GTA 6-style life demo

スタジオの下書きを準備します。複数段階の手順は参考情報です。自動生成や課金は行いません。

受 GTA6 官方公开素材启发的主题视频、分镜、提示词和视觉审查。只借鉴公开素材里的视觉语法、城市气质、镜头组织和角色类型，不复刻官方镜头、Logo、UI、商标、车牌或具体台词。

制作フロー本文は原文の中国語です。記載モデルと当サイトの対応モデルは異なる場合があります。実際のモデルと必要クレジットはスタジオで確認してください。

制作フロー全文

1. 制作計画

**全流程规划逻辑与依赖关系：**

1. **全局设定初始化**：创建并锁定 Final_Video_Spec.md（明确画面比例默认为 16:9；**受开放世界犯罪/街头题材启发的主题视频、分镜、提示词和视觉审查。只借鉴其视觉语法、城市气质、镜头组织和角色类型，不复刻官方镜头、Logo、UI、商标、车牌或具体台词。**） → **text_editor**。
   - 视觉风格不是单纯“霓虹犯罪”，而是“热带度假广告 + 真实犯罪纪录片 + 社交媒体荒诞短视频 + 开放世界城市展示”的混合体。画面表层热闹、性感、阳光、夸张；底层始终有追捕、债务、人情、走私、音乐产业、帮派和情侣逃亡的压力。
2. **分镜大纲设计**：设计完整故事分镜脚本（时长默认控制在30-60s的小篇幅游戏实机展示demo，除非用户有明确的长故事需求），包含 key_elements（角色、场景、道具）及 shot 列表。此处提供两种角色创作路径，由用户进行选择：
   - **方案一（经典角色原型）**：使用内置的 **角色原型库创建人物**（如逃亡拍档、地下大佬、社媒网红等）。
   - **方案二（用户定制角色）**：用户上传个人照片（只作为创意参考）。使用 **resource_prepare_and_analyze** 仅分析用户的性别与大概形象，输出极简描述，生图时将用户原图作为视觉参考（ImageToImage）由模型自行识别服装妆造，生成为自定义的 key_element 角色，开启专属的开放世界逃亡之旅。
3. **资产准备与角色图生成**：
   - **方案一**：直接为内置原型角色生成符合 GTA 风格、3D 游戏实机质感的 3D 渲染参考图 → **media_generator**。
   - **方案二**：根据分析出来的用户特征，使用 **ImageToImage** 生成符合用户外貌的、具备 GTA 风格、3D 游戏、第三人称游戏、UE 渲染质感特征的 key_element 角色图，并绑定为对应的角色 asset_id。
4. **视频镜头生成**：遍历分镜列表，调用 **MultiModalToVideo** 逐个生成 final_shot 视频，生成时绑定前面生成的角色、场景等 key_element 资产图片作为视觉参考。
5. **音频层生成**：根据分镜中的音频规划（警笛、夜店低音、广播、角色配音），调用 **generate_audio_resource** 生成bgm资产。
6. **视频剪辑合成**：调用 **video_assembler** 合成音视频轨道，控制游戏感剪辑节奏，最终引导用户进行渲染输出。

**依赖关系**：2 → 1；3 → 2；4 → 3；5 → 2；6 → 3, 4, 5。

**阶段性确认节点（Pause Checkpoints）**：

- 在 **Final_Video_Spec.md** 及 **Storyboard** 生成完毕后，暂停并让用户确认故事大纲与镜头规划。
- 在 **key_element 角色图像（特别是方案二的用户定制角色）** 渲染完毕后，暂停展示，用户确认其符合风格特征后再进行视频生成。
- 禁止一键运行到底，多使用选项卡与用户互动。

全流程规划逻辑与依赖关系：

全局设定初始化：创建并锁定 Final_Video_Spec.md（明确画面比例默认为 16:9；受开放世界犯罪/街头题材启发的主题视频、分镜、提示词和视觉审查。只借鉴其视觉语法、城市气质、镜头组织和角色类型，不复刻官方镜头、Logo、UI、商标、车牌或具体台词。） → text_editor。
- 视觉风格不是单纯“霓虹犯罪”，而是“热带度假广告 + 真实犯罪纪录片 + 社交媒体荒诞短视频 + 开放世界城市展示”的混合体。画面表层热闹、性感、阳光、夸张；底层始终有追捕、债务、人情、走私、音乐产业、帮派和情侣逃亡的压力。
分镜大纲设计：设计完整故事分镜脚本（时长默认控制在30-60s的小篇幅游戏实机展示demo，除非用户有明确的长故事需求），包含 key_elements（角色、场景、道具）及 shot 列表。此处提供两种角色创作路径，由用户进行选择：
- 方案一（经典角色原型）：使用内置的 角色原型库创建人物（如逃亡拍档、地下大佬、社媒网红等）。
- 方案二（用户定制角色）：用户上传个人照片（只作为创意参考）。使用 resource_prepare_and_analyze 仅分析用户的性别与大概形象，输出极简描述，生图时将用户原图作为视觉参考（ImageToImage）由模型自行识别服装妆造，生成为自定义的 key_element 角色，开启专属的开放世界逃亡之旅。
资产准备与角色图生成：
- 方案一：直接为内置原型角色生成符合 GTA 风格、3D 游戏实机质感的 3D 渲染参考图 → media_generator。
- 方案二：根据分析出来的用户特征，使用 ImageToImage 生成符合用户外貌的、具备 GTA 风格、3D 游戏、第三人称游戏、UE 渲染质感特征的 key_element 角色图，并绑定为对应的角色 asset_id。
视频镜头生成：遍历分镜列表，调用 MultiModalToVideo 逐个生成 final_shot 视频，生成时绑定前面生成的角色、场景等 key_element 资产图片作为视觉参考。
音频层生成：根据分镜中的音频规划（警笛、夜店低音、广播、角色配音），调用 generate_audio_resource 生成bgm资产。
视频剪辑合成：调用 video_assembler 合成音视频轨道，控制游戏感剪辑节奏，最终引导用户进行渲染输出。

依赖关系：2 → 1；3 → 2；4 → 3；5 → 2；6 → 3, 4, 5。

阶段性确认节点（Pause Checkpoints）：

在 Final_Video_Spec.md 及 Storyboard 生成完毕后，暂停并让用户确认故事大纲与镜头规划。
在 key_element 角色图像（特别是方案二的用户定制角色） 渲染完毕后，暂停展示，用户确认其符合风格特征后再进行视频生成。
禁止一键运行到底，多使用选项卡与用户互动。

