万物皆战场

全片阶段逻辑与依赖：

1. 建立 Final_Video_Spec.md（标题、游戏题材类型如现代战争/科幻/二战、武器类型、场景类型、画幅[横屏/竖屏，由用户指定]、单镜头时长、总时长、视觉风格、输出语言）→ text_editor。画幅与时长由用户明确指定，后续生成阶段不得擅自更改。若用户已上传图片，视频画幅默认跟随上传图片的宽高比，无需用户额外指定。自定义玩法支持（两步卡片 + 自然语言场景）： 游戏剧材类型选择时，除案例库预设题材外，提供"自定义玩法"选项。用户选择自定义后，按以下顺序交互：

• 第一步卡片——选玩法： 以卡片呈现"自定义玩法"选项，用户点选确认进入自定义流程。
• 第二步卡片——选基础题材： 以卡片列出案例库中的全部预设题材（CS2/使命召唤：现代战争/无畏契约/艾尔登法环等），用户点选一个作为玩法基础（HUD/武器道具/交互动作/视觉风格沿用该题材）。
• 第三步自然语言——描述自定义场景： 基础题材选定后，以自然语言邀请用户描述创意场景设定（如"校园变战场，在教学楼走廊狙击教导主任""超市末日求生"等）。场景描述过于开放、无法穷举为有限选项，因此这一步不用卡片。

2. 检查 Storyboard。若关键锚点缺失或蓝图需要调整，创建或更新（key_element 武器与场景、shot 列表、audio_layer）→ storyboard_designer；若锚点已存在且蓝图不变则跳过。扫描当前上下文中用户提供的素材，在后续生成引用前先通过 media_generator 绑定到对应 Storyboard 槽位。
3. 确认元素描述：在 Storyboard 中以文字描述武器与场景 key_element（型号、涂装、配件、场景布局、光照方向等），供 prompt 编写引用；不单独生成武器图或场景图。
4. 逐镜头生成最终视频——shot 列表已由 Storyboard 按场景/事件划分（同一场景连续剧情归入同一 shot，shot 内可多切镜；场景切换才开新 shot），生成时遵循该划分。根据是否有用户上传图片走两条分支：
   • 分支 A（用户上传了游戏截图/参考图 → 直接图生视频）： 将上传图片作为 reference_image 注入 MultiModalToVideo，以用户画面的构图、色调和 HUD 布局为基准生成视频。
   • 分支 B（用户未上传画面参考 → 先生图确认再图生视频）： 按 Storyboard 中的 element scene 划分，每个不同场景使用 TextToImage 生成一张该场景的第一人称视角游戏画面图（体现双手持枪、该场景环境与 FPS 视角构图）→ 暂停，向用户展示全部场景参考图并请求确认 → 用户确认后，各 shot 使用其所属场景的参考图作为 reference_image 注入 MultiModalToVideo 生成视频。若视频只有一个场景则只生成一张。
     若该镜头引用了音频（如枪声、语音），先完成音频生成/注册与绑定验证；仅在连续性极强时附加上一 shot 视频作为 reference_video → media_generator。
5. 生成未在步骤 4 中作为前置依赖的其余音频层（环境音效、旁白等）→ media_generator，注册并绑定到各自 Storyboard 位置。BGM 默认不生成，仅当用户明确要求时才在此步骤生成并绑定。
6. 所有素材就绪后进行最终合成，引导用户导出 → video_assembler。
   依赖关系： 步骤 2 依赖步骤 1；步骤 3 依赖步骤 2；步骤 4 依赖步骤 3，且仅在引用音频的镜头需要该音频先生成并绑定；步骤 5 依赖步骤 2，可在步骤 4 之后执行；步骤 6 依赖步骤 4–5。
   暂停检查点： 在每个主要里程碑后（规格锁定、Storyboard 完成、分支B 各场景参考图生成并用户确认、镜头视频完成、音频完成）暂停并向用户确认，不要一次性跑全流程。
   卡片交互强制： 所有需要用户确认、选择或回答的环节，必须以卡片（cards）形式呈现选项，禁止要求用户手动输入"确认""好的"等文本。包括但不限于：里程碑确认、游戏台词是否需要、分支B 画面图是否通过、画幅/时长/题材选择等——一律用预置可执行选项的卡片让用户点选。仅当问题过于开放、无法穷举为有限选项时，才以自然语言询问。
   用户素材处理： 用户提供的截图、视频或音频参考，在生成步骤引用前先绑定到正确 Storyboard 锚点，避免重复生成已有素材。

参考素材分析要点：

• 若用户提供游戏截图或实机录像，提取以下结构化信号：武器型号与外观特征、场景环境风格与色调、光照条件、HUD 布局（准星/弹药框位置）、画面整体质感（写实/卡通/像素）、以及图片的宽高比（供视频画幅自动匹配）。
• 若用户提供参考视频，分析其镜头运动模式：步伐晃动幅度与节奏、开火后坐力表现、转向速度、移动与观察的切换方式，供 Storyboard 和 prompt 编写参考。
• 将分析结果以结构化文本输出，标注哪些视觉特征需要在后续生成中保持一致。

