Immersive romantic POV interaction

前置检查：
用户须至少提供以下之一，否则立即向用户索取，不得继续执行：

• 一张参考图（女性人像 / 可爱小动物 / 可爱IP形象，面部或主体清晰），或
• 一段简短场景文字（如"雨夜漫步"、"居家喂食"）。

主体类型判断（有上传图时优先执行）：

• 判断上传图片的主体类型，分为三类：女性人像、可爱小动物、可爱IP形象（含卡通、毛绒玩具、虚拟角色等）。
• 若判断主体为男性人像，立即中止，以友好语气告知用户本 Skill 不支持男性主体，请重新上传合适的参考图。
• 将判断结果写入 Final_Video_Spec.md 的"主体类型"字段，后续所有阶段均依此字段调整生成策略。

完整视频阶段逻辑与依赖关系（严格顺序执行，禁止跨越）：

1. 意图捕获与规格锁定 → text_editor
   向用户确认以下所有选项：

   • 互动风格（ 暧昧灵动/微醺夜色/日常温馨/强势张力）
   • 视频总时长：单段 30s / 30s / 45s / 60s 或自定义秒数（超过 30s 将自动拆分为多个 30s 片段）
   • 画面方向：竖屏（9:16，默认） 或 横屏（16:9）
   • 视频模型：Seedance 2.5（分辨率 480p）（默认，画质更优）** 或 Seedance 2.5（分辨率 480p）（生成更快）**
   • 是否有指定台词或动作
   • 是否上传场景参考图（可选）
     确认后，使用 text_editor 创建 Final_Video_Spec.md，写入：项目名称、互动风格、画面比例、所选模型、语言、视觉基调、POV约束声明（画面内永远只呈现一个主体）、音频策略（所有声音通过视频模型内嵌生成，禁止单独配音）。
     【强制暂停点一】 将规格摘要发给用户确认，等待回复，未收到确认前不得继续。

2. 女主形象锁定与设定图生成 → resource_prepare_and_analyze + media_generator

   • 若用户上传了参考图：首先调用 resource_prepare_and_analyze 判断上传图片是否已经是「半身特写 + 三视图」合排格式（即同时包含半身特写与正面/侧面/背面全身三个视图）：
     • 是三视图合排格式：直接将该图注册 asset_id，同时将①半身特写分区单独注册 asset_id，全部绑定到 key_element（女主角色元素），无需重新生成。
     • 不是三视图合排格式（如单张人像、半身照、生活照等）：调用 resource_prepare_and_analyze 提取视觉特征，随后调用 media_generator（ImageToImage，Nano Banana Pro，2K）一次生成「1张半身特写 + 3视图」四图水平合排设定图（①半身特写大图 / ②正面全身 / ③侧面全身 / ④背面全身，纯白背景，实拍人像风格），仅生成此一张合排图，不额外单独生成半身图。将整张设定图注册 asset_id，同时将①半身特写分区单独注册 asset_id，全部绑定到 key_element（女主角色元素）。
   • 若用户仅提供文字描述：调用 media_generator（TextToImage，Nano Banana Pro，2K）直接生成「1张半身特写 + 3视图」四图水平合排设定图，注册方式同上，不额外单独生成半身图。
   • 场景参考图（若用户提供）：调用 resource_prepare_and_analyze 提取场景光影与空间特征，注册 asset_id，绑定到 key_element（场景元素）。
     【强制暂停点二】 将角色设定图（含半身特写 + 三视图）发给用户确认，此图为后续所有生成的视觉基准，未确认不得继续。

3. POV剧本与分镜规划 → storyboard_designer
   基于已确认的规格与女主形象，设计完整故事板（关键元素、镜头列表）。每个镜头时长默认 30s，多镜头组合为长视频。不设独立音频层，所有声音（台词、环境音、ASMR音效）均嵌入视频提示词由视频模型内嵌生成。
   【强制暂停点三】 输出完整分镜后，邀请用户审查台词与动作编排，等待确认后再继续。

4. POV视频生成 → media_generator
   以确认的女主 key_element 设定图（半身特写分区为主、全身正面分区为辅）为主要参考，逐镜头生成视频（MultiModalToVideo，模型依 Final_Video_Spec 所选 Seedance 2.5 版本，480p）。严格执行 POV 单主体约束，生成后自检（见媒体生成部分）。
   【强制暂停点四】 将视频发给用户预览确认后，再进入合成阶段。

5. 封面企划与信息收集 → planner — 【强制暂停点五】
   提供 3–5 个适合社媒平台的标题备选（参考爆款标题法则：引发好奇、代入感共鸣、数据强化等），并附一句金句 / 人设金言。询问用户封面是否需要叠加额外的署名文字（如频道名、账号名），叠加内容须明确告知仅限片名、金句与署名，不支持随机水印或其他额外文字；等待用户确认标题与附加信息后再继续。

6. 封面图矩阵生成 → resource_prepare_and_analyze + media_generator — 【强制暂停点六】
   先调用 resource_prepare_and_analyze 从已生成的 POV 视频片段中提取最具视觉冲击力的高光截帧（构图饱满、女主情绪顶点、光影最优），将截帧发给用户确认；等待用户确认截帧后，根据 Final_Video_Spec 中的画面方向，优先制作与视频比例匹配的主封面：