2. マルチモーダル分析

**分析用户上传图片/参考物：**
- **用户照片特征提取（方案二专用）**：当用户选择“上传照片，渲染成 GTA6 风格角色”时，本工具负责对其上传的真人照片进行多模态分析。
  - 仅分析并描述用户的**性别和大概形象/气质**（例如：性别、大致年龄范围、面部大致轮廓或核心神态眼神）。
  - **不要描述或提取发型、妆容、服装穿着、配饰等具体细节**。
  - 输出非常简练的英文特征词，例如：A Hispanic male in his 20s, with sharp facial features and determined eyes。生图阶段由图像生成模型通过 ImageToImage 视觉参考路径，直接对照用户照片自适应提炼发型与服饰等细节，无需在提示词中生硬规定。
  - 强调将用户的现实基础形象抽象为“GTA风格、3D游戏角色、第三人称游戏实机、UE渲染”的底色，剔除照片背景与光照干扰。
- **画风与视频参考分析**：若用户上传了第三方视频/动图作为动作或色调参考，分析其镜头运动（如第三人称跟随、低机位车辆追逐）和色彩成分，生成转写文本供给 storyboard 和 media generator。

分析用户上传图片/参考物：

用户照片特征提取（方案二专用）：当用户选择“上传照片，渲染成 GTA6 风格角色”时，本工具负责对其上传的真人照片进行多模态分析。
- 仅分析并描述用户的性别和大概形象/气质（例如：性别、大致年龄范围、面部大致轮廓或核心神态眼神）。
- 不要描述或提取发型、妆容、服装穿着、配饰等具体细节。
- 输出非常简练的英文特征词，例如：A Hispanic male in his 20s, with sharp facial features and determined eyes。生图阶段由图像生成模型通过 ImageToImage 视觉参考路径，直接对照用户照片自适应提炼发型与服饰等细节，无需在提示词中生硬规定。
- 强调将用户的现实基础形象抽象为“GTA风格、3D游戏角色、第三人称游戏实机、UE渲染”的底色，剔除照片背景与光照干扰。
画风与视频参考分析：若用户上传了第三方视频/动图作为动作或色调参考，分析其镜头运动（如第三人称跟随、低机位车辆追逐）和色彩成分，生成转写文本供给 storyboard 和 media generator。

3. 絵コンテ設計

**一、设计核心元素 (key_elements)**
在Storyboard中，可根据具体项目题材预定义以下高频角色、场景与道具角色原型，以支持高度灵活的自定义剧本扩展：
- **经典角色原型库 (element character)**：
  - MALE_LEAD：典型男主角（如热血驾驶者、街头青年），结实、疲惫警觉，擅长极限临场反应。
  - FEMALE_LEAD：典型女主角（如冷静决策者、干练女强人），强硬、果断，在困境中寻找出路。
  - UNDERGROUND_BOSS：地下产业巨头/幕后大佬，常戴墨镜、穿着奢华，眼神深不可测。
  - INFLUENCER_STREET：社媒网红/街头喧嚣者，追求流量与关注，经常举手机直播或热衷派对。
  - MASTERMIND_PLANNER：行事缜密的行动策划者，经验丰富，老练且难以捉摸。
  - REGIONAL_SMUGGLER：老派海岛/边界走私者，粗粝、不羁，代表旧时代的犯罪遗留规则。
  - PARANOID_MONITOR：偏执监听者，松弛体态，擅长在满是屏幕与电台的暗室中获取线索。
  - CUSTOM_USER_HERO（方案二专用）：根据用户照片分析转换而来的定制主角，继承用户核心外形与眼神特征，具有极强的身份代入感。
- **经典场景模板库 (element scene)**：
  - METROPOLIS_NEON：热带霓虹都市、繁华海滩、高架桥梁、粉紫街道、积水路面。
  - COASTAL_ISLANDS：海岛走私带、蓝绿海水、码头、白色游艇、黄昏跨海长桥。
  - WILD_SWAMP：湿地荒野、沼泽芦苇、直升机探照灯、泥水雾气。
  - DECAYED_HARBOR：廉价港口城、汽车旅馆、Motel停车场、旧加油站。
  - INDUSTRIAL_TOWN：工业外围镇、钢架厂房、烟囱、摩托车队、滚滚尘土。
  - STORMY_MOUNTAIN：山地国家公园、森林幽暗山路、暴雨闪电。

**二、设计镜头组织形式 (shots)**\
- **分镜数量规范**：整个剧本设计默认不宜过长，控制在 **1-3 个 shot** 即可。除非用户明确要求更长更复杂的剧情，否则优先采用精简体量，以保证极致的渲染效率和单镜质量。
- 针对不同的创作目的，提供两种可高扩展的叙事结构设计要求：
- **结构A：快节奏事件叙事（多切镜组合，适合预告片或动作场面）**：你需要和用户确认核心剧情：
  - **开场段落 - 氛围铺垫**：多用广角俯视、天际线慢移，声音融入环境音、远处警笛或电台，展现“平静外表下的暗流涌动”。
  - **中段段落 - 冲突失控**：动作局部特写、角色争执、追逐碰撞，穿插社交媒体手持/直播视角。节奏由平缓切到高频，多机位频繁切镜。
  - **收尾段落 - 悬念悬挂**：特写眼神、车门关闭、倒后镜等，音乐突歇，只留引擎、呼吸或单调音效，留下戏剧悬念。
- **结构B：单镜头生活/玩法切片（一镜到底，5-12s）**：
  - 强调高可读性、单一连贯动作（如：给肌肉车加油、站在积水路口看棕榈树、在影院门前步行、慢速车辆碰撞金属挤压物理瞬间、手机拍摄游戏屏幕的“泄露质感”）。
  - 必须严格规范：单镜头内禁止切换时空或拼接蒙太奇，保持极度流畅的类游戏第三人称跟随相机延迟。