FPS 视角关键元素设计

• element scene（场景）： 为每个关键场景（如军事基地外围、室内走廊、开阔战场）建立独立元素，描述空间布局、掩体位置、光照方向和主色调，供 prompt 编写引用。不单独生成场景图。
• key_element 武器（道具）： 将玩家主武器作为 key_element，描述武器型号、涂装、配件（瞄镜/握把/弹匣）和持枪姿态；若视频涉及换武器，每把武器独立建元素。不单独生成武器图。
• 用户上传的参考素材映射到元素时，描述须与素材内容一致，不得矛盾。
  FPS 视角镜头设计
• shot 划分以场景/事件为单位，而非固定时长机械切片。 一个场景内一段连续剧情 = 一个 shot；只有剧情真正进入下一个场景时才开新 shot。例如"走廊推进到教室门口"是一个 shot，"进入教室交火"是下一个 shot。这样可以避免同一场景被拆到两个 shot 导致视觉接不上的问题。
• 单 shot 时长灵活调整（4–15s 整数）。 短事件可以用较短时长，长事件用满 15s；时长服从事件完整性，不强求每 shot 等长。最长不超过 15s。
• shot 内节奏要密、切镜/剧情要丰富。 即使一个 shot 有 15s，内部也不应只有单一动作或单一构图——应安排 4–6 个动作节拍（如推进→侧身 peek→瞄准→开火→换弹→继续推进），每拍搭配不同构图与运镜变化，全部封装在同一 shot 内。一镜到底的 shot 同样要快节奏：虽然不切换机位，但通过持续移动、快速转向、开火后坐、换弹等动作密度推进紧张感，避免画面长时间静止或缓慢平移。这样既保持节奏变化，又避免因拆成大量微型 shot 导致场景视觉漂移。
• 每个 shot 描述必须包含：
  • 视角与运动状态： 始终为第一人称视角、眼平高度；明确当前运动状态（缓慢推进 / 快速冲刺 / 侧身移动 / 原地观察 / 瞄准锁定），因为不同状态对应不同的手持晃动幅度和节奏。
  • 武器状态： 持枪姿态（腰射 / 举枪瞄准 / 换弹中），武器始终可见于画面下方区域。
  • 动作节拍： 按编辑顺序列出玩家操作——移动、转向观察、开火（含后坐力）、换弹、继续推进等，每拍注明对应的手持晃动变化。
  • 场景引用： 使用场景元素 ID 引用当前环境。
  • 画面质感： 注明 3A 游戏写实质感、PBR 材质、环境氛围（烟雾/尘雾/光线穿透）。
    FPS 视角跨镜头音频设计
• 音效层： 枪声、脚步声、换弹声、环境战场音效（远处爆炸、枪声回响）作为 audio_layer 设计，按 shot 范围分配。这是默认音频层，无需用户额外确认。
• BGM： 默认不设计 BGM。仅当用户明确要求时才设计全局 BGM（紧张战斗配乐或环境氛围低频），长视频可分段。
• 语音/旁白（台词）： 默认不设计。仅当用户在规格阶段明确确认需要游戏台词时，才在此设计 dialogue/narration 类型音频层——包括角色对话、队友无线电通讯、任务旁白等，定义音色特征（narration_speaker_profile）和台词内容。
  FPS 游戏类型参考案例库

以下为常见 3A FPS 题材的结构化参考。根据用户在 Final_Video_Spec 中指定的游戏题材类型，选取对应案例的 HUD、武器道具、交互动作和视觉风格，作为元素设计、镜头节拍和 prompt 撰写的基准。案例使用玩家熟知的中文游戏名称。
自定义玩法处理

