Hermes scarf-inspired illustration

工作流阶段与顺序：

1. 与用户确认视频的整体主题与故事场景（例如：中式庭院茶道、欧式宫廷宴会、巴黎公寓日常等），写入 Final_Video_Spec.md（含宽高比、成片时长预估、画面风格定义、语言）→ text_editor。
2. 设计分镜表：明确所有 key_element（主要人物、动物、场景），以及每个场景的双分镜结构（全景加近景跟随）；默认每条 final_shot 成片约 3 秒，只有动作不能在 3 秒内自然完成时才延长至 4–5 秒 → storyboard_designer。
3. 生成所有 key_element 元素图（人物、动物、场景）→ media_generator。
4. 按分镜逐组生成视频（每组两条：全景 shot 加近景跟随 shot），引用对应元素图像；生成时为剪辑预留足够素材，成片时长由后续组接控制 → media_generator。
5. 仅当分镜明确标注音效时，生成与画面动作和环境精确同步的 final_audio；不生成 BGM、旁白或对白 → media_generator。
6. 剪辑合成，按全景到近景的节奏交替排列，将常规镜头修剪为约 3 秒，并精确对齐音效 → video_assembler。
   依赖关系： 2→1；3→2；4→3；5→2；6→3、4、5。
   暂停节点： 完成 Final_Video_Spec.md 后、Storyboard 完成后、元素图生成后，各暂停一次请用户确认，再继续下一阶段。

参考图分析重点（用于风格提取）：

• 提取插画的线条风格：线稿密度、勾线粗细、填色方式（平涂或渐变）、装饰性纹样密度。
• 提取色彩体系：主色调（米色、象牙白、金棕）、点缀色（宝石蓝、翠绿、玫红、金黄）、色彩对比度与饱和度区间。
• 提取场景叙事结构：主体（人或动物）的姿态与所处环境的空间层次关系（前景细节、中景主体、远景建筑或自然）。
• 提取动物与人物的造型特征：服饰风格（历史时期、文化背景）、动物品种与姿态语言。
• 输出结构化风格描述，供 storyboard_designer 和 write_media_prompt 使用。

视觉风格定义（全局）：

• 线条风格（Ligne Claire）：采用细而均匀、粗细一致的黑色勾边，类似比利时漫画"清爽线条"（Ligne Claire）而非可粗可细的中国工笔描线；建筑用硬直线，人物与花木用有机曲线，所有轮廓清晰封闭，无毛边或水墨晕染。
• 色彩体系（冷暖宝石双色系）：以象牙白、石灰白或沙色为底色；重点色采用冷暖并重的宝石色系——暖调（赭金、朱红、酒红、橙红）与冷调（皇室蓝、普鲁士蓝、翡翠绿、深紫）共存，整体色调沉稳高级，饱和度适中，避免单纯暖金色为主的偏差。
• 填色方式（高密度装饰填充）：主体采用平涂色块，在织物、地毯、挂毯、建筑彩绘等复杂表面必须填充高密度图案纹样（几何纹、卷草纹、花鸟纹等），每寸画面均有可读的装饰信息；仅在需要轻微体积感时辅以极细密的点描或颗粒感，不使用渐变或强烈明暗。
• 叙事密度：每张画面应如一幅完整丝巾——充满文化符号、历史器物与自然意象的引用，画面信息量极高，经得起局部放大和反复观察；构图层次为前景装饰植物/器物 → 中景主体人物或动物 → 远景建筑或风景。
• 光感质感：光线柔和均匀，无强烈投影与高光反光；整体呈现如高档丝绸或哑光印刷品般光滑洁净的视觉质感。
• 整体气质：奢侈品 TVC 的精致与克制，每帧画面都应具有"可被丝网印刷在真丝之上"的平面装饰艺术感，避免写实渲染、日常随拍感或杂乱信息。
  key_element 设计规范：
• element character / element animal：明确人物服饰（朝代或文化风格）、发型、配色；动物品种、毛色、姿态特征；需与参考图风格一致。
• element scene：标注场景的空间层次——前景标志性装饰物、中景核心活动区域、远景背景建筑或自然景观；描述光线方向与时间氛围。
  双分镜结构（每个场景固定两条 shot）：
  每个叙事场景必须包含以下两条 shot，顺序固定。两条 final_shot 默认各约 3 秒；仅当动作需完整呈现、在 3 秒内会显得仓促或被截断时，才将该条延长为 4–5 秒。

1. Shot A — 全景建立镜头

• 构图：宽景展示完整场景空间层次（前景、中景、远景均可见）；主体人物或动物处于中景，比例适中。
• 运镜：缓慢横移或轻微推进，配合场景纵深；3 秒内只完成一个清晰、克制的镜头运动。
• 成片时长：默认约 3 秒；只有建立空间或关键动作确有必要时延长至 4–5 秒。

2. Shot B — 局部近景跟随镜头

• 构图：聚焦人物上半身或动物，突出正在进行的动作细节（如倒茶、举杯、翻书、栖停等）。
• 运镜：跟随运镜贴近主体，轻微手持感或弧形环绕；镜头跟随动作方向移动。
• 成片时长：默认约 3 秒；只有动作的起势、核心过程与收势必须连续保留时延长至 4–5 秒。
• 必须明确写出主体正在做的具体动作（动词精确）及微表情或肢体细节；动作需适配短时长，不堆叠多个连续行为。
  跨镜头音频：
• 全片仅使用与动作和空间匹配的音效，不设计 BGM、旁白或任何对白。
• 为有音效的 shot 设计独立 audio_layer，注明触发动作、声音材质、远近层次与持续范围；优先使用细腻、近距离且具材质感的声音，例如丝绸摩擦、皮革轻响、器物轻触、茶水倾倒、鸟羽振动或环境微风。

