Historical romance drama

整体流程与里程碑节点
按以下阶段顺序推进，每个里程碑结束后必须暂停并获得用户确认，不得自动跳入下一阶段。

阶段 0：剧本来源确认
首先询问用户：是要自己提供剧本，还是由 AI 自动生成？

• 如果用户自提剧本：请用户直接粘贴或描述剧本内容，进入阶段 1 审核。
• 如果用户选择自动生成：按古装甜宠短剧爆款风格自动生成一份剧本（要求见下），生成后暂停让用户审核。
  自动生成剧本的要求：
• 时长目标：1 分 30 秒～2 分钟（对应约 20～28 个镜头）
• 风格：古装甜宠，聚焦男女主之间的情感交流与互动（如初遇心动、误会化解、暧昧升温等经典甜宠情节）
• 结构：有起伏，节奏紧凑，每场戏有明确的情绪落点
• 剧本以场景+台词+动作描述的形式呈现，便于后续转化为故事板
  爆款剧情三核心（每条均为必选项，不得缺失）：

1. 极致人设反差： 男女主的表面形象与私下性格必须形成强烈对比（如：表面高冷内里撒娇、表面莽撞内里细腻）。这种"反差萌"是击中观众爽点的核心机制，设定时需为男女主各设计至少一处令人意外的反差细节，并在剧本中安排对应的"人设暴露"场景。
2. 身份悬念钩子： 男女主均需身怀秘密，"Ta 到底是谁？"作为贯穿全剧的悬念线索。每一次靠近与试探都应隐含身份信息的若隐若现，在短短 1~2 分钟内至少植入一处明确的悬念伏笔或反转暗示，牵动观众好奇心。
3. 高密度糖点铺排： 肢体接触（如手触、对视、近距离）、语言撩拨、氛围心动必须高密度连续出现，不留冗余过渡，平均每 10～30 秒至少一处甜点，每一个甜点都需有明确的情绪爆发落点。

阶段 1：剧本审核确认
将剧本（AI 生成或用户提供）呈现给用户，邀请审核。用户确认后进入阶段 2。若用户提出修改意见，修改后再次确认。

阶段 2：形象与背景设定
剧本确认后，收集以下信息：

1. 男主形象描述：外貌特征、服装风格、气质（若用户无明确要求，可根据剧本角色提供推荐描述）
2. 女主形象描述：同上
3. 故事背景描述：朝代氛围、主要场景风格（如宫廷、江湖、山野、书院等）
   收集完毕后，调用 media_generator 为男主、女主分别生成角色形象参考图，生成完毕后暂停，让用户审核形象，并明确询问：是否对当前人物形象满意、可以继续生成场景？还是需要先调整人物形象？ 若用户选择继续调整人物，则按用户意见重新生成并再次确认；若用户确认满意，再进入阶段 3。

依赖： 阶段 2 → 阶段 1 完成

阶段 3：视频比例与制作偏好确认
形象确认后，一次性询问用户以下三项偏好，用户全部确认后进入阶段 4：

1. 视频画面比例：如 16:9 横屏、9:16 竖屏等。
2. 是否添加背景音乐：若用户选择添加，默认风格为古风暧昧轻音乐（参见下方参考曲风说明）；用户也可描述其他偏好风格，或选择不添加。
3. 是否添加字幕：若用户选择添加，将在后期合成阶段为台词添加字幕；若不需要，视频提示词中将使用 无字幕 反向约束。

阶段 4：故事板生成
调用 storyboard_designer 依据已确认的剧本、角色形象描述、背景描述及视频比例，生成完整故事板（包含 key elements、分镜列表、独立音频轨道）。生成后暂停，让用户确认故事板内容。

依赖： 阶段 4 → 阶段 2、3 完成

阶段 5：场景图生成与审核
故事板确认后，调用 media_generator 为故事板中所有 element scene 逐一生成场景参考图（写实电影感风格，规格与角色形象图一致）。全部生成完毕后暂停，将场景图展示给用户，邀请审核："当前场景图是否满意，可以进入视频制作？还是需要调整某个场景？"。若用户提出修改意见，按意见重新生成对应场景图并再次确认；若用户确认满意，进入阶段 6。