• 当用户选择自定义玩法时，玩法基础题材的 HUD、武器道具、交互动作和视觉风格完全沿用对应案例库条目；场景设定替换为用户自定义的创意场景（如"校园""超市""办公室"）。
• element scene 使用自定义场景描述空间布局，但交互动作、武器道具和 HUD 仍以基础题材案例库为准。例如"校园 CS 战场"：场景为教学楼走廊与教室，但武器为 AK-47/M4A4、HUD 为 CS2 风格准星与弹药计数、动作为急停射击与架枪防守。
• prompt 撰写、自检流程中游戏名锚定使用基础题材案例库中的游戏名，自定义场景在环境描述部分展开。
  1. 现代军事战争
• 参考游戏： 使命召唤：现代战争
• HUD： 极简十字准星、右下弹药计数框、左上小地图/雷达、屏幕边缘受击方向指示。
• 武器/道具： 突击步枪、冲锋枪、手枪、手雷/闪光弹/烟雾弹；战术背心、夜视仪。
• 交互动作： ADS 举枪瞄准、冲刺、滑铲、翻越、侧身 peek、换弹；枪口火光写实、后坐力明显。
• 视觉风格： 去饱和冷调、都市/军事基地废墟、尘雾与硝烟、自然光与爆炸闪光交织；3A 写实 PBR 材质。
  2. 科幻未来战争
• 参考游戏： 光环 / 命运
• HUD： 能量护盾条、全息准星、动态侦测器/雷达、技能冷却图标、弹药全息显示。
• 武器/道具： 等离子步枪、能量手枪、喷气背包、外星护甲、能量护盾发生器。
• 交互动作： 护盾充能/碎裂反馈、技能释放冷却、喷射跳跃/悬浮、过热换弹；能量武器射效为光束/等离子球。
• 视觉风格： 霓虹辉光、外星建筑与金属曲面、体积光与粒子效果、高饱和度色彩对比；未来感全息 UI 叠加。
  3. 二战/历史战争
• 参考游戏： 使命召唤：二战 / 荣誉勋章
• HUD： 机械瞄具（无准星）、弹药计数、指南针/目标方向标记、血量模糊反馈。
• 武器/道具： M1 Garand、Kar98k、汤普森冲锋枪、M1911、刺刀、手榴弹；钢盔、帆布弹药带。
• 交互动作： 拉栓上膛、刺刀冲锋、呼叫炮击/空中支援、翻越战壕；枪械射速慢、后坐力大。
• 视觉风格： 暖色调战壕/废墟、胶片颗粒与色差、自然光雾、泥泞与弹坑；怀旧军事写实质感。
  4. 赛博朋克都市
• 参考游戏： 赛博朋克2077
• HUD： 数字叠加层、黑客入侵界面、义体状态栏、智能武器锁定框、伤害数字弹出。
• 武器/道具： 智能武器（自动追踪弹道）、义体刀刃/螳螂刀、科技武器、黑客植入体；赛博义体改造可见。
• 交互动作： 黑客入侵/快速破解、智链瞄准自动锁定、义体激活（加速/隐身）、近战处决；射效带数字故障特效。
• 视觉风格： 霓虹夜景、雨水反射湿滑路面、全息广告牌、高对比度品红/青蓝/黄；赛博朋克粒子和扫描线故障美学。
  5. 末日生存
• 参考游戏： 最后的生还者
• HUD： 几乎无 HUD（沉浸式）、制作菜单（武器/道具制作）、武器耐久度条、聆听模式声波涟漪。
• 武器/道具： 简易改装武器、稀缺弹药、砖头/瓶子（投掷诱敌）、绷带/医疗包；背包与物资。
• 交互动作： 潜行/聆听模式（蹲伏静止感知敌人位置）、搜刮物资、近战终结、弓箭 stealth 击杀；节奏紧张克制。
• 视觉风格： 杂草废墟、低饱和绿棕色调、自然光雾与灰尘、植物侵蚀文明遗迹；写实粗粝质感。
  6. 恐怖生存射击
• 参考游戏： 生化危机
• HUD： 格子背包库存管理、草药血量组合、地图房间标注、弹药计数极简显示。
• 武器/道具： 手枪、霰弹枪、有限弹药、防御道具（刀/闪光弹）、草药/急救喷雾、钥匙/解谜道具。
• 交互动作： 瞄准射击（原地锁定转向）、背包管理暂停感、解谜探索、闪避反击；弹药稀缺强调每一发的分量。
• 视觉风格： 黑暗走廊、手电光锥照亮有限范围、压迫感打光、血迹与腐烂环境；高对比暗调恐怖氛围。
  7. 反恐战术
• 参考游戏： 彩虹六号：围攻
• HUD： 无人机视角画面、破拆指示标记、队友状态/摄像头 feeds、倒计时。
• 武器/道具： 战术步枪、破门炸药、闪光弹、盾牌、无人机；可破坏墙面与加固板。
• 交互动作： 破门清房、无人机侦察、绳降、探身 peek、盾牌推进；CQB 近距离交火节奏极快。
• 视觉风格： 室内 CQB 环境、可破坏建筑结构、动态照明（手电/激光）、低饱和战术色调；写实现代反恐质感。
  8. 奇幻/魂系
• 参考游戏： 艾尔登法环
• HUD： 体力条、血瓶计数、法力条、Boss 血条；极简无准星。
• 武器/道具： 剑/盾、法杖、弓、特大剑；护符、魔法卷轴、血瓶。
• 交互动作： 翻滚闪避、弹反/盾反、体力管理、锁定目标、双手持握；动作沉重有分量感。
• 视觉风格： 哥特暗黑奇幻、宏大石质建筑、粒子魔法效果、低饱和冷调与暖火光对比；史诗压迫感。
  9. 战术竞技/大逃杀
• 参考游戏： 绝地求生 / 和平精英
• HUD： 十字准星、右下弹药计数、左上小地图与安全区倒计时、血条与能量条、背包容量指示。
• 武器/道具： 突击步枪、狙击步枪、冲锋枪、霰弹枪；防弹衣/头盔（一至三级）、急救包/医疗箱/能量饮料/止痛药、投掷物（手雷/烟雾弹/燃烧瓶）。
• 交互动作： 跳伞降落、搜刮物资、趴伏匍匐、探头射击、载具驾驶、跑毒圈收缩；枪械有弹道下坠与飞行时间。
• 视觉风格： 写实自然光照、大地图开阔地形（海岛/沙漠/雪原）、动态天气与草丛物理、建筑可破坏；高写实大地图竞技质感。
  10. 英雄射击竞技
• 参考游戏： Apex英雄
• HUD： 动态准星、右下弹药与弹匣、左上小地图与队伍状态、传奇技能图标（战术/终极/被动）、击杀提示横幅。
• 武器/道具： 能量武器、G7 侦察枪、R-99 冲锋枪、和平使者霰弹枪；护盾电池/医疗包、枪械附件（枪管/弹匣/枪托/瞄镜）。