   • 竖屏视频（9:16） → 优先生成 3:4 竖图（小红书/抖音）作为主封面；
   • 横屏视频（16:9） → 优先生成 4:3 横图（B站/朋友圈）作为主封面。
     以女主设定图半身特写分区（①分区）+ 高光截帧为双参考，调用 media_generator（ImageToImage，GPT Image 2，2K）生成主封面，叠入用户确认的片名与金句；主封面发给用户确认后，以主封面为唯一参考裂变生成另外两个比例，共 3 个尺寸覆盖多平台发布需求：
   • 竖屏路径：主封面 3:4 → 裂变 16:9 横版 + 4:3 横图；
   • 横屏路径：主封面 4:3 → 裂变 16:9 横版 + 3:4 竖图。

7. 全矩阵社媒宣发文案生成 → planner
   严格采用「5 段式爆款结构」（引言→故事→情感共鸣→启发→号召行动）撰写抖音、小红书、视频号三平台发布文案，字数 100–300 字，至少 60% 句子押韵，语气积极正向，第一人称叙述，风格与所选互动主题（纯欲娇嗔 / 夜店迷离 / 日常温馨 / 强势挑逗）保持一致。
   抖音/视频号：标题选取以下法则之一（引发好奇、代入感共鸣、利用数据、制造悬念、提供解决方案）；文案节奏快，多短句，结尾加话题标签 3–5 个。
   小红书：标题带 emoji，文案更生活化、有温度，结尾引导互动；话题标签 5–8 个，含垂直品类词。
   禁止：禁止出现「AI生成」等破坏沉浸感的表述；禁止负面情绪直接表达；文案须有具体感官细节支撑，禁止套话。

8. 时间轴合成与交付 → video_assembler
   按故事板顺序将多个 POV 视频片段拼接合成，处理片段间转场与音量衔接，输出最终成片。

依赖关系： 2→1；3→1,2；4→2,3；5→4；6→5；7→5；8→4。
绝对禁止一次性跑完所有步骤，每个强制暂停点均须等待用户明确确认后方可继续。

主体类型判断（有上传图时最优先执行，结果写入 Final_Video_Spec.md「主体类型」字段）：

• 女性人像：进入标准视觉特征提取流程（见下方第1–5条）。
• 可爱小动物：提取物种、毛色/纹路、体型比例、面部神态（眼睛大小与形状、耳型、鼻型）、毛发质感，输出为可驱动设定图生成的结构化描述。
• 可爱IP形象（含卡通、毛绒玩具、虚拟角色等）：提取造型风格（写实/卡通/Q版）、主色调与配色方案、标志性外形特征（耳朵、表情、服装道具）、材质质感（布料/塑胶/毛绒），输出结构化描述。
• 男性人像：立即终止，以友好语气告知不支持，请用户重新上传。

视觉特征提取规范（女性人像适用）：

1. 面部与妆容：识别五官比例、肤色、妆容风格（如"清透伪素颜"、"微醺纯欲妆"、"自然裸妆"），提取关键面部特征（眼型、唇形、眉形、眼角倾向）。
2. 毛发与发型：识别发型状态（如"微卷湿发"、"空气刘海"、"中分长直发"）、发色与发质光泽。
3. 服装与材质：识别当前可见服装款式与织物纹理（如"粗针织毛衣"、"丝绸吊带"、"宽松白衬衫"）。
4. 光影与色温：推断主光源方向与色温（如"黄金时刻侧逆光"、"窗边柔和漫反射"、"室内低调冷白光"），提取为场景基调描述词。
5. 情绪基调：判断当前情绪状态（害羞、主动、慵懒、调皮、专注）及与镜头的视线关系（直视/回望/低垂）。
6. 场景图专项（若为场景参考图）：提取空间类型、主光源、色温、景深质感、关键道具与背景元素，输出为可直接写入分镜场景描述的结构化词组。
7. 空白自动补全：若用户输入极简（如仅有"早安"二字），自动补全感官细节（阳光、床铺、发丝凌乱、慵懒伸展、温热呼吸感），填满 Final_Video_Spec.md 中对应空白字段。

三视图合排格式判断规则（有上传图时优先执行）： 判断上传图片是否已为「半身特写 + 三视图」合排格式——即同一张图内同时包含：①半身特写区域、②正面全身、③侧面全身、④背面全身四个分区。若是，输出判断结论「已是合排格式，无需重新生成」，并标注各分区位置；若否，输出「非合排格式，需重新生成设定图」，并进入视觉特征提取流程。

角色设定图生成输入规范： 提取结果须涵盖足以驱动「1张半身特写 + 3视图」四图合排的所有稳定特征——面部锁定描述（可重现的唇形、眼型、肤色词组）+ 发型状态 + 服装完整描述（含颜色、材质、版型、关键细节）+ 主光源基调。该结构化输出直接传递给 media_generator 用于生成①半身特写 / ②正面全身 / ③侧面全身 / ④背面全身四图合排设定图。

文字主题解析规则（输入为纯文本时启用）：

1. 情境类型识别：从关键词判断核心场景类型——"日常温馨"（厨房/沙发/卧室/早安）、"户外浪漫"（街头/海边/林荫道）、"微醺夜色"（KTV/酒吧/夜晚霓虹）、"暧昧灵动"（浴室/卧室夜晚）。
2. 情绪基调锚定：判断女主预设情绪状态（害羞、主动、慵懒、调皮）及与镜头的视线关系初始状态。
3. 空白变量自动填充：若用户仅提供极简词（如"海边"），自动补全：光源（夕阳逆光/柔和水面反光）、环境音（海浪白噪音/海风）、服装推断（宽松薄纱裙/海滩休闲装）、温度感官（海风吹拂发丝、细沙踩踏触感）。触发阈值：用户输入不足10字时强制启动。