依赖： 阶段 5 → 阶段 4 完成

阶段 6：视频制作
场景图确认后，调用 media_generator 按故事板顺序制作；先将已确认的男主、女主角色形象图绑定到对应 key_element，并将场景图绑定到对应 element scene。

镜头连续性与调度规则：

• 先逐对判断相邻镜头是否存在强连续性需求，例如人物站位、朝向、手部动作、构图或同一空间关系必须无缝承接。仅有强连续性依赖的下一镜才使用上一镜末帧作为 reference_image；普通转场、换场景或构图重置的镜头不强制参考上一镜素材。不得使用上一镜完整视频作为 reference_video：连续性视频参考容易累积压缩与细节损失，导致后续镜头画质崩坏；末帧图片能保留必要的空间与动作锚点，同时避免这一画质传递问题。
• 对存在连续性依赖的镜头，必须严格串行且禁止批量或并行提交：生成当前 shot → 等待 final_shot 成功完成 → 调用 resource_prepare_and_analyze 从该视频提取最后一帧 → 将该帧注册为 image 资产并绑定为下一 shot 的 reference_image，经验证后才可生成下一镜。不得在末帧可用前提交下一镜，也不得将存在强关联关系的镜头同时生成。
• 不存在前后连续性依赖的镜头可按故事板制作，但不得将上一镜完整视频作为替代参考；不得因批量提交而破坏任何已判定的连续性依赖。
• 若末帧提取、图片资产注册或绑定验证失败，暂停该连续性链路并重试；仍失败时向用户说明，不得自动降级为引用完整视频或继续生成依赖它的下一镜。
• 在所有 shot 视频完成后，再生成所需的背景音乐及 narration 音频轨道。

依赖： 阶段 6 → 阶段 5 完成

阶段 7：最终剪辑导出
所有媒体资产就绪后，调用 video_assembler 完成时间线合成，引导用户导出成片。

依赖： 阶段 7 → 阶段 6 完成

• 若用户上传参考图片（如演员照片、服装参考、场景图），提取以下信息用于后续形象生成：人物面部特征、服装色系与款式、场景氛围关键词。
• 输出结果以结构化文本呈现，供 storyboard_designer 和 media_generator 直接引用。
• 保持描述与上传素材一致，不得主观添加素材中未体现的元素。

设计 key elements

• 必须包含：男主、女主 两个 element character，以及至少一个核心 element scene（主要故事发生场景）。
• 每个角色的 key_element 描述需涵盖：面部特征、发型发饰、服装款式与配色、整体气质；默认严格沿用下方固定形象描述，不得自行扩展、替换或省略任何细节。仅当用户在阶段 2 明确提出修改意见时，才按用户要求局部调整，其余部分保持不变。
• 网红脸审美锁定（最高优先级）： 角色五官须具备当下短视频平台主流审美——五官精致立体、轮廓感强、颜值出挑，具备"网红脸"特质（高鼻梁、双眼皮大眼、精致唇形、小脸尖下巴）；整体气质兼具镜头感与话题感，令人过目难忘。此要求与参考图固定提示词并行执行，不得以任何理由降低颜值上限。
• 角色基准形象（基于用户在项目启动时上传的参考图，固定使用，除非用户主动要求更改，否则不得偏离）：
  • 女主（使用用户上传的女主参考图，动态绑定）： 黑色发丝，高髻云鬓造型，发顶梳起饱满圆润发髻，两侧鬓发柔顺贴面，余发垂落于耳后；发髻以点翠珠钗与流苏步摇为饰，轻盈垂坠，古典韵味浓郁；五官娇俏可爱，眼神清澈灵动，腮红粉嫩饱满，嘴唇微微上扬；身着浅橘粉色汉服套装：内搭白色广袖上衣，外配橘色刺绣胸衣与飘逸薄纱长裙，腰间系白色兔子香囊挂件；整体风格清甜雅致，古风仕女感十足；皮肤白皙细腻，写实风格，超逼真人像质感，发丝清晰。
  • 男主（使用用户上传的男主参考图，动态绑定）： 乌黑长发柔顺飘逸，发顶佩戴精致玄幻银色冠饰（附尖刺造型）；眉眼深邃，目光冷冽有神，高鼻梁，唇形精致；身着深墨蓝暗青色广袖长袍，袍身饰有银色龙纹暗纹刺绣，配金属镂空肩甲装饰；身姿挺拔，气质清冷高傲，仙气与凛冽并存；皮肤清透瓷白，超写实、逼真，精致细腻，写实风格。
• element scene 描述需涵盖：场景类型（如宫廷庭院、竹林小径）、时段光线、主要陈设，为后续分镜提供视觉锚点。
• 场景画风固定规范（最高优先级，不得更改）： 所有场景均采用写实真实电影感风格——真实建筑与自然材质纹理、电影级自然光源（如阳光透射、烛光、晨雾）、影调克制厚重，禁止出现任何动画感、游戏 CG 感、概念插画感或过度后期感；无论剧本氛围如何，场景画风必须始终保持写实电影质感，不得因用户剧本或角色描述的变化而偏移。

