Transcript-driven collage animation

触发与入口识别

• 用户发送逐字稿/口播稿 → 自动进入「分析稿件→选点→生成」完整流程。
• 用户说「拆解一下 / analyze this」→ 进入分析阶段（步骤 1）。
• 用户说「动态化 / animate these」→ 进入动态化阶段（步骤 4），以已有静帧为输入。

完整流程（端到端）

步骤 1 — 稿件分析与选点（Planner 执行）
读取用户提供的逐字稿，从中提炼适合拼贴动画表达的观点：

• 每个观点必须能凝练为「一个锋利想法 / 视觉双关」（如「时钟长翅膀 = 时间飞逝」）。
• 优先选取对比强烈、可视化潜力高、有反差或隐喻的句子。
• 每条稿件建议选取 3～5 个观点，输出简短说明并附上对应场景/视觉双关构想。
• 向用户展示选点列表，暂停并确认：用户可删减、调整或追加，确认后再进入下一步。

步骤 2 — 锁定风格规格（Planner 用 text_editor 写入 Final_Video_Spec.md）
为本批次锁定品牌/风格参数，写入 Final_Video_Spec.md，包含：

• 固定字段（全批次锁死）：medium、halftone_density、cut_and_shadow、composition、motion 规格。
• 每条可变字段说明：idea（视觉双关）、color_field（本条主色）、label_text（烧录文字，可空）。
• 同一组视频禁止修改固定字段，只允许改变 idea / color_field / label_text。

步骤 3 — 生成 Storyboard 与静帧（交由 storyboard_designer，再交由 media_generator）

• 先用 storyboard_designer 为所有确认观点设计 key_element 和 shot。
• 再用 media_generator 为每个 shot 生成拼贴风格静帧。
• 静帧全部生成后，暂停展示给用户，请用户标出满意/不满意的条目；不满意的条目调整 prompt 重跑，直到用户认可后继续。

步骤 4 — 动态化（交由 media_generator）

• 对用户选定的静帧执行「从空→满」组装式动态化。
• 全批次统一使用 MultiModalToVideo（MiniMax H3，768p） 路线，禁止切换视频模型、分辨率或改用帧插值。
• 生成完毕后暂停，展示所有视频，等待用户验收。

步骤 5 — 最终组装与导出（交由 video_assembler）

• 用户验收通过后，调用 video_assembler 对所有确认的视频片段执行组装与导出。
• 按 video_assembler 中的规范执行：单条 6～10 秒、保留 12 帧定格节拍不做平滑、音频同步、无字幕叠加、保持 768p 分辨率导出。
• 组装完成后向用户展示最终成片，确认无误即完成本批次。

步骤 6 — 规模化复用

• 用户若提交新逐字稿，重复步骤 1～5，固定字段直接沿用 Final_Video_Spec.md，只更换可变字段。

节点控制

每个「暂停」都是强制检查点，必须等用户明确确认后才能进入下一步，不得自动贯穿整条流水线。

参考图分析（当用户上传拼贴海报参考图时）

将参考图拆解为以下结构化字段，输出「白话拆解 + 逐字段 JSON 规格」两件套：

白话拆解：

• 主视觉：画面主体是什么、有哪些卫星元素
• 色彩感：背景主色是什么、元素与背景的对比关系
• 材质感：半调网点密度、轮廓线粗细、投影厚薄
• 创意内核：这张图想表达的「一个锋利想法」是什么

逐字段 JSON 规格（供 media_generator 生产使用）：
{
"medium": "混合媒介手作纸拼贴",
"color_field": "单一平涂纯色背景，主色 #XXXXXX",
"halftone_density": "（轻/中/重）网点，（报纸/杂志/照片）印刷质感",
"cut_and_shadow": "粗黑轮廓 + 手撕毛糙边 + 厚实柔和投影",
"composition": "（中心/分散/对角线）构图 + N 个卫星元素，留白（充足/紧凑）",
"idea": "一句话视觉双关",
"label_text": "画面内烧录的短标签（可空）",
"motion": "从空背景组装，12帧定格抖动，投影位移，轻微镜头平移"
}

自检： 分析时确认参考图是否满足拼贴动画四个静态特征（半调元素、干净裁切边缘+投影、平面纯色背景、一个锋利想法）；若缺失某项，在白话拆解里明确标注「该图缺少 X 特征，生产时需补充」。

每条拼贴动画的 Storyboard 结构

每条动画对应一个独立 shot，不做多镜头叙事，所有视觉信息聚焦于「一个锋利想法」。

key_element 设计：

• 主体元素（element character 或核心物件）：描述半调材质、轮廓线、投影特征，以及与「视觉双关」的关系。
• 背景色块（element scene）：单一平涂纯色，指定主色色值，无光影 / 无景深 / 无渐变。
• 卫星元素（element prop，3～5 个）：标注各自的视觉功能（强化主题 / 构图平衡 / 增加信息量）。

shot 描述（必须包含以下四项）：

• 场景绑定： 引用对应 element scene ID。
• 核心创意： 用一句话写出这条动画的视觉双关（即 idea 字段）。
• 组装顺序（动态叙事核心）： 明确描述从「空背景」到「完整画面」的搭建顺序——哪个元素先入场、从哪个方向飞入、如何卡位，最后哪个元素收尾。这是本类型最关键的运动设计，必须逐个元素写清楚，不可省略或笼统带过。
• 标签文字： 若有烧录进画面的短标签，注明内容和位置。