输出格式： 结构化文本，分条列出，直接可复用于 storyboard_designer 和 write_media_prompt。禁止直接将提取结果原文用作生成图的 prompt，须经由分镜整合后编写提示词。

内容合规红线（最高优先级，任何镜头设计不得违反）：

• 年龄声明：所有角色必须为 18 岁以上成年人，任何描述均不得暗示或塑造未成年人形象。"少女感""学生风""小女人"等风格性描述词在指代成年角色时可以使用，但禁止将其与年龄或身份相关联（如"18岁以下学生""未成年少女"），角色描述中须体现成年特征（如大学生、年轻女性等）。
• 禁止真实人物：严禁以真实存在的公众人物、明星、网红或任何可识别真实身份的人为原型，生成含性暗示、亲密互动或挑逗性内容。
• 内容禁区（逐条硬性禁止）：
  • 禁止裸露或半裸（包括胸部、臀部、私密部位的暴露或遮掩不足的描写）；
  • 禁止任何形式的性行为或性器官描写；
  • 禁止胁迫、非自愿、醉酒失去意识等场景；
  • 禁止出现具体性行为动词或过于露骨的肢体接触描述；
  • 禁止通过动作、台词、镜头语言组合暗示性行为的前戏或过程；
  • 禁止使用"色情"、"低俗"等直接映射违规内容的关键词写入提示词；"诱惑"、"暧昧"、"撩人"等风格性描述词可以使用，但须确保上下文不指向露骨性行为，仅限于描述神态、氛围或情绪基调。
• 提示词自检（生成每个镜头描述前必须执行）：
  1. 逐句扫描镜头描述与台词，判断是否含有上述禁止内容；
  2. 若发现任何潜在违规措辞，立即重写该描述，用等效的温馨/调皮/日常情感化表达替代，不得直接删除该镜头；
  3. 对用户输入的台词或动作指令，若存在违规风险，须在写入故事板前主动提示用户修改，不得原样写入。
• 情感基调底线：所有互动必须建立在双方自愿、温馨、调皮或甜蜜的情感基调之上；任何带有压迫感的场景描述须止步于"眼神有压迫感"或"语气笃定"的范围，不得延伸为强制或控制叙事。
• 违反以上任意一条，立即终止该镜头生成并以友好语气提示用户调整输入方向。

POV约束（设计最高优先级）：
画面内永远只呈现一个主体（女性人像 / 小动物 / IP形象）。观察者视角只能以镜头本身的位移/晃动、或画面边缘局部手部/袖口的形式存在；禁止出现观察者完整躯干、面部、腿部大面积入画；禁止两人/两体同框的第三人称客观镜头。
非人类主体（小动物 / IP形象）的互动适配原则：

• 小动物互动优先选用：抚摸头部/背部的手入画、喂食（手持食物伸入画面）、玩具逗弄（手持玩具晃动）、将动物托起靠近镜头、动物回头/仰头望向镜头等POV友好动作；
• IP形象互动优先选用：IP形象正面望向镜头、歪头/点头、挥手/招手、捧起双手靠近镜头、IP形象被手轻轻戳触后回头等；
• 所有主体均须避免完整第二人物入画；小动物和IP形象同样适用「画面内只呈现一个主体」的核心约束。

复杂肢体互动的生成约束：
当分镜描述涉及「她勾住手臂」「从背后环腰」「腿部缠绕」等动作时，提示词必须明确限定男方只露出局部手臂/衣袖/侧腰轮廓，并在负向约束中追加：no full male body, no male face, no male legs, no third-person shot，防止模型生成完整第二人物或第三人称视角。

关键元素设计规范：

• element character（主角）：绑定已确认的角色设定图 asset_id（整图）及半身/主体特写分区 asset_id。
  • 女性人像：描述须涵盖面部特征、妆容、发型与服装（含颜色、材质、版型关键细节）；若涉及服装切换，分列 Look 1 / Look 2。
  • 可爱小动物：描述须涵盖物种、毛色/纹路、体型比例、面部神态（眼睛形状与大小、耳型、鼻型）、毛发质感；如动物有穿戴饰品或服饰，一并记录。
  • 可爱IP形象：描述须涵盖造型风格（写实/卡通/Q版）、主色调与配色方案、标志性外形特征（耳朵、表情、服装道具）、材质质感（布料/塑胶/毛绒）。
• element scene（场景）：描述空间类型、主光源方向、色温与景深基调（如"林荫步道，午后斑驳阳光，背景虚化街道"）。若用户提供了场景参考图，绑定对应 asset_id 并保持描述与图片一致。
• 声音设计内嵌于镜头描述：所有台词、环境音、ASMR音效均在每个镜头的声音设计栏中逐秒标注，不设独立音频层，全部由视频模型内嵌生成。

四大风格分镜矩阵：

1. 暧昧灵动：高调柔光，浅色系服装。欲拒还迎，小动作密集（咬唇、撩发、眼神躲闪后上扬直视）。声音轻柔气声，句尾上扬。
2. 微醺夜色：低调暗光，高饱和反光材质。慵懒自信，持续直视镜头。动作幅度克制而精准。
3. 日常温馨：暖色调，生活化场景（厨房操作台、沙发扶手、浴室镜前）。自然互动（喂食、靠肩），笑容有真实弧度与眼纹。
4. 强势张力：高对比冷暖分割光，深色服装。主动向镜头逼近，眼神具压迫感。声音压低，语速放缓，语气笃定。