**三、镜头语言分类与专有视角**
1. **类 gameplay 第三人称视角**：机位偏低、偏侧，处于角色身后，保留第三人称空间感，带有轻微延迟，隐去游戏UI。
2. **车载/车旁混合视角**：镜头处于副驾驶肩后、后视镜、或后保险杠极低位置，前景为车体，霓虹灯光在湿车身和玻璃上高速滑过。
3. **社交媒体竖屏视角**：模拟手机自拍、手持直播，偶发抖动、短暂失焦与边缘失真，画面长宽比可转为 9:16 插入。
4. **监控 / 警方 bodycam 视角**：CCTV 固定广角、带压缩与噪点；bodycam 强烈晃动、带有近距离鱼眼畸变。
5. **亲密逃亡双人视角**：车窗、Motel门框、百叶窗遮挡构图，营造“犯罪压力下的温情与防备”。

**四、音频层规划 (audio_layers)**
- 全局配置一条主题音乐音轨（BGM：合成器波、现代说唱、南部电台摇滚）。
- 针对对话（dialogue），使用 key_element_audio 保持主角嗓音的粗粝/沙哑或拉丁语调。

**五、分镜设计配方与场景动作语法**
针对视频创作中的两种镜头结构，在设计 Storyboard 时必须严格遵守以下场景动作设计规则：
1. **单镜头一镜到底（生活切片 / 单一动作）设计规则**：
   - **核心设计意图**：适合 5-12 秒的稳定短镜头。核心是“一件事从开始到结束”，动作绝不复杂，镜头绝不乱切，以此建立开放世界的真实生活与 gameplay 质感。
   - **动作设计限制**：一镜到底只保留 **1 个主行为**（例如：给车加油、递热狗、拿啤酒、打开车门、扫码付款、擦挡风玻璃、点烟、把现金塞进口袋）。禁止在单镜头内同时设计多项并行或连贯的复合剧烈动作（如：不要让角色在加油的同时打电话、掏枪、奔跑）。
   - **镜头运镜限制**：只保留 **1 种运动方式**（如：慢速推近、侧向横移跟拍、类 gameplay 固定或浮动视角、车内轻微手持摇晃）。
   - **音频配合设计**：音轨需要提供极具临场感的环境音锚点，如车流声、远处警笛、夜店低音、便利店门铃、加油枪滴答声。

2. **多切镜事件（追逐 / 冲突 / 抢劫 / 混乱事件）设计规则**：
   - **核心设计意图**：推荐将每个多切镜事件（如追逐、冲突等）统一设计为 **30s 的单个 shot**。这样能最大化发挥视频生成模型在单次 30 秒生成中产出丰富内部切镜、流畅场景过渡和饱满信息密度的最佳性能。
   - **分镜结构公式 (8-Cut 经典流)**：
     - **Shot 1 (环境与威胁)**：交代所处场景、地点环境以及面临的突发威胁/对手。
     - **Shot 2 (动作细节特写)**：展示高动态动作局部特写（如猛踩油门、换挡、推搡、枪栓拉动）。
     - **Shot 3 (反应与阻碍)**：展现角色的受阻反应、路人荒乱、物理撞击或警灯闪烁等不同机位画面。
     - **Shot 4 (悬念/终局冲击)**：展现逃脱、撞击瞬间或极具张力的定格画面，留下悬念钩子。
   - **空间连续性限制**：高动态镜头必须维持空间、时间、光影的一致。角色、车辆必须在相同的街区或空间，朝一致的方向运动，避免画面跳跃产生穿帮。
   - **切镜与音频配合**：每个短镜头只承载 1 个明确的信息点。镜头要全景、车内、低机位、特写、社媒画面交替混剪，并为每次碰撞、轰鸣、破碎声在音轨1中预留精准的音效对齐点（如引擎轰鸣、玻璃碎、警用广播、轮胎摩擦）。

一、设计核心元素 (key_elements)
在Storyboard中，可根据具体项目题材预定义以下高频角色、场景与道具角色原型，以支持高度灵活的自定义剧本扩展：

经典角色原型库 (element character)：
- MALE_LEAD：典型男主角（如热血驾驶者、街头青年），结实、疲惫警觉，擅长极限临场反应。
- FEMALE_LEAD：典型女主角（如冷静决策者、干练女强人），强硬、果断，在困境中寻找出路。
- UNDERGROUND_BOSS：地下产业巨头/幕后大佬，常戴墨镜、穿着奢华，眼神深不可测。
- INFLUENCER_STREET：社媒网红/街头喧嚣者，追求流量与关注，经常举手机直播或热衷派对。
- MASTERMIND_PLANNER：行事缜密的行动策划者，经验丰富，老练且难以捉摸。
- REGIONAL_SMUGGLER：老派海岛/边界走私者，粗粝、不羁，代表旧时代的犯罪遗留规则。
- PARANOID_MONITOR：偏执监听者，松弛体态，擅长在满是屏幕与电台的暗室中获取线索。
- CUSTOM_USER_HERO（方案二专用）：根据用户照片分析转换而来的定制主角，继承用户核心外形与眼神特征，具有极强的身份代入感。
经典场景模板库 (element scene)：
- METROPOLIS_NEON：热带霓虹都市、繁华海滩、高架桥梁、粉紫街道、积水路面。
- COASTAL_ISLANDS：海岛走私带、蓝绿海水、码头、白色游艇、黄昏跨海长桥。
- WILD_SWAMP：湿地荒野、沼泽芦苇、直升机探照灯、泥水雾气。
- DECAYED_HARBOR：廉价港口城、汽车旅馆、Motel停车场、旧加油站。
- INDUSTRIAL_TOWN：工业外围镇、钢架厂房、烟囱、摩托车队、滚滚尘土。
- STORMY_MOUNTAIN：山地国家公园、森林幽暗山路、暴雨闪电。

二、设计镜头组织形式 (shots)\

分镜数量规范：整个剧本设计默认不宜过长，控制在 1-3 个 shot 即可。除非用户明确要求更长更复杂的剧情，否则优先采用精简体量，以保证极致的渲染效率和单镜质量。
针对不同的创作目的，提供两种可高扩展的叙事结构设计要求：
结构A：快节奏事件叙事（多切镜组合，适合预告片或动作场面）：你需要和用户确认核心剧情：
- 开场段落 - 氛围铺垫：多用广角俯视、天际线慢移，声音融入环境音、远处警笛或电台，展现“平静外表下的暗流涌动”。
- 中段段落 - 冲突失控：动作局部特写、角色争执、追逐碰撞，穿插社交媒体手持/直播视角。节奏由平缓切到高频，多机位频繁切镜。
- 收尾段落 - 悬念悬挂：特写眼神、车门关闭、倒后镜等，音乐突歇，只留引擎、呼吸或单调音效，留下戏剧悬念。
结构B：单镜头生活/玩法切片（一镜到底，5-12s）：
- 强调高可读性、单一连贯动作（如：给肌肉车加油、站在积水路口看棕榈树、在影院门前步行、慢速车辆碰撞金属挤压物理瞬间、手机拍摄游戏屏幕的“泄露质感”）。
- 必须严格规范：单镜头内禁止切换时空或拼接蒙太奇，保持极度流畅的类游戏第三人称跟随相机延迟。