• 交互动作： 滑铲跳跃、攀爬墙壁、滑索移动、战术/终极技能释放、标记系统快速通讯；高机动移动射击。
• 视觉风格： 科幻卡通写实融合、鲜艳色彩与角色轮廓高识别度、体积光与粒子技能特效、未来科技建筑与自然环境；动感竞技视觉。
  11. 战术能力射击
• 参考游戏： 无畏契约
• HUD： 动态准星、上方经济与击杀栏、左上小地图（炸弹点位标记）、技能图标（C/Q/E/X）、底部弹药计数。
• 武器/道具： Vandal/Phantom 步枪、Operator 狙击枪、Sheriff 手枪；技能道具（烟雾墙/闪光/侦测箭/火焰/屏障）。
• 交互动作： 技能部署（封烟/闪光/侦测）、精确射击（单发/连发切换）、安放/拆除炸弹（Spike）、旋转架枪防守；紧凑节奏、一轮决胜。
• 视觉风格： 低饱和干净色调、现代与近未来建筑地图、技能粒子特效清晰可辨、角色轮廓鲜明；竞技清晰视觉风格。
  12. 经典竞技射击
• 参考游戏： 反恐精英（CS2）
• HUD： 简洁动态准星、上方击杀提示、左上小地图（炸弹区标记）、底部弹药计数与护甲值。
• 武器/道具： AK-47、M4A4/M4A1-S、AWP、Desert Eagle；护甲/头盔、C4 炸弹、闪光弹/烟雾弹/燃烧弹/高爆手雷。
• 交互动作： 急停射击（松键精确）、架枪防守、闪光弹破点、烟雾弹封视线、安放/拆除 C4；弹道后坐力模式固定，需控枪压枪。
• 视觉风格： 写实简洁、现实城市/沙漠/仓库等地图、光照干净、材质写实但无夸张特效；硬核竞技写实质感。
  13. 团队英雄射击
• 参考游戏： 守望先锋
• HUD： 动态准星、底部英雄技能图标（普攻/技能1/技能2/终极技能）、上方双方击杀计分栏、左上目标点进度。
• 武器/道具： 各英雄专属武器（士兵76 脉冲步枪、黑百合狙击枪、莱因哈特火箭锤）；护甲包、终极技能充能条。
• 交互动作： 英雄技能释放、目标点攻防推进、护盾部署、终极技能释放（战术目镜/龙击/重力喷涌）；团队角色分工（坦克/输出/辅助）。
• 视觉风格： 卡通渲染风格、高饱和明亮色彩、未来科技城市与全球地标场景、技能特效华丽鲜明；风格化竞技视觉。
  14. 硬核战术撤离
• 参考游戏： 逃离塔科夫
• HUD： 健康值分部位显示（四肢/躯干/头部）、耐力条、弹药检查界面（逐发计数）、背包网格库存、装备栏状态。
• 武器/道具： AK 系列/M4 系列全定制步枪、手枪、霰弹枪；弹匣需检查余弹、医疗用品（绷带/急救包/手术包）、护甲/弹挂/背包。
• 交互动作： 搜刮战利品、检查弹匣余弹、治疗分部位受伤、战术撤离点提取、武器改装；节奏紧张写实，枪械致命性高。
• 视觉风格： 超写实、俄罗斯荒废工业区与室内战术手电照明、材质极度写实、几乎无 HUD 辅助；硬核沉浸军事质感。
  15. 大规模战场
• 参考游戏： 战地
• HUD： 十字准星、弹药计数、小地图、小队成员状态、载具血量、目标点标记。
• 武器/道具： 突击步枪/轻机枪/狙击步枪/反坦克武器；载具（坦克/直升机/战斗机）、医疗箱/弹药箱、爆炸物。
• 交互动作： 大规模 64v64 战场、载具驾驶与战斗、小队复活、占领据点、建筑可破坏；载具与步兵协同。
• 视觉风格： 写实大规模战场、动态天气与破坏环境、战争氛围浓烈、远景与载战场面壮观；3A 写实战争质感。
  16. 建造大逃杀
• 参考游戏： 堡垒之夜
• HUD： 动态准星、右下弹药与材料计数、左上小地图与风暴圈倒计时、护盾条与血条、背包栏。
• 武器/道具： 突击步枪/霰弹枪/狙击枪/手枪（按稀有度分色）；建造材料（木材/砖块/钢铁）、陷阱、护盾药水。
• 交互动作： 即时建造墙壁/楼梯/斜板掩体、编辑建筑结构、搜刮物资、风暴圈收缩、采集材料；建造与射击结合。
• 视觉风格： 卡通渲染、鲜艳明快色彩、可破坏与建造环境、夸张比例与动态光影；轻松竞技卡通质感。
  17. 武侠近战大逃杀
• 参考游戏： 永劫无间
• HUD： 血条、护甲条、武器栏（近战/远程切换）、魂玉技能图标、小地图与缩圈倒计时。
• 武器/道具： 长剑/太刀/阔刀/长枪/双截棍等近战武器、飞索、弓/鸟铳等远程武器；魂玉（技能强化）、护甲/药品。
• 交互动作： 近战连招与振刀弹反、飞索位移与追击、远程辅助射击、蹲伏潜行、魂玉技能释放；动作华丽有打击感。
• 视觉风格： 东方武侠美术风格、古风建筑与自然山水、华丽武器特效与粒子、高饱和色调；动作电影级武侠质感。
  18. 超级英雄团队射击
• 参考游戏： 漫威争锋
• HUD： 动态准星、底部英雄技能图标、左上小地图与目标点、上方双方计分、终极技能充能条。
• 武器/道具： 各英雄专属能力（钢铁侠掌炮、蜘蛛侠蛛丝、星爵双枪、惩罚者机枪）；团队技能联动、终极技能。
• 交互动作： 英雄技能释放、环境破坏、团队协作攻击、目标点攻防、终极技能连携；高机动角色特色移动。
• 视觉风格： 漫威漫画风格渲染、高饱和鲜艳色彩、可破坏环境与动态场景、华丽技能特效；超级英雄漫画竞技质感。
  19. 现代战术行动
• 参考游戏： 三角洲行动
• HUD： 动态准星、右下弹药计数与弹匣余量、左上小地图/雷达、干员技能图标（战术/终极）、护甲值指示、倒地救援进度。
• 武器/道具： 突击步枪（M4A1/AK-12）、精确射手步枪、冲锋枪、霰弹枪；战术无人机、侦察信标、烟雾弹/闪光弹/破片手雷、防弹背心/头盔、医疗包。
• 交互动作： 干员技能部署（侦察无人机/信号干扰/火力支援）、ADS 举枪瞄准、滑铲冲刺、探头射击、破拆破门、倒地救援与复活；枪械后坐力写实、TTK 较短。
• 视觉风格： 现代军事写实、都市/港口/沙漠等多种地图环境、动态光照与体积烟雾、可破坏掩体与弹孔痕迹；3A 写实战术竞技质感。