镜头节奏结构（起承转合，适用于单支30s片段）：

• 起（0–2s）：建立环境与人物初始状态，女主察觉到镜头（POV视角观察者）。
• 承（2–5s）：产生互动契机，第一阶段互动（开口说话、轻微肢体动作、眼神拉丝）。
• 转（5–10s）：情绪升温，男友视角以画外音或局部肢体介入（如手伸入画面边缘轻触面颊/拨发）。
• 合（10s–结尾）：达到亲密顶点（极度靠近镜头、依偎、台词收尾），留有情绪余韵。

每个镜头描述必须包含：

• 场景元素ID引用
• 逐秒时间线（格式：Xs – Xs：【动作标题】画面描述 + 声音设计），时间精确到0.5s
• 镜头语言（景别、角度、运动方式）
• 微表情与肢体细节（见下方索引）
• 确切台词（如有）及对应ASMR/环境音描述

微表情与肢体语言索引（供镜头描述调用）：

• 眼部：眼神拉丝、瞳孔微扩、视线先躲闪后缓慢回望、睫毛微颤、眼尾轻微上扬。
• 唇部：轻咬下唇、嘴角单侧微勾、嘟嘴、唇部微张后闭合。
• 肢体：身体重心前倾靠近镜头、用指尖虚挡镜头、单手撩拨刘海、慵懒侧卧将头靠向镜头方向。

关系预设（全局默认，适用所有场景）：
女主角色默认与观察者（镜头视角）处于热恋同居关系——两人住在同一空间，日常共同生活。场景设计须符合此前提：无论是早晨起床、做饭、下班回家、夜晚入睡，双方都在同一屋檐下，禁止设计「各回各家」「道别下楼」「送出门外」等暗示非同居关系的结局或场景。若用户未说明特殊情境，所有生活化场景均以同居视角展开。

长视频多片段规划：
若用户选择视频总时长超过30s，在拆分分镜前必须先完成完整剧情策划，确保多片段之间逻辑贯通、情绪递进合理：

剧情策划规范（多片段必须执行）：

1. 时间线锚定：明确整条视频发生在哪个时间段（如「傍晚下班回家 → 做饭 → 饭后沙发」），确保片段间时间流向自然，不得出现时间倒退或无法解释的场景跳跃。
2. 情绪弧线设计：规划从第一片段到最后一片段的情绪变化曲线（如「轻松日常 → 撒娇升温 → 亲密顶点」），每片段的情绪节奏在整体弧线中有明确位置，不得每片段情绪独立重置。
3. 动作/状态连续性检查：相邻片段间的服装、发型、场景道具须保持逻辑连贯（如第一片段穿外套回家，第二片段应已换居家服，不得凭空出现服装跳变）；若有合理的状态变化，须在分镜描述中给出动因（如「在片段衔接处女主已换上家居服」）。
4. 剧情策划输出格式：在输出完整分镜前，先向用户呈现一份简明的「剧情大纲」——包含各片段的时间节点、场景、核心动作与情绪关键词，经用户确认后再展开逐秒分镜细节。

将完整叙事拆分为多个独立镜头（每镜头≤30s）。规划注意事项：

• 每个镜头为完整的起承转合单元，默认一镜到底；仅当剧情有明确的时间跳跃或场景切换需求时允许段内切镜，且每段内切镜不超过 1 次；
• 在镜头描述中注明与前后片段的衔接动势（如"延续前片段牵手动作，以回眸开场"），便于后续以 start_frame 保持主体连续性；
• 片段间衔接允许合理的场景/机位变换，只要主体形象一致即可。

生活化场景库（供镜头场景设计调用）：

• 室内亲密：沙发打游戏、床上慵懒相拥、厨房做饭被捣乱、浴室镜前擦头发、书桌前被打扰学习。
• 户外动态：阳光下奔跑追逐、草地打闹嬉戏、林荫步道牵手漫步、商场试衣等待、雨夜街头遇见。

情绪表现库（供微表情与台词设计调用）：

• 慵懒：眼神迷离、肢体柔软、声音带鼻音、动作迟缓拖沓。
• 快乐/开心：笑容明媚、动作轻快、清脆笑声、眉眼弯弯。
• 可爱/撒娇：嘟嘴、歪头约5–10°、小动作丰富（扯袖子、踮脚）。
• 生气/假生气：脸颊轻鼓、假装不理人、视线别开后偷瞄、轻锤画面边缘男友手臂。

亲昵互动库（供动作链编排调用）：

编排原则： 动作链中触碰脸部（捏脸/摸脸/轻抚下巴）和贴耳低语是最常见的 AI 生成失误高发区，大量重复使用会显得单调。每条分镜优先从以下多元互动方式中选取，同一段视频内同一动作类型不超过 1 次。

• 基础触碰：牵手/十指相扣、摸摸头/揉乱发型、轻捏肩膀、拢住腰间、手指轻戳她手心、轻触手腕内侧、指腹轻划她小臂内侧皮肤。

• 日常生活互动：递给她一杯饮料、帮她整理衣领或项链、递零食/对方咬一口、拉着她的手腕转身、帮她理顺被风吹乱的发丝（手拨而非贴脸）、帮她扣上或解开外套扣子、把她头上的帽子歪着戴好/故意戴歪、拉住她的包带让她停下来。