三、镜头语言分类与专有视角

类 gameplay 第三人称视角：机位偏低、偏侧，处于角色身后，保留第三人称空间感，带有轻微延迟，隐去游戏UI。
车载/车旁混合视角：镜头处于副驾驶肩后、后视镜、或后保险杠极低位置，前景为车体，霓虹灯光在湿车身和玻璃上高速滑过。
社交媒体竖屏视角：模拟手机自拍、手持直播，偶发抖动、短暂失焦与边缘失真，画面长宽比可转为 9:16 插入。
监控 / 警方 bodycam 视角：CCTV 固定广角、带压缩与噪点；bodycam 强烈晃动、带有近距离鱼眼畸变。
亲密逃亡双人视角：车窗、Motel门框、百叶窗遮挡构图，营造“犯罪压力下的温情与防备”。

四、音频层规划 (audio_layers)

全局配置一条主题音乐音轨（BGM：合成器波、现代说唱、南部电台摇滚）。
针对对话（dialogue），使用 key_element_audio 保持主角嗓音的粗粝/沙哑或拉丁语调。

五、分镜设计配方与场景动作语法
针对视频创作中的两种镜头结构，在设计 Storyboard 时必须严格遵守以下场景动作设计规则：

单镜头一镜到底（生活切片 / 单一动作）设计规则：
- 核心设计意图：适合 5-12 秒的稳定短镜头。核心是“一件事从开始到结束”，动作绝不复杂，镜头绝不乱切，以此建立开放世界的真实生活与 gameplay 质感。
- 动作设计限制：一镜到底只保留 1 个主行为（例如：给车加油、递热狗、拿啤酒、打开车门、扫码付款、擦挡风玻璃、点烟、把现金塞进口袋）。禁止在单镜头内同时设计多项并行或连贯的复合剧烈动作（如：不要让角色在加油的同时打电话、掏枪、奔跑）。
- 镜头运镜限制：只保留 1 种运动方式（如：慢速推近、侧向横移跟拍、类 gameplay 固定或浮动视角、车内轻微手持摇晃）。
- 音频配合设计：音轨需要提供极具临场感的环境音锚点，如车流声、远处警笛、夜店低音、便利店门铃、加油枪滴答声。
多切镜事件（追逐 / 冲突 / 抢劫 / 混乱事件）设计规则：
- 核心设计意图：推荐将每个多切镜事件（如追逐、冲突等）统一设计为 30s 的单个 shot。这样能最大化发挥视频生成模型在单次 30 秒生成中产出丰富内部切镜、流畅场景过渡和饱满信息密度的最佳性能。
- 分镜结构公式 (8-Cut 经典流)：
  - Shot 1 (环境与威胁)：交代所处场景、地点环境以及面临的突发威胁/对手。
  - Shot 2 (动作细节特写)：展示高动态动作局部特写（如猛踩油门、换挡、推搡、枪栓拉动）。
  - Shot 3 (反应与阻碍)：展现角色的受阻反应、路人荒乱、物理撞击或警灯闪烁等不同机位画面。
  - Shot 4 (悬念/终局冲击)：展现逃脱、撞击瞬间或极具张力的定格画面，留下悬念钩子。
- 空间连续性限制：高动态镜头必须维持空间、时间、光影的一致。角色、车辆必须在相同的街区或空间，朝一致的方向运动，避免画面跳跃产生穿帮。
- 切镜与音频配合：每个短镜头只承载 1 个明确的信息点。镜头要全景、车内、低机位、特写、社媒画面交替混剪，并为每次碰撞、轰鸣、破碎声在音轨1中预留精准的音效对齐点（如引擎轰鸣、玻璃碎、警用广播、轮胎摩擦）。

4. 素材生成

**一、模型选择与参数约束**
- **角色3D渲染图像生成 (TextToImage / ImageToImage)**：
  - 推荐模型：**Nano Banana Pro** 。
  - 方案二生成策略：在 ImageToImage 下输入用户照片，生成定制主角的专属 3D 渲染全身照与面部侧写。
- **Shot 视频生成 (MultiModalToVideo)**：
  - 默认且首选模型：**Seedance 2.5**（分辨率 **480p**）（提供长达 30s 且画质极佳、镜头转场自然的场景表现）。
  - **视频生成时长**：对于多切镜事件视频，统一设置生成时长为 **30s**，以确保发挥最出色的多镜头内部切镜与自然转场渲染效果。
  - 分辨率默认选 **480p**，若用户是高级会员，则优先使用 **480p**（支持极精细的汗水、金属反光细节）。
  - 视频生成时，多参考 key_elements 生成的角色和场景图片资产，确保每一镜的主角外貌绝不走样。

**二、参考绑定（Binding & Grounding）规则**
- 生成每个 shot 视频时，必须使用 **MultiModalToVideo** 并进行以下逻辑绑定：
  - 视觉参考（Visual Reference）：
    1. 必须绑定镜头内出现的角色 asset_id （如自定义主角或经典主角原型）。
    2. 必须绑定当前所在的场景 asset_id （如汽车旅馆、霓虹都市夜街）。
  - 连续性参考（Continuity Reference）：若属于高强度多切镜追赶、撞车场景，在生成 Shot N 时，绑定 Shot N-1 的视频作为参考，确保车辆颜色、受损程度和光影平滑过渡。
  - 声音绑定（Sound Reference）：若镜头内包含角色面对镜头说话（dialogue），必须在 audio_infos 中绑定该角色专属的 key_element_audio（声线引用资产），实现音画同步。

