StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

Music Aesthetics MV

Zweck

Verwenden Sie diese Skill, wenn der Benutzer Musikvideo-Prompts oder emotionale Kurzfilm-Prompts erstellen, überarbeiten, prüfen oder generieren möchte, bei denen Musik, Texte, Typografie, Referenzen, Rhythmus, Performance und Kamerasprache zusammen gestaltet werden müssen. Der Workflow passt MV-Prompt-Regeln an die Hub-Ausführung an: Wichtige kreative Entscheidungen werden bestätigt, gesperrte Prompts werden in Canvas-Textknoten geschrieben und die Medienerstellung wird an Hub-Agenten delegiert.

Verwenden Sie es nicht für gewöhnliche Untertitel-Einbrennungen, generische Videobearbeitung, Nicht-Musik-Produktanzeigen oder einfache Einzelbild-/Einzelclip-Anfragen ohne MV-Struktur.

Hub-Kompatibilitätsregeln

• Gehen Sie nicht von Drittanbieter-Tools, Shell-Skripten, Browser-Plugins oder externen Generierungs-APIs aus.
• Schreiben Sie gesperrte Prompts und Überarbeitungen in Hub-Canvas-Textknoten.
• Delegieren Sie Charakterkarten, Szenenkarten, Typografiekarten, Videoclips, BGM und die finale Montage an Hub-Bild-, Video-, Musik- und Bearbeitungsagenten.
• Geben Sie keine Ausgabepfade fest vor; verwenden Sie immer von Hub zurückgegebene Pfade.
• Wenn der Benutzer „Bestätigung überspringen / mach einfach“ sagt, wenden Sie dies nur auf den aktuellen Durchlauf an, es sei denn, der äußere Orchestrator hat eine aktive Sitzungsautorisierung.
• Wenn der Benutzer nur einen Prompt möchte, stoppen Sie nach der Auslieferung. Wenn der Benutzer ein fertiges MV möchte, fahren Sie nach der Bestätigung mit der Generierung und Montage fort.

Kernprinzipien

1. Verstehen Sie die Arbeit, bevor Sie eine Struktur wählen. Vorlagen organisieren, sind aber keine verbindlichen Formen.
2. Verwenden Sie die zuletzt bestätigte kreative Absicht.
3. Lassen Sie irrelevante Felder weg, anstatt Platzhalter zu füllen.
4. Fügen Sie nicht mechanisch Performance, Typografie, Übergänge, Kamerabewegungen oder Charakteraktionen hinzu, nur weil eine Voreinstellung sie enthält.
5. On-Screen-Text ist eine gestaltete visuelle Ebene, keine gewöhnlichen Untertitel, es sei denn, der Benutzer fordert ausdrücklich Untertitel an.
6. Wenn der Benutzer einen echten Song oder Beat hochlädt, ist dies das Master-Musikbett, es sei denn, der Benutzer fordert einen Ersatz an.
7. Natürliches Multi-Shot-Stitching für >15s Videos: Wenn die Dauer das Single-Generierungslimit des Modells überschreitet, verwenden Sie „Multi-Shot-Storyboard-Aufschlüsselung + Schwanz-/Kopfbild-Fortsetzung + Beat-Hard-Cuts + globales Master-Audio-Matching“. Jedes Segment muss denselben Groove, dasselbe Tempo-Gefühl, dasselbe Seitenverhältnis, dieselbe Charakterlogik, dieselbe visuelle Voreinstellung, dieselbe Lichtsprache und dieselben Typografie-Bewegungsregeln bewahren.
8. Wenn der Benutzer ein fertiges Musik-Ästhetik-MV ohne Text wünscht, generieren und sperren Sie zuerst einen originalen Text. Das finale MV muss gemeinsam auf Charakter-, Typografie-Verpackungs- und Szenenkarten verweisen. Die Typografie-Verpackungskarte steuert nur den Textverpackungsstil, die Schriftart-Textur, das Grafikdesign, das Layout-Verhältnis und die Bewegungssprache.

SCHRITT 1: Pre-Flight-Sperrung

Bevor Sie den endgültigen Produktionsprompt schreiben, bestätigen Sie die Mindestgrundlage mit prägnanten empfohlenen Auswahlmöglichkeiten.

1.1 Videoformat

Bieten Sie feste Optionen an:

Anwendungsfall	Seitenverhältnis	Auflösung
TikTok / Reels / Shorts vertikal	9:16	1080×1920
YouTube / Bilibili horizontal	16:9	1920×1080
Feed quadratisch	1:1	1080×1080
Dichter vertikaler Anzeigentest	9:16	720×1280
Kinematografisches Breitbild-MV	21:9	2560×1080

Das ausgewählte Seitenverhältnis muss über Charakterkarten, Szenenkarten, Typografie-Referenzen, Einstellungsprompts, Videoclips und die finale Montage hinweg wiederverwendet werden.

1.2 Zieldauer und Multi-Shot-Struktur

Bestätigen Sie vor der Prompt-Erstellung oder Videogenerierung die Ziel-MV-Dauer. Verwenden Sie niemals stillschweigend die Modelleinstellung als Benutzerabsicht.