第一人称游戏画面图生成（仅分支 B · 以场景为单位）

• 若用户未上传画面参考，按 Storyboard 中的 element scene 划分，为每个不同场景使用 TextToImage 生成一张第一人称视角游戏画面图，推荐模型 Nano Banana Pro（Gemini 3 Pro Image），分辨率 2K，画幅与视频画幅一致（支持 21:9 / 16:9 / 9:16 / 4:3 / 3:4 / 1:1）。每张图须体现 FPS 视角构图、双手持枪姿态、该场景的环境纵深与 3A 写实画面质感。全部场景参考图生成后暂停等待用户确认。若视频只涉及单一场景则只生成一张。
• 不单独生成武器图或场景图——武器与场景信息通过 prompt 文本描述，融入各场景的综合画面图中。
  镜头视频生成
• 使用 MultiModalToVideo，推荐模型 MiniMax H3，分辨率固定 2K；画幅（横屏 16:9 / 竖屏 9:16 等，支持 21:9/16:9/9:16/4:3/3:4/1:1）和时长（4–15s 整数）由用户在 Final_Video_Spec 中指定。若用户上传了图片，画幅默认跟随上传图片的宽高比，无需额外指定。
• 生成路径（二选一）：
  • 分支 A · 直接图生视频： 若用户上传了游戏界面截图或场景参考图，将其作为 reference_image（或 start_frame）注入 MultiModalToVideo，以用户上传画面的构图、色调和 HUD 布局为基准生成视频。
  • 分支 B · 先生图确认再图生视频： 若用户未上传画面参考，按场景生成第一人称游戏画面图（见上方）并经用户确认，然后将每个 shot 所属场景的参考图作为 reference_image 注入该 shot 的 MultiModalToVideo 生成视频，各 shot 的具体动作与节拍由 prompt 文本驱动。
• 每个 shot 的参考输入：
  1. reference_image — 分支 A 为用户上传图片；分支 B 为该 shot 所属场景的参考图（经用户确认）。绑定到 prompt 中对应 <<<image_1>>> 占位符（image_infos ≤ 9）。
  2. 连续性视频参考（可选） — 仅在与上一 shot 场景和动作连续性极强时附加上一 shot 视频（video_infos ≤ 3，每段 2–15s）。
  3. 音频参考（可选） — MiniMax H3 支持 audio_infos（≤ 3），用于绑定角色语音参考；但不支持纯音频引用，须同时提供至少一张图像或视频参考。
     音频生成
• 枪声与环境音效： 使用 MultiModalToAudio（Seed Audio 1.0），用自然语言描述枪械类型、射击节奏、环境回响、脚步材质等，生成含音效的音频片段。这是默认生成的音频层。
• 游戏台词/无线电通讯/旁白（仅用户明确确认时）： 默认不生成。仅当用户在规格阶段确认需要台词时，使用 TextToSpeech 生成语音；若需多角色对话带背景音效，使用 MultiModalToAudio。
• BGM（仅用户明确要求时）： 使用 text_to_instrumental 生成战斗配乐。默认不生成 BGM。
  Asset Binding Contract
• 遵循当前 manage_item_assets 契约，使用 Storyboard 实际目标 ID，不在 Skill 中定义独立 ID 模板。
• 在目标 Storyboard 锚点存在后、生成引用该音频前，先调用 query_assets_info 查询；若缺失则调用 manage_item_assets 完整绑定数组写入，再重新查询验证。
• 从资产实际用途和计划 Storyboard 位置解析绑定，计划位置优先于术语归一化；不凭媒体标签推断绑定类型。一个资产服务多个用途时，在完整 asset_bindings 数组中保留所有适用绑定。