一、模型选择与参数约束

角色3D渲染图像生成 (TextToImage / ImageToImage)：
- 推荐模型：Nano Banana Pro 。
- 方案二生成策略：在 ImageToImage 下输入用户照片，生成定制主角的专属 3D 渲染全身照与面部侧写。
Shot 视频生成 (MultiModalToVideo)：
- 默认且首选模型：Seedance 2.5（分辨率 480p）（提供长达 30s 且画质极佳、镜头转场自然的场景表现）。
- 视频生成时长：对于多切镜事件视频，统一设置生成时长为 30s，以确保发挥最出色的多镜头内部切镜与自然转场渲染效果。
- 分辨率默认选 480p，若用户是高级会员，则优先使用 480p（支持极精细的汗水、金属反光细节）。
- 视频生成时，多参考 key_elements 生成的角色和场景图片资产，确保每一镜的主角外貌绝不走样。

二、参考绑定（Binding & Grounding）规则

生成每个 shot 视频时，必须使用 MultiModalToVideo 并进行以下逻辑绑定：
- 视觉参考（Visual Reference）：
  1. 必须绑定镜头内出现的角色 asset_id （如自定义主角或经典主角原型）。
  2. 必须绑定当前所在的场景 asset_id （如汽车旅馆、霓虹都市夜街）。
- 连续性参考（Continuity Reference）：若属于高强度多切镜追赶、撞车场景，在生成 Shot N 时，绑定 Shot N-1 的视频作为参考，确保车辆颜色、受损程度和光影平滑过渡。
- 声音绑定（Sound Reference）：若镜头内包含角色面对镜头说话（dialogue），必须在 audio_infos 中绑定该角色专属的 key_element_audio（声线引用资产），实现音画同步。

5. プロンプト作成

**一、通用 Prompt 构建原则 (TextToImage & ImageToImage)**
- 绝对禁止包含具体的商业游戏名称、版权标志或品牌 Logo。
- 采用“导演与调色师”视角：多用动作描述和具象材质词，不写情绪猜测。
- **色调与光影口诀**：
  - *都市霓虹夜晚*：pink and purple neon, wet black asphalt reflections, cyan highlights, dynamic sodium lights。
  - *热带海岸黄昏*：golden hour glow, teal sea, distant silhouette of palms, hazy sunset sky。
  - *晨雾湿地沼泽*：olive green muddy water, dense morning fog, silver gray, intense helicopter searchlight beam cutting through haze。
  - *白日光照*：harsh tropical sunlight, overexposed edges, deep dark hard shadows, heat shimmer。
**二、角色 3D 渲染 Prompts 构建结构**
- 统一采用 GTA 风格、3D 游戏、第三人称游戏、UE 渲染的高清写实 3D 游戏质感风格，生成一张全身+侧面特写的“角色 3D 实机渲染图表” (horizontal side-by-side layout):
  - A 3D game character render of \[character name\], a \[gender\] with \[hair/face features\], wearing \[outfit\], GTA style, 3D game model, third-person game gameplay character, Unreal Engine 5 render, high fidelity, realistic game engine shaders, wet skin texture, high contrast tropical lighting.

**三、Video (MultiModalToVideo / Seedance 2.5（分辨率 480p）) Prompt 构建结构**
- 统一将 prompt 格式化为：**镜头机位 + 视觉参考占位符 + 动作运动堆栈 + 环境声学标记**。
- **格式范例**：
  - \[Camera: third-person trailing angle with slight delay\] <<<image_1>>> \[Character: young male protagonist\] is fueling his dusty muscle car at a neon-lit gas station, simple action of holding the gas nozzle. \[Background: wet asphalt, pink and cyan glowing neon signs, swaying palm trees, humid metropolis night atmosphere\]. \[Audio: (ambient club bass), <distant police siren>\]
- **运动堆栈设计**：从相机运动（Camera）开始描述，接着是主体人物/载具动作（Action），再到空间环境变化（Environment），最后用括号包装音效或对白细节。
  - 视频内对白使用 {dialogue} 包裹，例如 {We are in this together, okay?}。
  - 音乐氛围声使用 (music) / (ambient club bass)；动作音效使用 <tire screech> / <siren>。
  - 视频 Prompt 尾部默认带上 no music, no subtitles, no logo, no branding, photorealistic game trailer concept 负向过滤词，将背景音乐交由音频轨道统一合成，防止音频重叠。
**四、场景语法、Prompt 模板及实例配方**
为确保生成的镜头呈现完美的真实质感和 X 社区疯传的游戏感，在生成视频 Prompt 时必须严格应用以下场景配方与模板：

### 1. 单镜头一镜到底（生活切片 / 单一动作）配方
- **一镜到底结构公式**：
  one continuous shot, single simple action, \[角色\] 在 \[地点\] 做 \[动作\], camera \[单一运镜\], background shows \[代表性环境元素\], humid realistic tropical metropolis atmosphere, no cuts, no montage, no logo
- **单镜头 Prompt 模板**：
  One continuous cinematic shot in an open-world inspired metropolis. A \[character type\] performs one simple action: \[action\]. Location: \[place\]. Camera: \[slow push-in / side tracking / fixed CCTV-like frame / handheld phone follow\]. Background: palm trees, humid neon, wet asphalt, traffic, random NPCs, distant police siren. Keep the action simple and readable, no cuts, no montage, no official logos, no readable real brands.
- **经典应用实例**：
  - **例子：加油**
    One continuous cinematic shot in a neon-lit metropolis gas station at night. A young male protagonist refuels a dusty muscle car, one simple action from grabbing the nozzle to putting it into the tank. Camera slowly tracks sideways from the rear wheel to his face, wet asphalt reflecting pink and cyan lights, palm trees and traffic in the background, distant police siren, humid air, no cuts, no montage, no logos.
  - **例子：卖热狗**
    One continuous street-life shot in sunlit coastal city. A hot dog vendor hands a wrapped hot dog to a tourist while scooters and beachgoers pass behind them. Camera is fixed at chest height with slight handheld sway, bright tropical sun, palm shadows, ocean breeze, colorful NPC crowd, simple readable action, no cuts, no montage, no official logos.
  - **例子：第三人称湿路步行**
    One continuous game-inspired third-person gameplay shot. A young man in a sleeveless shirt stands on a wet boulevard after rain, then slowly starts walking forward. Camera follows from behind at shoulder height with slight floating game-camera movement. The road is covered with puddles reflecting high-rise hotels, palm trees, neon signs, traffic lights and passing cars. Keep one simple movement, no cuts, no montage, optional minimal HUD feeling, no official logos.
  - **例子：夜街娱乐区探索**
    One continuous third-person exploration shot in a humid entertainment district at night. A playable character walks toward a bright movie theater entrance, passing food stalls, NPC crowds, LED billboards and glossy wet pavement. Camera stays behind the character with a slow forward follow, like open-world gameplay with cinematic lighting. No cuts, no combat, no logos, no readable real brands.

