分镜视频生成

功能

将分镜描述转换为 AI 场景视频（不含数字人）：

纯 AI 生成场景
图生视频（从参考图扩展）

⚠️ 与 digital-avatar 的分工

| 需求 | 用哪个 skill | |------|-------------| | 数字人口播视频 | → digital-avatar | | 纯 AI 场景（无人/路人/产品展示等）| → scene-video-generator（本 skill）|

数字人相关的视频生成请用 digital-avatar skill，确保后端一致性。

支持的后端

| 后端 | 特点 | 时长限制 | 适用场景 | |------|------|----------|----------| | Jimeng 即梦 | 国内，快，中文理解好 | 5s | 国内平台 | | Kling 可灵 | 国内，质量高 | 5-10s | 高质量需求 | | Runway | 国际，Gen-3 质量顶级 | 5-10s | 高端制作 | | Pika | 快速，风格化强 | 3-5s | 风格化内容 | | Vidu | 国内，性价比高 | 4-8s | 一般需求 |

默认使用 Jimeng（如已配置）。

输入参数

| 参数 | 必填 | 说明 | |------|------|------| | backend | - | jimeng / kling / runway / pika / vidu | | prompt | ✓ | 场景描述（英文效果更好）| | duration | - | 目标时长（秒）| | aspect_ratio | - | 16:9 / 9:16 / 1:1 | | reference_image | - | 参考图（图生视频）| | style | - | realistic / anime / cinematic | | motion | - | low / medium / high | | seed | - | 随机种子（复现用）|

输出格式

video:
  id: "scene_001"
  backend: kling
  url: "https://..."
  duration: 5.0
  resolution: "1920x1080"
  aspect_ratio: "16:9"
  prompt: "原始 prompt"
  seed: 12345
  status: completed

工作流程

流程 A：纯 AI 生成

输入: prompt + 参数
  ↓
翻译/优化 prompt（如需要）
  ↓
调用后端 API
  ↓
等待渲染（30s-3min）
  ↓
输出: 视频 URL

流程 B：图生视频

输入: reference_image + prompt
  ↓
上传参考图
  ↓
调用 image-to-video API
  ↓
输出: 视频 URL

💡 需要数字人口播？ 请使用 digital-avatar skill。

Prompt 优化技巧

结构

[主体] + [动作] + [场景] + [镜头] + [风格]

示例

原始：女生在办公室看电脑

优化：A young professional woman sitting at a modern office desk, 
looking at computer screen with focused expression, 
soft natural lighting from window, 
medium shot, shallow depth of field, 
cinematic color grading

镜头术语

| 中文 | 英文 | 说明 | |------|------|------| | 特写 | close-up | 脸部/细节 | | 中景 | medium shot | 半身 | | 全景 | wide shot | 全身+环境 | | 跟拍 | tracking shot | 跟随移动 | | 推镜 | dolly in | 推进 | | 拉镜 | dolly out | 拉远 |

详见 references/prompt-guide.md

使用示例

生成场景

用户：生成一个5秒的视频，内容是：一个人在咖啡厅用笔记本工作

执行：
1. 优化 prompt
2. 调用 Kling API
3. 等待渲染
4. 返回视频 URL

批量生成分镜

用户：根据这个分镜列表生成视频 [附 YAML]

执行：
1. 解析分镜列表
2. 逐个生成（或并行）
3. 返回视频列表

与上下游对接

上游输入：

video-script-generator 的 scenes[].shot_description（非口播场景）

下游输出：

video-stitcher 消费视频片段

并行 skill：

digital-avatar 负责口播场景视频
本 skill 负责 AI 场景视频
两者输出都汇入 video-stitcher

注意事项

不同后端对 prompt 长度有限制（通常 500 字符内）
复杂动作/多人场景效果不稳定
建议先小批量测试再批量生成
保存 seed 以便复现满意的结果
渲染时间可能较长，使用异步处理