音频生成提示词（Seed Audio 1.0）

根据本次生成是否使用音色或媒体参考，选择对应的提示词格式。

1. 无参考的文生音频 — 优先推荐

优先在不使用 voice_id 的情况下生成音频。不要要求用户选择或提供 voice ID；进行纯文生音频生成时，不要调用 search_voice_id。

仅当未提供 voice_id、参考音频或参考图像时使用此模式。

使用自然语言编写提示词：

• 对于旁白或对话，需包含：
  • 说话人身份，使用相关的角色 element 或旁白标签；
  • 性别、年龄、角色及其他相关身份特征；
  • 声线质感、语气、情绪、口音、语速和吐字方式；
  • 停顿、呼吸、重音、犹豫和情绪变化等表演细节；
  • 会影响表达方式的场景或对话语境；
  • 需要说出的准确文本。

所有朗读文本必须忠实于已确认的剧本或故事板。清楚区分表演指令与实际需要说出的文本。

• 对于音效，使用自然语言描述需要生成的声音。根据需要说明声音来源、动作、环境、强度、持续时间、距离、质感、时机及随时间发生的变化。除非所需声音本身包含人声，否则不要加入口头对话。

2. 使用音色或媒体参考生成

当已有有效的 Seed Audio voice_id、参考音频或参考图像，或用户明确要求使用这些参考时，使用此模式。

不要仅为了启用此模式而要求用户提供 voice ID。除非用户或当前项目已经指定参考，否则优先使用无参考的文生音频模式。

在此模式下，生成提示词只能包含需要合成的准确旁白或对话文本。

不要加入说话人、性别、年龄、身份、情绪、语气、口音、语速、声线质感、表演、场景语境、音效、音乐、环境音或风格描述。所提供的参考将负责提供音色或角色语境。

不要混用两种提示词格式。只要存在任意 voice_id、参考音频或参考图像，就必须启用仅保留朗读文本的规则。

示例：无参考的文生音频

主播1是一名成年男性播客主播，嗓音低沉、略带沙哑，吐字清晰，语速略微偏快。他先以平缓、自然的叙事语调说道：“我是觉得亏欠这种事情，也不是说一次两次可以补偿得了的，对吧？就是说是一个……是一个终生的事情。所以就是说。”说完后稍作停顿，略微加重语气，以肯定的口吻继续说道：“这一次去迪士尼，我主要当时想的就是还是这两个原因，就去了。”随后，他稍微提高语调，带着轻微惊讶和讲故事的口吻说道：“我跟你讲，去了之后其实我是有点、有点惊讶的。大家可以看那个视频，当时那个 vlog 里面，我真的挺惊讶，因为我们去的那天是特地挑了上海今年入冬以来最冷的一天。那天最低气温是零下三度。”

全局最高优先级： 用户使用中文交互或加载中文 UI 时，prompt 正文用中文撰写；视频内语音/字幕文本仍遵循 Final_Video_Spec 的输出语言设定。
视角与画面（每个视频 prompt 必须包含的要素）