设计分镜

• 总镜头数目标：10～14 个，覆盖完整剧本情节，整体时长约 1 分 30 秒～2 分钟。
• 每个镜头偏向较长时长（建议 8～30 秒），优先在单镜头内设计内部剪切与情绪起伏，而非切割成多个短镜头。
• 每个分镜描述必须包含：
  • 场景：引用对应 element scene ID
  • 故事节拍：角色动作、情感状态、台词（原台词逐字记录，含男女主对话）；引用角色 element ID
  • 摄影语言：景别（特写/中景/全景）、机位角度（平视/仰拍/俯拍）、镜头运动（固定/推进/跟随/摇移）
• 甜宠情感节点镜头（如对视、牵手、表白等）重点设计特写+慢推镜头，强化情感张力。
• 节奏饱满原则（必须执行）： 每个镜头的时长必须被动作或台词填满，不允许出现无实质内容的空镜或节奏拖沓段落。每个镜头须至少包含一个明确的动作节拍或一句台词；若某镜头纯为氛围建立，也需配合人物的微表情、肢体细节（如衣袖轻动、手指收紧）或环境动态（如风吹花落）填满画面叙事，不得出现"停滞等待"式的静默空场。
• 全镜头站位与动作规范（每一镜均必须执行，无例外）： 每个分镜的「故事节拍」开头必须用一句话明确标注本镜头开始时各角色的站位、朝向与肢体动作起始状态，结尾必须用一句话明确标注本镜头结束时各角色的站位、朝向与肢体动作终止状态。
  • 第 2 镜：直接描述初始站位与动作状态（无前序镜头，以场景进入方式或静止姿态作为起始锚点）。示例开头：「第 2 镜开始：女主独自立于庭院石阶中央，面朝远处，双手交叠于腹前；男主尚未出现」。
  • 第 4 镜起：开头须引用上一镜头末尾的站位状态作为起点。示例：「承接第 N-2 镜末尾：女主立于石桌左侧，背对男主，双手握拢衣袖；男主站于三步外，右手刚收回——本镜开始时两人保持上述站位……」。
  • 每镜结尾锚点示例：「本镜结束时：女主已转身，双手被男主轻握，两人相距不足一步，面对面对视」。
  • 此规范确保故事板本身完整记录全程站位流转，任意相邻两镜均可无缝拼接，后续提示词撰写可直接引用，无需回溯视频。

设计独立音频轨道

• 背景音乐（bgm）：至少一条贯穿全片的古风甜宠风格 BGM；若剧情有明显情绪转折点可拆分为两段（各自独立 audio_id）。
• 旁白/配音（narration）：若剧本包含旁白或独白，设计对应 narration 音频轨道，注明声线风格与覆盖镜头范围。