元素图生成：

• 使用 TextToImage，指定 GPT Image 2，分辨率 4K。
• 人物或动物角色图：生成横向并排 reference_image——左侧为面部加上身特写（五官、发型、服饰领口）；右侧为全身（服装全貌、配色、姿态）。
• 场景图：生成完整场景全景图，需体现前景、中景、远景三层空间，并包含代表性装饰细节。
  视频生成（Shot A 与 Shot B）：
• 优先使用 MultiModalToVideo，指定模型 Seedance 2.5，分辨率 480p。
• Seedance 2.5 的单条视频最短生成时长为 4 秒：对于目标成片约 3 秒的 shot，生成 4 秒源片供后续剪辑；对于需延长的 shot，按成片所需生成并保留 4–5 秒，不额外拉长无叙事价值的停顿。
• 每条 shot 的 reference 输入：

1. 对应场景的 element scene 图像（必选）。
2. 出现的 element character / element animal 图像（必选）。
3. 同场景 Shot A 的 final_shot（仅在生成 Shot B 时作为连续性 reference_video；当需要强调空间一致性时可选）。

• Shot B 近景跟随镜头：在 prompt 中明确指定跟随运镜方向、动作节奏与单一动作重点，不依赖模型自由发挥。
• 视频内不生成音乐、旁白或对白；音效只保留与镜头动作直接相关的自然声，且须与独立 audio_layer 避免重复叠加。
  音效生成：
• 仅针对 Storyboard 明确标注的动作或环境音生成 final_audio，使用 MultiModalToAudio；不生成音乐、旁白或对白。
• 音效须贴合奢侈品创意广告片的细腻质感，保留必要的空间感与动态范围，并按对应 shot 的动作节拍精确对齐。

全局规则：

• 以中文撰写 prompt 正文；全片只保留画面同步音效，不写入对白、旁白或 BGM。
• 风格锚定短语（每条 prompt 必含）：爱马仕丝巾插画风格，Ligne Claire 均匀细线勾边（建筑硬直线 + 有机曲线），平涂色块 + 高密度图案纹样填充（织物/地毯/建筑彩绘面面俱到），冷暖宝石双色系并重（皇室蓝/翡翠绿/深紫 与 赭金/朱红/酒红），象牙白或石灰白底色，无强烈阴影与高光，柔和均匀光感，哑光丝绸质感，叙事性高密度装饰构图（前景器物/植物 + 中景主体 + 远景建筑），奢侈品 TVC 精致克制气质，具有"可丝网印刷于真丝"的平面装饰艺术感。
• 默认让一个镜头只承载一个可在约 3 秒内读清的视觉动作与运镜变化；需要延长时，明确保留动作的完整起势、过程与收势。
  图像 prompt（TextToImage — 元素图）：
• 结构：主体描述（人物或动物特征）加环境或场景（空间层次）加风格锚定加构图指令（如“横向并排参考图，左侧特写，右侧全身”）。
• 明确服饰文化背景（如“唐代汉服，金黄色广袖，青玉腰带”）；动物需指定品种与毛色。
• 禁止出现画面外的叙述性语言；只描述镜头可见内容。
  视频 prompt（MultiModalToVideo — Shot A 全景）：
• reference_image 绑定：<<<image_1>>> 为场景图，<<<image_2>>> 为主体人物或动物图。
• 运镜描述：镜头缓慢向右横移，或镜头轻微向前推进；明确方向与速度，并将动作控制为一个简洁的 3 秒视觉节拍。
• 主体动作：静态或轻微动态（如衣袂微动、鸟羽轻扇），不宜大幅运动。
• 固定负向词：no subtitles，no text overlay，no dialogue，no voice-over，no music（音效以独立 audio_layer 处理）。
  视频 prompt（MultiModalToVideo — Shot B 近景跟随）：
• reference_image 绑定：<<<image_1>>> 为主体人物或动物特写图，<<<image_2>>> 为场景图。
• 运镜描述：跟随运镜，镜头随主体动作方向缓慢移动，带轻微弧形环绕感；明确跟随方向（向左、向右或向前）。
• 动作描述：精确动词加肢体细节加节奏（如“右手缓缓提起茶壶，手腕轻转，茶水细流注入青瓷茶碗，动作舒缓优雅”）；默认只保留一个 3 秒内可完成的动作片段，动作过程需要完整呈现时才说明延长至 4–5 秒。
• 音效提示（可选）：使用 <茶水倾倒声，轻微> 格式注明环境音。
• 固定负向词：no subtitles，no text overlay，no dialogue，no voice-over，no music。

剪辑节奏：

• 严格按“全景（Shot A）→ 近景（Shot B）”顺序交替排列，构成每个场景的基本单元。
• 从每条 4 秒源片中选择动作和运镜最完整的连续段，常规 Shot A 与 Shot B 均修剪为约 3 秒；仅当动作会因剪短而失去完整性时保留 4–5 秒。
• 转场：所有镜头之间一律使用直接硬切，不使用叠化、渐黑渐出或其他过渡效果；以镜头内动作和构图变化维持节奏。
  音频混合：
• 全片不铺设 BGM，不加入旁白或对白；没有明确音效需求的段落保留画面留白，不以音乐填充。
• 将每条 final_audio 精确对齐对应 shot 的动作触发点；保持细腻的近距离材质声与适度空间感，避免音效过密或压过画面节奏。
• 全片无旁白轨、无对白轨、无字幕。
  导出：
• 宽高比与分辨率遵循 Final_Video_Spec.md 设定。