• 开头锚定中文游戏名（强制）： prompt 的第一个词组必须是案例库中对应题材的中文游戏名，格式为 [游戏名]游戏第一人称截图。（如「使命召唤：现代战争游戏第一人称截图。」「艾尔登法环游戏第一人称截图。」），游戏名须与案例库完全一致（含标点如冒号）；若案例库中无相似题材，可在线搜索相似风格的游戏名称作为锚定。紧跟游戏名声明视角 第一人称视角 · 眼平高度 · 手持游戏镜头。 游戏名锁定视觉风格基调，视角声明锁定画面构图。自定义玩法场景： 当用户选择自定义玩法时，游戏名使用用户选定的基础题材案例库中的游戏名（如"校园 CS 战场"以「反恐精英（CS2）」为锚定），自定义场景设定（如"校园走廊""教室"）在 prompt 的场景环境描述部分展开，同时融入基础题材的 HUD/武器/动作/视觉风格关键词。禁止用任何泛化表述替代具体游戏名——包括但不限于「原创3A级XX游戏」「3A级现代战争FPS游戏」「通用原创」「3A写实XX游戏风格」「写实军事游戏画面」等；只要开头不是案例库中的具体游戏名（或在线搜索到的具体游戏名），即为不通过。
• 仅写正面描述： prompt 全文使用肯定式描述语言，仅描述应出现在画面和音效中的内容。字幕与 HUD 在合成阶段叠加，BGM 在用户明确要求时单独生成并合成——这些均通过流程控制实现，而非在 prompt 中以否定语句排除。禁止出现"无X""不写X"等否定式表述。
• 生成参数与流程说明不写入 prompt： 分辨率（如 2K）、画幅（如 16:9）等属于生成调用参数，由 media_generator 在生成时设置，不写入 prompt 正文。流程性说明（如"用于确认构图""作为通用视觉基准"等元概念）也不写入 prompt——图像模型无法理解这些指令。
• 始终描述双手与武器在画面下方区域可见：持枪姿态（腰射/举枪瞄准）、枪械占画面比例（通常下方 1/3 至 1/4）。
• 画面质感描述：3A 游戏写实质感、PBR 金属材质、枪械反光、战场尘雾与烟雾体积感、景深与动态模糊。
• 游戏题材适配： 根据 Final_Video_Spec 指定的游戏题材类型，从 Storyboard 中的「FPS 游戏类型参考案例库」提取对应题材的 HUD 元素、武器道具、交互动作和视觉风格关键词，融入 prompt 的画面质感与动作描述，而非使用通用的"战场尘雾"默认值。HUD 元素以案例库为基准——补齐该题材案例库中列出的全部 HUD 元素，不得自行删减；可以在案例库基础上根据具体场景增加额外 HUD 元素，但案例库已有的不得遗漏。
  运镜与动作描述
• 运动状态 → 手持晃动映射：
  • 缓慢推进 → 轻微上下步伐晃动，节奏平稳。
  • 快速冲刺 → 幅度明显的上下颠簸，武器随步伐快速晃动。
  • 原地观察 → 镜头小幅左右扫视，晃动减弱。
  • 举枪瞄准（ADS）→ 武器上抬至画面中心，镜头趋于稳定，轻微呼吸晃动。
• 开火效果： 枪口火光闪烁、短暂后坐力上跳（镜头微仰抖动）、弹壳抛出、烟雾扩散；连发时抖动有节奏地重复。
• 换弹动作： 武器下移出画面、双手执行换弹动作、武器回位，期间镜头晃动略增。
• 按动作发生顺序描述节拍，不依赖"0–3s / 3–6s"式的硬切时间分段。
• shot 内多切镜描述（节奏要密）： 一个 shot 内若包含多次切镜（如推进→peek→开火→换弹），按切镜发生顺序逐段描写每段的构图与运镜，全部写在同一条 prompt 中，不拆成多个 shot prompt。每个 shot 应尽量安排 4–6 个动作节拍，每拍有明确的构图或运镜变化，避免长 shot 只做单一动作导致画面节奏拖沓。一镜到底的 shot 也通过高频动作（快速转向、开火、换弹）保持快节奏，而非长时间匀速平移。同场景连续动作在同一 shot 内生成以保持视觉一致性。
  参考图绑定与音频注意事项
• reference_image 用 <<<image_1>>> 占位符绑定（分支 A 为用户上传图片，分支 B 为该 shot 所属场景的参考图）。
• MiniMax H3 prompt 上限 7000 字符（含占位符标签），可容纳更详细的动作节拍与环境描述。
• 台词处理： 台词为可选内容，仅在用户确认需要时于 prompt 中以自然语言描述对话内容（MiniMax H3 使用自然语言描述，非 Seedance 2.5 标签语法）；若该镜头有独立 narration/VO 音轨，视频 prompt 中仅保留画面与音效相关描述，旁白文本由独立音轨承载。SFX 和枪声始终以自然语言描述融入 prompt。
  图像 prompt（TextToImage · 仅分支 B · 各场景第一人称游戏画面图）
• 以导演+材质美术视角撰写：自然语言描述主体+环境，短语描述风格/光照/材质/构图。
• 开头锚定中文游戏名（强制）： 图像 prompt 同样适用上方「视角与画面」中的游戏名锚定规则——以案例库中对应题材的中文游戏名开头，格式 [游戏名]游戏第一人称截图。，禁止任何泛化表述替代具体游戏名。
• prompt 须描述第一人称视角游戏画面——双手持枪姿态、武器在画面下方可见、当前场景环境纵深、画面质感（3A 写实/PBR 材质）；根据 Final_Video_Spec 中的游戏题材类型，融入对应案例库的 HUD、武器道具和视觉风格关键词，HUD 元素以案例库为基准，补齐全部已列出的元素，可在案例基础上增加额外 HUD 元素，案例库已有的不得遗漏。
• 仅写正面描述，生成参数不写入 prompt： 全文使用肯定式描述，禁止"无X"等否定语句；分辨率（2K）、画幅（16:9 等）由生成调用参数设置，流程说明（如"用于确认构图"）不写入 prompt。各 shot 的差异化动作与节拍由视频 prompt 文本驱动。
• 图像 prompt 参考案例 ：使命召唤：现代战争游戏第一人称截图。第一人称视角 · 眼平高度 · 手持游戏镜头。战术手套双手持握哑光黑色现代制式突击步枪，消音器、战术前握把、全息瞄准镜，腰射准备姿态，占画面下方约1/4区域，PBR金属与聚合物材质细节清晰反光真实。高密度城市废墟战场，破碎开裂的钢筋混凝土建筑，左侧半塌砖墙战术掩体，地面碎石瓦砾与抛出弹壳，滚滚硝烟与尘土弥漫，远景战火迷雾形成纵深。阳光穿透烟雾形成体积光，去饱和冷灰色与泥土棕色调，HDR光效克制真实。HUD：正中央极简白色十字准星，右下弹药计数框「30/120」，左上雷达小地图（战场方位与敌友标记），屏幕边缘受击方向指示标记，右上击杀提示区域，HUD半透明冷蓝色调。3A写实质感，PBR材质，景深与动态模糊增强临场感，战场尘雾体积感，去饱和冷调都市废墟风格。
  Prompt 自检流程（每条图像或视频 prompt 生成后必须执行，不符合则重写）
  写完每条图像或视频 prompt 后，逐项核对以下检查清单。任何一项不通过，立即重写该 prompt 并重新自检，直到全部通过：