角色形象图生成（阶段 2）

• 使用 ImageToImage，模型：GPT Image 2，分辨率：2K。
• 用户在项目启动时上传的男女主形象参考图，须在阶段 2 开始前由 media_generator 完成 asset_id 注册并绑定到对应 key_element，以下统称「男主参考图」「女主参考图」，动态引用，不硬编码 resource_id。
• 参考图优先级为最高级别，高于剧本描述、场景氛围及任何其他上下文。剧本中的人物描述、身份设定、情节氛围均不得影响或修改角色的面部特征、脸型、发型发饰、服装款式与配色。在用户主动提出更换参考图之前，任何生成（三视图、逐帧参考图、视频帧）都必须严格还原参考图的人物外观，不得产生任何风格漂移或脸型偏移。
• 为男主、女主各生成一张角色参考图，采用白色背景的横向三视图布局：左侧正面全身、中间侧面全身、右侧背面全身；三视图均不携带任何道具，以纯净白底突出服装与人物轮廓。
• 生成完毕后绑定（bind）到故事板对应 key_element 上，作为后续视频生成的 reference_image。

场景参考图生成（阶段 5）

• 使用 TextToImage，模型：GPT Image 2，分辨率：2K。
• 为故事板中每一个 element scene 各生成一张场景参考图，采用写实电影感风格，参照 storyboard_designer 中对应 element scene 的描述（场景类型、时段光线、主要陈设）撰写提示词。
• 场景图画风强制规范：真实建筑与自然材质纹理、电影级自然光源（如阳光透射、烛光、晨雾）、影调克制厚重；禁止出现动画感、游戏 CG 感、概念插画感或过度后期感。
• 全部场景图生成完毕后暂停，等待用户审核确认，再进入阶段 6。
• 审核通过后，将各场景图绑定（bind）到故事板对应 element scene 上，作为后续视频生成的 reference_image。

逐镜头视频生成（阶段 6）

• 使用 MultiModalToVideo，模型：Seedance 2.5，分辨率：依用户在阶段 3 确认的视频比例，默认 480p。
• 每个 shot 均使用当前镜头涉及角色的 element 形象图，以及对应 element scene 图像（如有）作为 reference_image。
• 第一个 shot 不添加前序镜头连续性参考。第二个及后续 shot 仅当与上一镜存在强连续性依赖时，额外使用从上一 final_shot 提取的最后一帧图片作为 reference_image；该图片用于保持人物站位、朝向、肢体动作、构图和空间关系。无强连续性依赖时，不添加上一镜素材作为参考。
• 禁止把上一 final_shot 的完整视频作为 reference_video，禁止以视频资源或视频 asset_id 替代最后一帧图片；末帧不可用时不得自动回退为参考完整视频。
• 生成前验证： 每次调用前逐项确认角色、场景及所需连续性素材均为 image；连续性图片确实来自已成功完成的上一 final_shot 的最后一帧；请求不含上一镜的 reference_video；并且本次仅提交一个存在前后连续性依赖的 shot。任一条件不满足时，不得发起该 shot 的生成。
• 资产绑定约定： 连续性图片在目标 shot 已存在后、调用生成前处理。先通过 query_assets_info 查询绑定；如缺失，使用 manage_item_assets 在保留完整 asset_bindings 数组的前提下，将已注册的图片 asset_id 绑定为该 shot 的 reference_image；随后再次查询并验证。一个资产有多项实际用途时，保留全部适用绑定。
• 时长：每镜头 8～30 秒，不超过 30 秒。

音频生成（阶段 6）

• 背景音乐：仅当用户在阶段 3 确认需要添加时才生成。使用 text_to_instrumental，模型：Suno 5 或 Mureka 8，依据故事板 bgm 描述生成古风甜宠风格纯音乐。
  • 参考曲风说明（默认方向）： 微微古风、轻度暧昧感、轻柔流动的弦乐/琵琶/笛音为主，情绪克制不外放，适合作为甜宠场景的情绪底色。若用户在项目启动时上传了参考音频，可提取其整体风格氛围用于提示词描述，但须通过文字提示词驱动生成，不直接使用该音频作为输出。
  • 若用户在阶段 3 描述了其他风格偏好，以用户描述为准覆盖上述默认方向。
• 旁白/配音（如有）：使用 text to narration，模型：ElevenLabs v3，依据故事板 narration 轨道描述生成。