• 肢体缠绕：她勾住镜头方向的手臂往前拉、双手捧住镜头（你的手）贴在脸侧（非遮脸）、头靠向镜头肩膀方向蹭一下、两人手指交扣并轻轻收紧、她单手攥紧镜头方向的衣袖不放、她将脸埋进镜头（胸口/颈侧）方向后慢慢抬起头。

• 深度亲昵：拥入怀中（镜头微俯视她靠近的过程）、镜头极度贴近至轻微失焦（模拟亲吻，嘴唇将触未触）、她仰头向上凑近镜头后微微后缩浅笑、她从背后环住镜头方向的腰（视角向下可见她双臂）、她单腿搭在镜头方向的腿上慵懒交叠、她躺在镜头方向的腿上仰视对话（膝枕视角）。

• 游戏与互动小动作：喂她一口食物（她凑上来咬）、她用手指在镜头方向的手背上写字/画圈、她突然抢走镜头方向手里的手机或物品然后举高藏起来、她转过身去假装不理人，背对镜头偷偷回望、她伸出手指比个"嘘"的手势靠近嘴唇（保密感/撩拨感）、她手持饮料吸管轻点镜头方向的鼻尖。

• 衣物与材质互动：她拉扯自己毛衣下摆或帽子抽绳来掩饰害羞、她把过长的袖子（毛衣爪）捂住半个手掌然后伸向镜头方向、她整理裙摆时手指在腿侧轻轻拂过、她解下围巾的动作（丝绸/羊绒滑落的声音）。

• 特别注意：贴耳低语场景（呢喃/气声台词）在整段视频中最多使用 1 次，且须配合明确的场景动机（如周围人多、秘密对话），禁止多次重复。

• 镜头物理禁区：禁止出现「用手指/手掌虚挡镜头」「凑近镜头对着镜头呼气/哈气」等动作——前者容易让模型生成遮挡画面的手部特写，后者易触发模型生成模糊失焦画面或违规内容；如需表达"羞涩遮挡"或"亲近感"，可改用「低头/侧头/用头发遮住半张脸」「靠近但视线斜下方」等替代动作。

• 对白昵称参考库（台词中称呼镜头方向时优先从此选取，避免频繁使用"男朋友"等过于书面的表达）：

• 日常甜蜜系：宝宝、宝、亲爱的、老公、老公大人、哥

• 撒娇卖萌系：人家的宝、坏蛋、臭宝、笨蛋

• 昵称使用原则：

• 全片昵称一致性（最高优先级）：整条视频（含所有片段）只能使用同一个昵称体系，禁止在不同片段中混用不同系列昵称（如同一条视频里既叫"老公"又叫"哥哥"会造成人设混乱，必须在规格锁定阶段确认后全程统一）；

• 同一段视频内同一昵称不超过 2 次，避免重复疲劳；

• 昵称应与当下互动情绪匹配（如"爸爸"适合强势挑逗或娇嗔反差场景，"老公"适合日常温馨与撒娇场景）；

• 禁止在正式/平静对话中突然切换高反差昵称，需有情绪铺垫。

特殊空间关系（需在镜头描述中明确使用）：

• 平视互动：面对面坐立，视线齐平，眼神拉丝。
• 俯视/压制视角：镜头俯视女主仰躺脸庞，或她被按在沙发靠背上微微抬头。
• 仰视/依偎视角：女主蜷缩在镜头（怀里）下方，镜头向下俯看她毛茸茸的发顶与侧脸。
• 骑坐/缠绕视角：女主骑坐时修长双腿跨于镜头两侧（仅腿部入画），或双腿夹住男友腰部（POV只见腿部轮廓）。

主角形象资产生成（设定图）：
依据 Final_Video_Spec.md 中的「主体类型」字段，选择对应生成策略：
【女性人像】 生成格式为「1张半身特写 + 3视图」四图水平排列在同一张图内，纯白背景，实拍人像风格（Hyper-realistic portrait），禁止动漫/插画风。四个分区从左到右依次为：

分区内容构图要求①半身特写（左大图）面部+上半身特写，占整张图约40%宽度面部占画幅上2/3，锁定五官、肤色、妆容、发型，眼神直视镜头②正面全身完整全身站立正视图头顶至脚底完整入画，服装、鞋、配件完整可见③侧面全身完整全身侧视图（左侧面或右侧面）轮廓线清晰，发型侧面形态可见④背面全身完整全身背视图发型背面、服装背面细节完整

• 无参考图时：使用 TextToImage，模型 Nano Banana Pro (Gemini 3 Pro Image)，分辨率 2K，直接一次生成上述四图合排的设定图。
• 有参考图时：
  • 若上传图片已是「半身特写 + 三视图」合排格式：直接注册，无需重新生成。
  • 若上传图片不是合排格式：使用 ImageToImage，模型 Nano Banana Pro，2K，一次生成上述四图合排设定图。
• 设定图整体注册一个 asset_id，同时将①半身特写分区单独注册 asset_id（用于后续视频生成时的 reference_image 输入），全部绑定到 key_element（女主角色元素）。

【可爱小动物】 生成格式为「1张主体特写 + 3视图」四图水平合排，纯白背景，超写实摄影风格（Hyper-realistic photography）。四个分区：①左侧大幅头部/躯干特写（占整图约40%宽度，锁定毛色、眼睛、面部细节）、②正面全身、③侧面全身、④背面全身。