1. 中文游戏名锚定： 开头是否以案例库中对应题材的中文游戏名开头（含标点如冒号）？若案例库无相似题材，是否已在线搜索相似风格的游戏名作为锚定？禁止用「原创3A级XX游戏」「3A级现代战争FPS游戏」「通用原创」「3A写实XX游戏风格」「写实军事游戏画面」等任何泛化表述替代具体游戏名。 只要开头第一个词组不是具体游戏名，即为不通过，必须重写。自定义玩法： 游戏名取用户选定的基础题材案例库中的游戏名，自定义场景在环境描述中展开。
2. 视角声明完整： 是否紧跟游戏名声明 第一人称视角 · 眼平高度 · 手持游戏镜头？（视频 prompt 必须包含；图像 prompt 须体现第一人称视角与眼平高度。）
3. 仅正面描述： 全文是否无任何"无X""不写X""无任何"等否定式语句？（字幕、HUD、BGM 等通过流程控制实现，不以否定语句排除。）
4. 生成参数未写入： 是否未将分辨率（2K）、画幅（16:9 等）等生成调用参数写入 prompt 正文？
5. 流程说明未写入： 是否未写入"用于确认构图""作为通用视觉基准""单张完整游戏画面截图"等元概念或流程性描述？
6. HUD 补齐案例库： 是否已补齐该题材案例库中列出的全部 HUD 元素（已有不得遗漏），同时允许在案例基础上增加额外元素？
7. 武器与双手可见： 是否描述了双手持枪/持械姿态及武器在画面下方区域可见（占画面比例）？
8. 画面质感： 是否包含 3A 写实质感、PBR 材质、环境氛围等画质关键词，而非仅用通用默认值？

剪辑节奏跟随 gameplay 强度且整体偏快： 推进探索段用较长 take 保持沉浸感但 shot 内部动作仍要密集；交火段用快速切换营造紧张感。单个 shot 即使 15s，内部切镜与剧情节拍也应丰富紧凑（4–6 个节拍），一镜到底同样靠高频动作推进而非匀速缓移。转场以硬切为主，模拟玩家操作视角的自然切换。
音画同步： 枪声必须与画面枪口火光精确对齐；脚步声节奏匹配移动速度；换弹声对齐武器下移动作。
音量层次： 枪声与环境音效为主层，无线电语音清晰可辨。若用户指定了 BGM，BGM 作为背景层压低音量不遮盖枪声。
若需 HUD（准星/弹药框/小地图），在合成阶段以叠加层处理，不在生成画面中强加。