音频层（audio_layer）：

• 本类型通常不需要 VO 旁白；若用户要求配音，设计一条 narration 轨，并定义 narration_speaker_profile 与品牌调性对齐。
• 背景音乐（music/bgm）：若需要，指定风格（如：轻快纸质质感节拍、复古 lo-fi）。

视觉 DNA 自检（每条 shot 设计完后逐项核对）：

1. 开场是否为空背景？
2. 是否包含半调网点 + 粗黑轮廓 + 厚实投影三项材质特征？
3. 背景是否为单一平涂纯色（无光影 / 无景深）？
4. 这条是否有且只有一个清晰的锋利想法？
5. 组装顺序是否逐个元素写明了「从空到满」？

静帧生成（TextToImage / ImageToImage）

• 使用 TextToImage，推荐模型：Nano Banana 2，分辨率 2K。
• 若同组中有前一条已确认的静帧，且风格需要高度一致，可用 ImageToImage 以前帧为 reference_image，保持材质/构图风格不变，只替换核心创意内容。
• 生成前，将 Final_Video_Spec.md 中锁定的固定字段与本条 idea / color_field / label_text 合并，交由 write_media_prompt 撰写完整 prompt。

动态化路线（全批次统一）

视频路线 — prompt 驱动（MultiModalToVideo，推荐模型：MiniMax H3，768p）：

• 将已确认静帧作为 reference_image 输入。
• 用视频 prompt 描述「从空背景开始组装」的完整过程（详见 write_the_prompt 规范）。
• 若组装效果不干净，先简化单次入场元素数量、强化逐个元素的方向与卡位描述，再用同一 MiniMax H3 / 768p 配置重跑；不得切换模型、分辨率或改用帧插值。

一致性铁律： 同一组视频必须全程使用 MultiModalToVideo + MiniMax H3 + 768p，不得切换视频模型、分辨率或生成路线，否则质感断裂。

资产绑定

• 每张确认静帧注册 asset_id，绑定到对应 shot 的 final_shot 槽位。

跑图 Prompt（TextToImage / ImageToImage，生成静帧）

固定前缀（每条必带，不可删减）：

混合媒介手作拼贴艺术风格，复古剪纸质感。主体呈现为带有粗黑轮廓线的半色调印刷图片裁剪贴纸，边缘带有一点手工剪刀剪裁与撕裂纸张的毛糙边缘。背景由粗糙的燕麦纸、带有 distressed 痕迹的复古网格纸、以及旧报纸碎屑拼接而成。每一个重叠的卡纸图层之间都投下清晰、厚实的重叠投影，呈现出 3D 卡纸分层叠加的真实物理厚度感。扁平 2D 纸艺布局，保留纤维纸质纹理。禁止光滑的数码渐变，禁止精细 3D 渲染，禁止透视扭曲。

可变段（每条替换）：

• 主体/创意：本条视觉双关场景的具体描述（来自 storyboard shot 的核心创意）。
• 色彩：本条 color_field，一整块平涂纯色背景，注明色值。
• 标签文字：需烧录进画面的短标签（可空）。

关键词命中自检（写完后核对，六项必须全部覆盖）：
半色调 / halftone、粗黑轮廓线、手工剪裁毛糙边缘、厚实重叠投影、扁平 2D 纸艺、纸质纹理。

MiniMax H3 视频 Prompt（MultiModalToVideo，768p 动态化）

固定前缀（每条必带）：

12 帧定格动画风格运动，画面带有些许顿挫的节拍感。遵循手工剪纸的物理法则：画面中的各个卡纸元素在帧与帧之间产生微小的颤动、摇摆和晃动。重叠纸层下方的影子随元素移动产生微妙的动态投影位移，凸显 3D 叠纸的纵深空间感。背景的纸张纤维纹理和噪点在帧间闪烁起伏。微弱的镜头缓慢平移或视差漂移。保持扁平 2D 叠纸美学，禁止平滑的数码过渡动画，禁止 3D 空间畸变。

组装叙事段（每条必写，核心）：

画面从空的纯色背景开始，[元素A] 先从 [方向] 滑入卡位，接着 [元素B] 从 [方向] 飞入……最终所有元素拼成完整场景。

• 组装顺序直接从 storyboard shot 的「组装顺序」字段复制，必须逐个元素点名，注明入场方向和卡位动作；禁止笼统写「元素依次滑入」。
• 已确认静帧以 <<<image_1>>> 形式绑定为 reference_image，在 prompt 中标注其用途（整体风格参考）。

动效关键词自检（必须全部出现）：
12帧定格、顿挫节拍、帧间颤动/摇摆/晃动、动态投影位移、纸纹噪点闪烁、镜头平移/视差。

拼贴动画组装规范

• 每条时长： 单条拼贴动画建议 6～10 秒；若有多条组成系列，每条独立导出，不自动拼接成长片。
• 节奏： 组装动作与 12 帧定格节拍感在组装层保留原样，不做平滑处理，不加缓动曲线。
• 音频同步： 若有 bgm 轨，第一个元素入场时间点与音乐强拍对齐。若同时有 narration (VO) 轨，确保二者不重叠。
• 无字幕： 画面内文字已在静帧生成阶段烧录进图像，assembly 层不再叠加字幕层。
• 导出： 保持生成分辨率（768p），不做超分处理。