### 2. 多切镜事件（追逐 / 打架 / 抢劫 / 混乱事件）配方
- **多切镜结构公式**：
  multi-shot sequence, 4 fast cuts, same event continuity: Shot 1 establish location and threat, Shot 2 close-up action detail, Shot 3 reaction / obstacle, Shot 4 escape / impact / hook. Keep same characters, same location, same time of day, no official logos.
- **多切镜 Prompt 模板**：
  Create a crime-action inspired multi-shot sequence with 4 quick cuts, same characters and same location continuity. Shot 1: \[wide establishing shot, location, threat\]. Shot 2: \[close-up action detail\]. Shot 3: \[reaction or obstacle, different camera angle\]. Shot 4: \[escape / impact / cliffhanger\]. Style: humid metropolitan realism, handheld urgency, low vehicle angles, wet reflections, social media chaos in background. No official logos, no real brands, no gore.
- **经典应用实例**：
  - **例子：追逐**
    Create a high-speed multi-shot chase sequence with 5 quick cuts, same car and same street continuity. Shot 1: wide night street outside a neon motel, a muscle car suddenly reverses as police lights appear. Shot 2: close-up on tense driver slamming the gear shift, dashboard shaking. Shot 3: low rear bumper camera as the car fishtails across wet asphalt, pink neon reflections stretching behind it. Shot 4: vertical phone video from a bystander as the car blasts past a hot dog stand and people jump back. Shot 5: car interior rear-view mirror showing police headlights closing in. Style: humid metropolitan night, handheld urgency, fast cuts, tire smoke, sirens, no logos, no gore.
  - **例子：打架**
    Create an action-heavy multi-shot motel fight sequence with 4 quick cuts, same parking lot continuity. Shot 1: wide shot of a cheap neon motel parking lot, two men arguing beside a pickup truck. Shot 2: handheld close-up as a sharp female protagonist grabs one attacker by the shirt. Shot 3: low angle as the attacker hits the car door and beer cans scatter on wet pavement. Shot 4: male partner opens the passenger door and shouts for her to get in as police sirens rise. Style: gritty coastal harbor night, sodium lights, wet asphalt, fast handheld cuts, no gore, no logos.
  - **例子：车辆碰撞物理**
    Create a high-fidelity vehicle collision sequence with 4 quick cuts, same highway continuity. Shot 1: side-rear camera of a sports car scraping against a police cruiser on a sunlit highway. Shot 2: close-up of crumpling metal, shattered headlight glass and tire smoke as the vehicles grind together. Shot 3: overhead tracking shot as both cars drift across lanes, the police car pushing into the sports car's rear quarter. Shot 4: low bumper camera as the sports car breaks free and accelerates, leaving debris and skid marks behind. Style: realistic in-game vehicle physics, hard sunlight, road vibration, metal deformation, fast but readable cuts, no logos.

### 3. 视觉惊艳高频镜头配方
在进行具体场景生成时，可直接参考或调用以下高度优化的提示词：
- **城市开场 (City Intro)**：
  Metropolis-inspired coastal city at dusk, palm trees, high-rise hotels, neon signs turning on, wet asphalt, traffic and pedestrians, humid air, distant police siren, slow aerial push-in to street level, saturated but realistic, no logo, no real brands.
- **双人逃亡 (Fugitive Escape)**：
  two fugitives in a motel parking lot at night, young tense couple, muscle car idling, pink neon reflected on wet pavement, cash bag and old phone, handheld camera, intimate criminal tension, police lights far away, cinematic game trailer realism.
- **夜店 / 社媒奇观 (Nightclub & Livestream Chaos)**：
  Coastal city nightclub exterior, crowd livestreaming with phones, luxury cars, pink and cyan neon, police cruiser nearby, people laughing and arguing, social media chaos, stabilized tracking shot through the crowd, humid night reflections, no logo.
- **湿地追捕 (Swamp Pursuit)**：
  Tropical swamp at dawn, fog over muddy water, reeds in foreground, airboat cutting through, helicopter searchlight far away, two fugitives hiding near abandoned boat, handheld low camera, tense quiet, olive green and gold sunrise palette.
- **港口交易 (Port Deal)**：
  night port deal between shipping containers, sodium orange lights, wet concrete, trucks and cranes, duffel bag exchange goes wrong, fast lateral tracking shot, sparks and police radio fragments, gritty realistic crime trailer.
- **X 风格类 gameplay 车戏 (X-style Gameplay Drive)**：
  Open-world inspired third-person gameplay-like driving shot, UI hidden, camera mounted low behind the side of a muscle car, driving through a humid coastal metropolis at night, wet asphalt reflecting pink neon and police lights, camera follows with slight delay and realistic shake, not a clean car commercial, cinematic in-game footage feel, no logos.
- **X 风格手机围观 (X-style Phone Livestream)**：
  vertical phone livestream from a random bystander in a neon city, crowd filming a police chase outside a nightclub, shaky imperfect framing, people blocking the lens, pink and cyan neon, wet street reflections, comments implied but no readable UI text, chaotic social media realism, no official logos.
- **X 风格监控荒诞事件 (X-style CCTV Surveillance)**：
  fixed CCTV camera inside a small convenience store, humid night outside, an absurd incident suddenly enters frame, compressed surveillance texture, wide-angle corner view, fluorescent lights, reflections on glass doors, grounded dark comedy, no gore, no logos.