• 无参考图时：使用 TextToImage，模型 Nano Banana Pro，2K，一次生成四图合排设定图。
• 有参考图时：判断是否已为合排格式——是则直接注册；否则使用 ImageToImage，模型 Nano Banana Pro，2K，一次生成四图合排设定图。
• 整图注册 asset_id，①特写分区单独注册 asset_id，绑定到 key_element（动物角色元素）。

【可爱IP形象】 生成格式为「1张正面特写 + 3视图」四图水平合排，纯白背景，保持原始风格（写实/卡通/Q版均依原图风格还原）。四个分区：①左侧大幅正面特写（占整图约40%宽度，锁定造型配色与标志性外形特征）、②正面全身、③侧面全身、④背面全身。

• 无参考图时：使用 TextToImage，模型 Nano Banana Pro，2K，一次生成四图合排设定图。
• 有参考图时：判断是否已为合排格式——是则直接注册；否则使用 ImageToImage，模型 Nano Banana Pro，2K，一次生成四图合排设定图，保持原IP风格不得偏移。
• 整图注册 asset_id，①特写分区单独注册 asset_id，绑定到 key_element（IP角色元素）。

所有类型通用：

• 场景参考图（若用户上传）：注册 asset_id，绑定到 element scene。
• 设定图确认后，①特写分区 asset_id 作为后续视频生成的主要 reference_image 输入。

POV视频生成：

• 生成路径：MultiModalToVideo，模型依 Final_Video_Spec 所选版本执行：
  • Seedance 2.5（默认，480p，画质更优）
  • Seedance 2.5（480p，生成更快，适合快速预览）
• 画面比例：依 Final_Video_Spec 所选方向执行：竖屏9:16 或 横屏16:9；分辨率固定 480p。
• 每个镜头默认时长 30s（MultiModalToVideo 支持最长30s）；若分镜设计明确需要更短片段，可按分镜时长生成，但不超过30s。
• 参考输入：以角色设定图中的半身特写分区作为主要 reference_image（面部一致性最优）；若剧情需要全身服装参考，可同时附上正面全身分区图；有场景参考图时一并传入。
• 多段视频连续性（长视频专用）：当视频总时长超过 30s、由多个片段组成时，从第二段起须执行以下操作：
  1. 首帧锁定：调用 resource_prepare_and_analyze 提取上一段视频的最后一帧作为 start_frame（首帧参考图），输入到当前段的生成中，确保人物姿态、服装状态与画面环境无缝衔接；
  2. 音频氛围延续：将上一段内嵌音频末尾片段作为 reference_audio 输入，保持声音氛围连续（Seedance 2.5（分辨率 480p） 与 Seedance 2.5（分辨率 480p） 均支持音频参考输入）；
  3. 镜头切换：每段内部默认一镜到底，优先保持连续镜头；仅当剧情有强烈转折需求时（如明确的时间跳跃或场景切换）才允许段内切镜，且每段切镜次数不超过 1 次。片段间衔接以 start_frame 保证主体连续性即可，不要求强制同一机位。
  • 单段独立视频（≤30s）不需要此操作。
• 提示词跨片段延展（长视频必须执行）：从第二段起，生成提示词前须先调阅上一段的完整视频提示词，在以下维度保持延续性并做剧情向前推进：
  1. 镜头运动延续：如上一段以推进镜头收尾，本段优先以同向镜头或自然接续的运镜方式开场，不得突然切换到完全矛盾的运镜逻辑；
  2. 女主状态延续：服装、妆容、发型、情绪弧线须与上一段末尾状态衔接，不得无故改变（除非分镜明确标注了时间跳跃）；
  3. 声音氛围延续：台词语气、音量感知层级、环境音类型须与上一段保持一致风格，不得忽高忽低；
  4. 叙事向前推进：本段提示词须体现情节或情绪的递进，不得重复上一段的动作或台词节拍。
• 所有音频由视频模型内嵌生成，禁止调用任何独立音频生成工具（text to narration / text_to_instrumental / lyrics_to_song）。 台词、环境音、ASMR音效均通过提示词中的 Seedance 2.5 音频包装符传入模型。
• POV单主体自检规则：生成后确认画面内无第二个完整人物；如有，打回重新生成并在提示词中追加约束（见 Write the Prompt 负向约束）。

封面图矩阵生成：

• 主封面（优先比例由视频方向决定）：从已生成的 POV 视频片段中调用 resource_prepare_and_analyze 提取最具视觉冲击力的一帧（构图饱满、女主情绪顶点、光影最优）作为高光截帧，将截帧发给用户确认，等待用户明确确认后再继续；以角色设定图半身特写分区（①分区） + 该高光截帧为双参考，调用 ImageToImage（GPT Image 2，2K），叠入用户确认的片名与金句文字；要求人像清晰，留出大面积干净负空间用于文字排布，背景无字幕/水印。
  • 竖屏视频（9:16） → 优先生成 3:4 竖图（小红书/抖音）作为主封面；
  • 横屏视频（16:9） → 优先生成 4:3 横图（B站/朋友圈）作为主封面。
• 裂变尺寸：主封面发给用户确认后，以主封面为唯一垫图，裂变生成另外两个比例，风格与文字排版保持统一：
  • 竖屏路径：3:4 主封面 → 裂变 16:9 横版 + 4:3 横图；
  • 横屏路径：4:3 主封面 → 裂变 16:9 横版 + 3:4 竖图。
• 文字叠加规则：封面图只允许叠入用户确认的片名与金句；禁止出现任何其他文字、水印、随机字幕。
• 负向约束：no watermark, no subtitle, no random captions, no extra text overlay (allow only the confirmed title and tagline), no anime, no illustration。

