸爸妈妈」= 人类主人，出镜不露脸：主观镜头 / 画外伸手 / 背影三选一。
• 背景群演：公共场所群演为人类；主角可与功能性人类角色（服务员/老师/校长）互动。

语言系统（V1.1 核心规则）

• 禁用旁白式抒情字幕；禁止文绉绉煽情。
• 角色之间用自然的喵叫/旺旺叫「交流」，字幕以台词对白形式呈现，不写成旁白。
• 台词必须童真化：短句、口语、带点傻气。示例——毛台：「喵呜？毕业是什么呀？」
• 情绪不许直接念出，从对白互动和画面里「漏」出来；最重的台词留给角色最后小声说，或干脆留白让弹幕替观众说完。

跨镜音轨设计

• 每集至少一条 BGM audio_layer，情绪须与「集体情绪」标签吻合（怀旧/治愈/温暖/思念…）。
• 心层结尾段落 BGM 渐弱或留白，给情绪空间。
• 台词音效（喵叫/旺叫）可作为独立音效层叠加在对应镜次时间点。
• 不设旁白 VO 轨道。

画面风格

全片现实写实风格（非 3D 动画、非卡通），所有视觉元素须与真实宠物/实景匹配。

角色/场景元素图生成

• 使用 TextToImage 或 ImageToImage，推荐模型：Nano Banana Pro (Gemini 3 Pro Image)，分辨率 2K。
• 每个 element character 生成一张横向并排参考图：左侧头肩特写（面部特征/毛色/眼神），右侧全身（道具/体型/姿态）。
• 若用户已上传角色或场景素材，优先注册 asset_id 并绑定到对应 key_element，不重复生成。

Shot 视频生成

• 使用 MultiModalToVideo，推荐模型：Seedance 2.5，分辨率 480p。
• 每个 shot 的参考输入：
  1. 角色 element 图：该镜出现的所有角色的 key_element 参考图（必选）。
  2. 场景 element 图（如有）。
  3. 前一镜 reference_video：仅当与上一镜连续性极强时添加；通常不加。
• 人类角色出镜时：提示词中只描述可见部分（画外手部/背影），不生成人脸。

背景音乐生成

• 使用 text_to_instrumental，推荐模型：Suno 5 或 Mureka 8。
• 提示词须对应本集「集体情绪」标签（怀旧/治愈/温暖/思念…）。

全局优先级： 用户使用中文交互时，提示词正文用中文撰写。

图像提示词（TextToImage / ImageToImage）

• 写法：「主体 + 动作 + 场景地点 + 光线/色调 + 构图」连贯自然语言，不拆成标签列表。
• 风格固定锚词：真实感、自然光、写实摄影、非卡通。
• 角色须通过 @资产引用 绑定 key_element 图，不在提示词正文中用文字描述外形（防止角色漂移）。
• 道具按猫的体型比例描述（「与猫爪等宽的玻璃瓶」而非「玻璃瓶」）。
• 人类出镜时只写可见部分（「画外伸来的手」「背对镜头的人影」），不写人脸。

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

• 参考图绑定占位符：<<<image_1>>> 对应第一个角色元素图，<<<image_2>>> 对应场景图，以此类推；每个角色独立占位。
• 动作描述顺序：镜头运动 → 主体动作（保留猫的本能行为）→ 空间/环境变化 → 音效/台词标注。
• 台词与音效使用 Seedance 2.5 标注格式：对白 {喵呜？毕业是什么呀？}，音效 <猫咪轻柔叫声>；BGM 由独立音轨承载时提示词末尾加 no music；始终加 no subtitles（字幕后期处理）。
• 拟人动作仅在分镜明确写出时才写入提示词；默认描述自然猫行为。
• 场景地点必须写入提示词，直接从分镜「场景地点」字段取值。

三层节奏装配

• 萌层（0–5 秒）： 第一个 shot 必须是视觉最强的萌态/反差画面，直接入画，无须黑场或片头 logo。
• 戏层（全片 60–70%）： 3–6 个场景镜次蒙太奇剪辑，节奏紧凑；场景间可用短暂黑切或叠化，避免硬切过多造成碎片感。
• 心层（结尾 10–15%）： BGM 渐弱；最后一个情绪镜头适当延长停留（+0.5–1 秒）；字幕淡入后停留足够阅读时间，再淡出黑场。

片尾悬念钩子

最后 2–3 秒预留下集钩子：定格画面 + 疑问字幕，或角色动作戛然而止。

音频装配

• BGM 全程铺底；心层段落音量降至 60–70%，保留留白感。
• 台词音效（喵叫/旺叫）叠加在对应 shot 时间点，音量高于 BGM 但不压混。
• 无旁白 VO 轨道。

导出

默认画幅 9:16（竖屏短视频）；帧率跟随生成素材默认值。