一、通用 Prompt 构建原则 (TextToImage & ImageToImage)

绝对禁止包含具体的商业游戏名称、版权标志或品牌 Logo。
采用“导演与调色师”视角：多用动作描述和具象材质词，不写情绪猜测。
色调与光影口诀：
- 都市霓虹夜晚：pink and purple neon, wet black asphalt reflections, cyan highlights, dynamic sodium lights。
- 热带海岸黄昏：golden hour glow, teal sea, distant silhouette of palms, hazy sunset sky。
- 晨雾湿地沼泽：olive green muddy water, dense morning fog, silver gray, intense helicopter searchlight beam cutting through haze。
- 白日光照：harsh tropical sunlight, overexposed edges, deep dark hard shadows, heat shimmer。
  二、角色 3D 渲染 Prompts 构建结构
统一采用 GTA 风格、3D 游戏、第三人称游戏、UE 渲染的高清写实 3D 游戏质感风格，生成一张全身+侧面特写的“角色 3D 实机渲染图表” (horizontal side-by-side layout):
- A 3D game character render of [character name], a [gender] with [hair/face features], wearing [outfit], GTA style, 3D game model, third-person game gameplay character, Unreal Engine 5 render, high fidelity, realistic game engine shaders, wet skin texture, high contrast tropical lighting.

三、Video (MultiModalToVideo / Seedance 2.5（分辨率 480p）) Prompt 构建结构

统一将 prompt 格式化为：镜头机位 + 视觉参考占位符 + 动作运动堆栈 + 环境声学标记。
格式范例：
- [Camera: third-person trailing angle with slight delay] <<<image_1>>> [Character: young male protagonist] is fueling his dusty muscle car at a neon-lit gas station, simple action of holding the gas nozzle. [Background: wet asphalt, pink and cyan glowing neon signs, swaying palm trees, humid metropolis night atmosphere]. [Audio: (ambient club bass), <distant police siren>]
运动堆栈设计：从相机运动（Camera）开始描述，接着是主体人物/载具动作（Action），再到空间环境变化（Environment），最后用括号包装音效或对白细节。
- 视频内对白使用 {dialogue} 包裹，例如 {We are in this together, okay?}。
- 音乐氛围声使用 (music) / (ambient club bass)；动作音效使用 <tire screech> / <siren>。
- 视频 Prompt 尾部默认带上 no music, no subtitles, no logo, no branding, photorealistic game trailer concept 负向过滤词，将背景音乐交由音频轨道统一合成，防止音频重叠。
  四、场景语法、Prompt 模板及实例配方
  为确保生成的镜头呈现完美的真实质感和 X 社区疯传的游戏感，在生成视频 Prompt 时必须严格应用以下场景配方与模板：

1. 单镜头一镜到底（生活切片 / 单一动作）配方

一镜到底结构公式：
one continuous shot, single simple action, [角色] 在 [地点] 做 [动作], camera [单一运镜], background shows [代表性环境元素], humid realistic tropical metropolis atmosphere, no cuts, no montage, no logo
单镜头 Prompt 模板：
One continuous cinematic shot in an open-world inspired metropolis. A [character type] performs one simple action: [action]. Location: [place]. Camera: [slow push-in / side tracking / fixed CCTV-like frame / handheld phone follow]. Background: palm trees, humid neon, wet asphalt, traffic, random NPCs, distant police siren. Keep the action simple and readable, no cuts, no montage, no official logos, no readable real brands.
经典应用实例：
- 例子：加油
  One continuous cinematic shot in a neon-lit metropolis gas station at night. A young male protagonist refuels a dusty muscle car, one simple action from grabbing the nozzle to putting it into the tank. Camera slowly tracks sideways from the rear wheel to his face, wet asphalt reflecting pink and cyan lights, palm trees and traffic in the background, distant police siren, humid air, no cuts, no montage, no logos.
- 例子：卖热狗
  One continuous street-life shot in sunlit coastal city. A hot dog vendor hands a wrapped hot dog to a tourist while scooters and beachgoers pass behind them. Camera is fixed at chest height with slight handheld sway, bright tropical sun, palm shadows, ocean breeze, colorful NPC crowd, simple readable action, no cuts, no montage, no official logos.
- 例子：第三人称湿路步行
  One continuous game-inspired third-person gameplay shot. A young man in a sleeveless shirt stands on a wet boulevard after rain, then slowly starts walking forward. Camera follows from behind at shoulder height with slight floating game-camera movement. The road is covered with puddles reflecting high-rise hotels, palm trees, neon signs, traffic lights and passing cars. Keep one simple movement, no cuts, no montage, optional minimal HUD feeling, no official logos.
- 例子：夜街娱乐区探索
  One continuous third-person exploration shot in a humid entertainment district at night. A playable character walks toward a bright movie theater entrance, passing food stalls, NPC crowds, LED billboards and glossy wet pavement. Camera stays behind the character with a slow forward follow, like open-world gameplay with cinematic lighting. No cuts, no combat, no logos, no readable real brands.

2. 多切镜事件（追逐 / 打架 / 抢劫 / 混乱事件）配方

多切镜结构公式：
multi-shot sequence, 4 fast cuts, same event continuity: Shot 1 establish location and threat, Shot 2 close-up action detail, Shot 3 reaction / obstacle, Shot 4 escape / impact / hook. Keep same characters, same location, same time of day, no official logos.
多切镜 Prompt 模板：
Create a crime-action inspired multi-shot sequence with 4 quick cuts, same characters and same location continuity. Shot 1: [wide establishing shot, location, threat]. Shot 2: [close-up action detail]. Shot 3: [reaction or obstacle, different camera angle]. Shot 4: [escape / impact / cliffhanger]. Style: humid metropolitan realism, handheld urgency, low vehicle angles, wet reflections, social media chaos in background. No official logos, no real brands, no gore.
经典应用实例：
- 例子：追逐
  Create a high-speed multi-shot chase sequence with 5 quick cuts, same car and same street continuity. Shot 1: wide night street outside a neon motel, a muscle car suddenly reverses as police lights appear. Shot 2: close-up on tense driver slamming the gear shift, dashboard shaking. Shot 3: low rear bumper camera as the car fishtails across wet asphalt, pink neon reflections stretching behind it. Shot 4: vertical phone video from a bystander as the car blasts past a hot dog stand and people jump back. Shot 5: car interior rear-view mirror showing police headlights closing in. Style: humid metropolitan night, handheld urgency, fast cuts, tire smoke, sirens, no logos, no gore.
- 例子：打架
  Create an action-heavy multi-shot motel fight sequence with 4 quick cuts, same parking lot continuity. Shot 1: wide shot of a cheap neon motel parking lot, two men arguing beside a pickup truck. Shot 2: handheld close-up as a sharp female protagonist grabs one attacker by the shirt. Shot 3: low angle as the attacker hits the car door and beer cans scatter on wet pavement. Shot 4: male partner opens the passenger door and shouts for her to get in as police sirens rise. Style: gritty coastal harbor night, sodium lights, wet asphalt, fast handheld cuts, no gore, no logos.
- 例子：车辆碰撞物理
  Create a high-fidelity vehicle collision sequence with 4 quick cuts, same highway continuity. Shot 1: side-rear camera of a sports car scraping against a police cruiser on a sunlit highway. Shot 2: close-up of crumpling metal, shattered headlight glass and tire smoke as the vehicles grind together. Shot 3: overhead tracking shot as both cars drift across lanes, the police car pushing into the sports car's rear quarter. Shot 4: low bumper camera as the sports car breaks free and accelerates, leaving debris and skid marks behind. Style: realistic in-game vehicle physics, hard sunlight, road vibration, metal deformation, fast but readable cuts, no logos.