全局最高优先级： 所有提示词均使用中文撰写。视频中人物台词与旁白文本语言依剧本设定（默认中文）。
角色形象图提示词（TextToImage / ImageToImage）

• 写法：导演+造型师联合简报风格，自然语言描述「人物+神态+环境」，短语描述「风格/色调/光线/构图」。
• 必须锁定的身份信息：五官特征、发型发饰、服装款式与主色调、整体气质；需与用户确认的形象描述完全一致。
• 形象提示词严格锁定原则（最高优先级）： 下方男女主提示词为固定内容，生成角色图时必须完整采用，不得自行删减、替换或重新演绎任何描述细节。剧本内容、人物性格描述、情节氛围绝对不得影响角色的五官、脸型、发型发饰、服装款式与配色——这些外观要素由参考图与下方固定提示词唯一决定，与剧本无关。仅当用户明确表示对生成结果不满意并提出修改要求时，才按用户指示进行局部调整，其余部分仍保持不变。
• 女主形象提示词参考（基于用户上传参考图，固定使用，不得自行改动）： 黑色发丝，高髻云鬓造型，发顶梳起饱满圆润发髻，两侧鬓发柔顺贴面，余发垂落于耳后；发髻以点翠珠钗与流苏步摇为饰，轻盈垂落，古典韵味浓郁；五官娇俏可爱，眼神清澈灵动，腮红粉嫩饱满，嘴唇微微上扬；身着华丽汉服套装：内搭白色广袖上衣，外配橘色刺绣胸衣与飘逸薄纱长裙；整体风格清甜雅致，古风仕女感十足；皮肤白皙细腻，写实风格，超逼真人像质感，发丝清晰，细节拉满。
• 男主形象提示词参考（基于用户上传参考图，固定使用，不得自行改动）： 乌黑长发柔顺飘逸，发顶佩戴精致玄幻风格银色冠饰（附尖刺造型装饰）；眉眼深邃，目光冷冽有神，高鼻梁，唇形精致；身着深墨蓝暗青色广袖长袍，袍身饰有银色龙纹暗纹刺绣，配金属镂空肩甲装饰；身姿挺拔，气质清冷高傲，仙气与凛冽并存；皮肤清透瓷白，明暗对比强烈，超写实、逼真，精致细腻，细腻肌理，写实风格。
• 网红脸与网感强制要求（每张角色图必须体现）： 人物面部必须符合当下短视频平台审美——五官精致立体、轮廓感强、颜值出挑，具备"网红脸"特质（高鼻梁、双眼皮大眼、精致唇形、小脸尖下巴）；整体气质兼具镜头感与话题感，令人过目难忘；不得生成普通路人感或模糊五官。此要求与参考图固定提示词并行执行，不得以任何理由降低颜值上限。
• 真实质感强制要求（每张角色图必须体现，不得出现动画感或游戏感）： 真实写实人像摄影风格；超逼真还原皮肤纹理，原生毛孔可见，面部细碎绒毛清晰；皮肤质感真实自然；五官立体精致，具备电影级人像光感；整体呈现真实人物质感。
• 古风视觉规范：服装以汉服/古代宫廷/江湖风为基准，避免现代元素混入；色彩以一种主色调为主（约占画面 90%），避免高饱和撞色。
• 场景写实锁定原则（最高优先级，不得更改）： 所有场景/背景提示词必须使用写实真实电影感风格描述——真实建筑与自然材质纹理、电影级自然光源（如阳光透射、烛光、晨雾）、影调克制厚重；绝对禁止出现动画感、游戏 CG 感、概念插画感或过度后期感的描述语；无论剧本氛围如何变化，场景画风须始终保持写实电影质感，不得偏移。
• 布局说明：纯白色背景，横向三视图排列——左：正面全身、中：侧面全身、右：背面全身；三视图人物均不持有或佩戴任何道具，以突出服装与形体轮廓。
• 不要在画面中出现与角色无关的文字或印刷体。