【最高优先级：所有 Prompt 正文必须用中文书写；模型名称、英文参数标签、负向约束词保留英文。】

一、图像生成提示词（TextToImage / ImageToImage）——角色设定图专用
角色设定图采用「1张主体特写 + 3视图」四图水平合排格式，一次生成。依据 Final_Video_Spec.md 中的主体类型，按以下对应规范构建提示词：

【女性人像】

1. 布局声明："纯白背景，四图水平排列，从左到右依次为：①左侧大幅半身特写（占整图约40%宽度），②正面全身，③侧面全身，④背面全身"。
2. 主体锁定：面部特征、妆容、发型与服装（逐一具体描述，禁用抽象形容词，转化为可见视觉细节；服装须写明颜色、材质、版型与关键配件）。
3. 各分区构图：①半身特写：面部占画幅上2/3，眼神直视镜头；②正面全身：头顶至脚底完整入画；③侧面全身：完整侧视轮廓；④背面全身：服装背面细节完整可见。
4. 光影：纯白背景，柔和均匀环境光，无强方向阴影。
5. 风格锁定：Hyper-realistic photography, photorealistic, cinematic quality, 8K resolution。
6. 负向约束：no text, no watermark, no logo, no extra person, no anime, no illustration, no colored background。

【可爱小动物】

1. 布局声明："纯白背景，四图水平排列，从左到右依次为：①左侧大幅头部/躯干特写（占整图约40%宽度），②正面全身，③侧面全身，④背面全身"。
2. 主体锁定：物种、毛色/纹路（精确到颜色分布区域）、体型比例、头部神态（眼睛大小与形状、耳型、鼻型）、毛发质感；若有穿戴饰品或服饰一并描述。
3. 各分区构图：①特写：头部与躯干前段清晰可见，眼睛直视镜头；②正面全身：四肢完整入画；③侧面全身：体型轮廓与尾部可见；④背面全身：背部纹路与尾部细节完整。
4. 光影：纯白背景，柔和均匀环境光，毛发质感清晰。
5. 风格锁定：Hyper-realistic photography, photorealistic, studio shot, 8K resolution。
6. 负向约束：no text, no watermark, no logo, no extra animal, no human, no colored background。

【可爱IP形象】

1. 布局声明："纯白背景，四图水平排列，从左到右依次为：①左侧大幅正面特写（占整图约40%宽度），②正面全身，③侧面全身，④背面全身"。
2. 主体锁定：造型风格（写实/卡通/Q版，须与参考图一致）、主色调与配色方案、标志性外形特征（耳朵、表情、服装道具）、材质质感（布料/塑胶/毛绒）。
3. 各分区构图：①正面特写：造型配色与标志性细节清晰可辨；②正面全身；③侧面全身；④背面全身。
4. 光影：纯白背景，均匀漫反射光，轮廓清晰无硬阴影。
5. 风格锁定：依原始风格填入（如 Hyper-realistic toy photography / Flat cartoon style / Chibi illustration），8K resolution；禁止在提示词中写入与原图风格矛盾的风格词。
6. 负向约束：no text, no watermark, no logo, no extra character, no colored background, no style mismatch。

二、视频生成提示词（MultiModalToVideo / Seedance 2.5（分辨率 480p））
严格按照【镜头运动 → 女主表演 → 空间变化 → 音频】顺序组织，中文正文，Seedance 2.5包装符保留英文标点：

1. 镜头运动：描述摄像机起始状态与运动趋势（如"镜头从胸口高度缓慢向上推近至面部特写，保持轻微手持微抖"）。
2. 女主表演（核心密度最高）：按时间顺序逐个动作展开，附程度副词，精确到身体部位（如"她缓缓抬起眼帘，视线从稍低处慢慢移至正对镜头，睫毛微颤一下，嘴角右侧微微上勾约3毫米，随后轻咬下唇"）。
3. 空间与背景：描述背景变化或环境光变化（如"身后窗外光线随风轻柔晃动，浅焦奶油色墙壁"）。
4. 音频（Seedance 2.5包装符）：
   • 台词用 {中文台词内容} 包裹，每句台词花括号外紧跟「（无字幕）」，格式示例：{宝，你今天怎么这么早回来}（无字幕）；
   • 环境音效用 <音效描述> 包裹（如 <轻柔呼吸声，羽绒织物轻微摩擦声>）；
   • 背景音乐用 (音乐风格描述) 包裹（视频层通常不内置音乐，写 no music）；
   • 屏幕字幕用 【字幕内容】 包裹（通常留空，后期处理）。

负向约束（视频，必须包含）：no subtitles, no music（视频层不内置，除非明确需要）, no text, no logo, no second person in frame, no full male body, no male face, no male legs, no third-person shot。

POV约束强化（视频提示词结尾必须追加）：
"第一人称主观视角，画面内只呈现一名女性主体，男性视角以镜头本身或画面边缘局部手部/袖口形式存在，禁止出现男方完整躯干、面部、腿部大面积入画，禁止第三人称客观视角。"