3. 视觉惊艳高频镜头配方

在进行具体场景生成时，可直接参考或调用以下高度优化的提示词：

城市开场 (City Intro)：
Metropolis-inspired coastal city at dusk, palm trees, high-rise hotels, neon signs turning on, wet asphalt, traffic and pedestrians, humid air, distant police siren, slow aerial push-in to street level, saturated but realistic, no logo, no real brands.
双人逃亡 (Fugitive Escape)：
two fugitives in a motel parking lot at night, young tense couple, muscle car idling, pink neon reflected on wet pavement, cash bag and old phone, handheld camera, intimate criminal tension, police lights far away, cinematic game trailer realism.
夜店 / 社媒奇观 (Nightclub & Livestream Chaos)：
Coastal city nightclub exterior, crowd livestreaming with phones, luxury cars, pink and cyan neon, police cruiser nearby, people laughing and arguing, social media chaos, stabilized tracking shot through the crowd, humid night reflections, no logo.
湿地追捕 (Swamp Pursuit)：
Tropical swamp at dawn, fog over muddy water, reeds in foreground, airboat cutting through, helicopter searchlight far away, two fugitives hiding near abandoned boat, handheld low camera, tense quiet, olive green and gold sunrise palette.
港口交易 (Port Deal)：
night port deal between shipping containers, sodium orange lights, wet concrete, trucks and cranes, duffel bag exchange goes wrong, fast lateral tracking shot, sparks and police radio fragments, gritty realistic crime trailer.
X 风格类 gameplay 车戏 (X-style Gameplay Drive)：
Open-world inspired third-person gameplay-like driving shot, UI hidden, camera mounted low behind the side of a muscle car, driving through a humid coastal metropolis at night, wet asphalt reflecting pink neon and police lights, camera follows with slight delay and realistic shake, not a clean car commercial, cinematic in-game footage feel, no logos.
X 风格手机围观 (X-style Phone Livestream)：
vertical phone livestream from a random bystander in a neon city, crowd filming a police chase outside a nightclub, shaky imperfect framing, people blocking the lens, pink and cyan neon, wet street reflections, comments implied but no readable UI text, chaotic social media realism, no official logos.
X 风格监控荒诞事件 (X-style CCTV Surveillance)：
fixed CCTV camera inside a small convenience store, humid night outside, an absurd incident suddenly enters frame, compressed surveillance texture, wide-angle corner view, fluorescent lights, reflections on glass doors, grounded dark comedy, no gore, no logos.

6. 動画編集

**剪辑与后期轨道组装控制：**
- **节奏与剪辑点 (Pacing & Rhythm)**：
  - 对于**快节奏事件叙事（多切镜组合）**：开场阶段，保持单镜头时长在 4-5 秒，画面淡入淡出，切镜平缓。进入中段关系网失控，剪辑点必须密集：0.8 - 1.5 秒一剪，采用无过渡硬切（Hard Cuts）和闪白（Flash cuts），模拟高速心跳。结尾逃亡悬念时，镜头拉长到 6-8 秒，淡出至黑色。
  - 对于**类 gameplay 生活切片**：一镜到底，全长 5-12 秒无任何剪辑点。
- **音视频精确对齐 (AV Sync & Audio Layers)**：
  - 音轨1（环境音效/SFX）：将枪声、碰撞声、引擎轰鸣与视频画面动作发生帧严格对齐。在车辆物理碰撞瞬间，音量瞬时调大 6dB 并添加低音震动效果。
  - 音轨2（对话语音/Narration）：对话开始前 0.3 秒，背景音乐（BGM）自动衰减 12dB（Ducking 鸭子电平处理），对话结束后 0.5 秒平滑回升。
  - 音轨3（背景音乐/BGM）：在视频最后 10 秒（悬念部分），BGM 突然抽空或进行低通滤波（Low-pass filter）处理，仅留下沉重的呼吸声与单调的警笛残音，强化末路张力。
- **输出规格控制**：导出阶段严格遵循 Final_Video_Spec.md 中的参数，不允许包含黑边或拉伸画面。

剪辑与后期轨道组装控制：

节奏与剪辑点 (Pacing & Rhythm)：
- 对于快节奏事件叙事（多切镜组合）：开场阶段，保持单镜头时长在 4-5 秒，画面淡入淡出，切镜平缓。进入中段关系网失控，剪辑点必须密集：0.8 - 1.5 秒一剪，采用无过渡硬切（Hard Cuts）和闪白（Flash cuts），模拟高速心跳。结尾逃亡悬念时，镜头拉长到 6-8 秒，淡出至黑色。
- 对于类 gameplay 生活切片：一镜到底，全长 5-12 秒无任何剪辑点。
音视频精确对齐 (AV Sync & Audio Layers)：
- 音轨1（环境音效/SFX）：将枪声、碰撞声、引擎轰鸣与视频画面动作发生帧严格对齐。在车辆物理碰撞瞬间，音量瞬时调大 6dB 并添加低音震动效果。
- 音轨2（对话语音/Narration）：对话开始前 0.3 秒，背景音乐（BGM）自动衰减 12dB（Ducking 鸭子电平处理），对话结束后 0.5 秒平滑回升。
- 音轨3（背景音乐/BGM）：在视频最后 10 秒（悬念部分），BGM 突然抽空或进行低通滤波（Low-pass filter）处理，仅留下沉重的呼吸声与单调的警笛残音，强化末路张力。
输出规格控制：导出阶段严格遵循 Final_Video_Spec.md 中的参数，不允许包含黑边或拉伸画面。