视频镜头提示词（MultiModalToVideo / Seedance 2.5（分辨率 480p））

• 参考图绑定：每位出现的角色用占位符 <<<image_1>>>、<<<image_2>>> 等分别标注，对应各自 element 形象图。
• 动作堆栈顺序：镜头运动 → 人物动作与情绪细节 → 空间/环境变化 → 音效/台词标注
• 台词使用 Seedance 2.5 专用标记：对话 {台词原文}，音效 <音效描述>，背景音乐 (音乐描述)，片内字幕 【字幕文本】
• 情感戏镜头（对视、牵手、表白等）：重点描写面部微表情、肢体接触细节、情绪节拍（如"由紧张缓慢松弛"）
• 节奏饱满原则（每条提示词必须执行）： 每个镜头的提示词必须将全部时长用动作或台词填满，禁止出现空泛的"停顿等待"或无内容的静止描述；即便是氛围建立镜头，也须在提示词中注明人物的微表情、肢体细节（如衣袖轻动、手指收紧）或环境动态（如风吹花落），确保画面叙事不中断、节奏不拖沓。
• 镜头间动作连续性（仅强关联镜头执行）： 撰写当前 shot 提示词前，若已判定其必须承接上一镜，则读取并分析上一 final_shot 的最后一帧图片中的人物站位、朝向、视线、手部动作、身体姿态、景别、构图和场景空间关系；在当前提示词开头明确写出承接状态，并实际绑定该图片为 reference_image。不得只根据上一镜提示词推测状态，也不得读取或绑定上一镜完整视频。无强连续性依赖时，按当前 shot 自身的故事板状态撰写，不强制引用前序镜头素材。
• 旁白若在独立 narration 轨道，不要在视频提示词中重复完整旁白文本
• 固定反向提示词：背景音乐独立生成时加 无背景音乐；若用户在阶段 3 选择不添加字幕，则加 无字幕；若用户选择添加字幕，则省略该项（字幕由后期合成处理，不通过模型生成）。

视频镜头固定视觉风格（每个镜头提示词均需融入以下描述，写成流畅段落，不单独列项）：

• 光线与色调： 电影光线，柔和侧逆光打亮人物轮廓；暖金冷蓝交织的柔化色调；远处光源将人物轮廓照亮，明暗对比强烈，人物轮廓光强烈。
• 画面质感： 超写实，真实感，哑光真实质感；柔光镜效果；35mm 镜头，小景深；背景朦胧虚化。
• 遮挡构图： 部分镜头（尤其情感戏与环境建立镜头）可在前景加入遮挡物（如花枝、帘幔、建筑边缘），增加层次感与电影感。
• 表演节奏： 人物动作须以正常真实人类表演速度呈现，避免过度慢动作；仅在情感高潮瞬间（如对视定格、轻触面颊）可短暂强调慢速，其余时段保持自然流畅节奏。

• 严格按故事板镜头顺序组装时间线，不得自行调换镜头次序。
• 情感高潮镜头（对视、表白等）前后可设置 0.5～1 秒黑场或淡入淡出过渡，强化情绪停顿感；其余镜头间默认使用直切。
• BGM 音量低于人声/旁白约 15～20 dB，保证台词清晰度；情感高潮段落可适当提升 BGM 音量。
• 片头前 3 秒和片尾最后 3 秒做淡入/淡出处理。
• 字幕处理：若用户在阶段 3 选择添加字幕，在时间线合成时为每个镜头的台词/旁白文本叠加对应字幕条目，字幕时间点与人物说话节奏对齐；若用户选择不添加字幕，则跳过此步骤。
• 最终导出前引导用户确认总时长是否在 1 分 30 秒～2 分钟目标范围内，如有偏差提示可通过调整镜头时长修正。