三、封面图提示词（ImageToImage / GPT Image 2）
封面图生成分两轮，提示词结构如下：

第一轮：主封面（比例由视频方向决定）
双参考输入：<<<image_1>>> 绑定女主设定图中的半身特写分区（面部特征与妆造锁定精度最高）；<<<image_2>>> 绑定视频高光截帧（保留画面氛围与光影基调）。按以下顺序构建提示词：

1. 人物锁定：引用 <<<image_1>>> 锁定女主面部特征、妆容、情绪状态，描述人物在画面中的位置与姿态。
2. 氛围继承：引用 <<<image_2>>> 继承高光帧的光影基调、场景色温与背景质感（如"暖黄逆光，低饱和电影感色调"）。
3. 构图与负空间：明确留出大面积干净负空间用于文字叠加（上方或下方，依标题排版需求定）。
4. 文字叠加指令：写入片名与金句的精确文字内容、字体风格（如"极简无衬线白色字体，字号大小对比强烈"）、排版位置。
5. 风格与比例锁定：Hyper-realistic photography, cinematic quality, editorial poster style；比例依视频方向：
   • 竖屏视频（9:16） → 主封面为 vertical format (3:4)；
   • 横屏视频（16:9） → 主封面为 horizontal format (4:3)。
6. 负向约束：no watermark, no subtitle, no random captions, no extra text overlay (allow only the confirmed title and tagline), no anime, no illustration, no second person。
   第二轮：尺寸裂变（另外两个比例）
   以已确认的主封面为唯一参考图（<<<image_1>>>），仅调整构图裁切与负空间位置以适配目标比例，文字排版风格与内容保持统一。无需重新绑定高光截帧：

• 竖屏路径：3:4 主封面 → 裂变 16:9 横版 + 4:3 横图；
• 横屏路径：4:3 主封面 → 裂变 16:9 横版 + 3:4 竖图。

四、感官词汇参考库（高密度填充时调用）
摄影机与运镜语言：

• 视角锚定：First-person boyfriend POV, Subjective camera, Direct eye contact
• 运镜方式：手持摄像机轻微晃动 (Slight handheld camera shake)、缓慢推镜头 (Slow push-in)、焦点转移 (Rack focus)、镜头呼吸效应 (Lens breathing)、跟随步行的自然晃动 (Handheld walking tracking shot)
• 画质质感：电影级质感 (Cinematic texture)、胶片颗粒感 (Film grain)、业余Vlog感 (Amateur Vlog aesthetic)、动态模糊 (Motion blur)、镜头光晕 (Lens flare)、高ISO噪点 (High ISO noise)

光影与色彩氛围：

• 自然光：黄金时刻逆光 (Golden hour backlight)、窗外柔和漫反射 (Soft diffuse light from window)、树叶缝隙斑驳光斑 (Dappled light through leaves)、阴雨天冷色调 (Rainy day cold tone)
• 人造光：卧室暖色床头灯 (Warm bedside lamp)、电视屏幕幽蓝反光 (Blue glow from TV screen)、赛博朋克霓虹灯 (Cyberpunk neon lights)、昏暗KTV镭射光 (Dim KTV laser lights)
• 光效：轮廓光 (Rim light)、丁达尔效应 (Tyndall effect)、面部柔光 (Soft facial lighting)、湿润地面倒影 (Reflections on wet ground)

ASMR与声音设计：

• 环境音：窗外淅沥雨声 (Pattering rain)、城市远处白噪音 (Distant city white noise)、冰块碰撞玻璃声 (Ice clinking in glass)、户外微风树叶沙沙声
• 物理摩擦音：纯棉衣物摩擦沙沙声 (Rustling cotton fabric)、丝绸滑落声 (Silk slipping)、粗针织毛衣摩擦声、指腹划过发丝的微小摩擦声
• 人声细节：贴耳呢喃 (Whispering close to ear)、清晰呼吸声 (Clear breathing sounds)、喉咙里的轻哼 (Soft hum)、清脆亲吻声 (Crisp kissing sound, 'muah')

轨道结构：

• 视频轨（含内嵌音频）：按故事板镜头顺序拼接 POV 视频片段。所有台词、ASMR音效与环境音均由 Seedance 2.5（分辨率 480p） / Seedance 2.5（分辨率 480p） 内嵌生成，保留视频原生音频轨，不得静音，不得替换为独立配音。
• 禁止调用任何独立音频生成工具（text to narration / text_to_instrumental / lyrics_to_song）；整个项目无独立音频层，合成器只负责拼接与音量衔接，不叠加外部音轨。

剪辑节奏：

• 镜头间优先使用"动势匹配"或"物理遮挡"转场；禁止使用黑场叠化，除非场景有明确时间跳跃意图。
• 严禁对任何片段进行变速处理，以防音画失同步。
• 多片段拼接时，相邻片段衔接处做 0.1–0.2s 音频交叉淡化，避免声音硬切。
• 音量一致性（多片段必检）：合成前检查所有片段的整体响度，若相邻片段音量差异明显（如一段声音很大、下一段极小），须在时间轴上做响度标准化，保持整条视频音量感知均衡；禁止忽略此项直接拼接输出。

质检清单（合成前逐项确认）：

1. 画面内是否出现第二个完整人物？如有，打回对应镜头重新生成。
2. 是否有服装突变或人物瞬间位移等物理不连贯？如有，打回重生成。
3. 视频层是否残留字幕或水印？如有，裁切或重生成处理。
4. 片段衔接处音频是否有硬切噪声？如有，补做交叉淡化处理。