Bieten Sie eine kompakte Dauerkarte an:

1. 10-Sekunden-Test: ein oder zwei Einstellungen, um Charakter, Szene, Typografie und Audiostil zu überprüfen.
2. 15-Sekunden-Hook: 2–4 kurze Einstellungen für eine vollständigere Chorus-/Hook-/Performance-Phrase.
3. 30-Sekunden oder längeres komplettes MV (Multi-Shot-Stitching): Da viele Modelle eine Single-Generierungs-Obergrenze von 15 Sekunden haben, verwenden Sie automatisch einen Multi-Shot-Stitching-Workflow. Generieren oder sperren Sie zuerst einen durchgehenden Song / BGM, teilen Sie 30 Sekunden in 4–8 dynamische 2–5 Sekunden Einstellungen auf und stitchieren Sie dann über Beat-Synchronisation und Kopf-/Schwanzbild-Kontinuität.
4. Benutzerdefinierte Dauer: Der Benutzer gibt die Dauer an; planen Sie die Anzahl der Einstellungen und das Stitching basierend auf dem Single-Clip-Limit des ausgewählten Modells.

Wenn hochgeladene Musik vorhanden ist, ist die bestätigte Dauer die Länge des Musikfensters.

1.3 Musikfenster

Wenn hochgeladene oder angegebene Musik länger als die bestätigte Dauer ist, sperren Sie ein Segment vor dem Schreiben der Prompts:

1. Empfohlenes Fenster: Der Assistent identifiziert den stärksten Chorus / Hook / emotionalen Wendepunkt und bittet um Bestätigung.
2. Benutzer-Zeitstempel: Der Benutzer gibt Start- und Endsekunden an; überprüfen Sie, ob beide im Audio liegen.
3. Mehrere Varianten: Nur für Ad-Hook-Tests oder mehrere kreative Richtungen.

Wenn Musik kürzer als die Zieldauer ist, verwenden Sie das gesamte Audio, es sei denn, der Benutzer bittet ausdrücklich um Dehnung oder Verlängerung.

1.3.0 Textsperrung und Text-Fallback

Bestimmen Sie vor den finalen Video-Prompts oder der Generierung die Textherkunft:

1. Wenn der Benutzer Texte bereitstellt, sind dies gesperrte Texte. Generieren, hinzufügen, umschreiben, erweitern, übersetzen, paraphrasieren oder ersetzen Sie diese nicht, es sei denn, es wird ausdrücklich darum gebeten.
2. Wenn der Benutzer ein fertiges Musik-Ästhetik-MV ohne Text wünscht, generieren Sie kurze originale Texte, die zum Musikstil, Gesangsmodus, Dauer, Emotion und visueller Voreinstellung passen, und sperren Sie diese dann.
3. Gesperrte Texte sind die einzige Quelltext für Rap-/Gesangs-Performance und sichtbare Typografie.
4. Teilen Sie gesperrte Texte in die Rap line:, Vocal line:, Soft vocal line: oder Spoken line: jeder Einstellung auf.
5. Jedes Typography:-Feld muss aus denselben gesperrten Texten stammen. Während der Gesangsperformance muss der sichtbare Text wortwörtlich mit der performeden Phrase übereinstimmen.
6. Im finalen Typografie-MV muss der Performer die gesperrten Texte rapen oder singen, mit sichtbaren Lippenformen, Kieferbewegungen, Atem, Gesichtsakzenten, Nicken und Handakzenten, die der Phrasierung und dem Rhythmus folgen.

1.3.1 Standard-Multi-Shot-Stitching für >15s Videos

Für >15s MVs, z. B. 30 Sekunden, ist das globale Multi-Shot-Prompt-Skript die maßgebliche Quelle:

1. Sperren des vollständigen Master-Audios: Sperren Sie einen durchgehenden Song / BGM-Track mit dem vollständigen Gesang und Groove als einzige Audio-Basislinie.
2. Erstellen einer Einstellungsliste-Zeitleiste: Teilen Sie 30 Sekunden in 4–8 kurze Einstellungen von 2–5 Sekunden auf, die genau auf Text-Zeitstempel und Beats wie Snare, 808 und Drop abgebildet sind.
3. Kopf-/Schwanzbild und Szenenkontinuität: Wenn Einstellung B dieselbe Szene fortsetzt, verwenden Sie das Schwanzbild von Einstellung A als Kopfbild von Einstellung B. Wenn es sich um einen harten Schnitt handelt, bewahren Sie dieselbe Charakterkarte, Garderobe, Beleuchtungs-Prompt und verwenden Sie eine gleichgerichtete Kamerabewegung oder Match-Cut-Visuals.
4. Generierung und Schnittmontage: Der Video-Agent generiert jede Einstellung aus der Einstellungsliste. Der Bearbeitungsagent richtet alle Clips am globalen Master-Audio-Beat-Raster aus, trimmt, beschleunigt/verlangsamt und stitchiert für natürlichen Lippensynchronismus, Beat-Synchronisation und Übergänge.

SCHRITT 2: Kreativer Vertrag

Erstellen Sie vor den finalen Prompts einen prägnanten kreativen Vertrag:

• Musikgenre, Instrumentierung, Tempo/BPM-Gefühl, Gesangsmodus und emotionale Temperatur.
• Textquelle und gesperrte Texte.
• Zieldauer und Multi-Shot-Aufschlüsselung, z. B. 30s aufgeteilt in 6 kurze Einstellungen.
• Rollen der Referenzbilder: Charakterkarte, Szenenkarte, Typografie-Verpackungskarte.
• Kamerasprache, Einstellungsgrößen, Fokus, Beat-Cut-Dichte und Übergangslogik.
• Ausschlüsse wie keine Überblendungen, kein glänzendes KI-Schönheitsgesicht, keine Single-Shot-Überdehnung, die zu Verformungen führt.

SCHRITT 3: Referenzrollen und Szenen-Sampling

Weisen Sie jedem Referenzbild eine enge Aufgabe zu:

• Typografie-Referenzkarte: Steuert nur den Textverpackungsstil, die Schriftart-Textur, das Grafikdesign, das Layout-Verhältnis und die Bewegungssprache. Sie darf keine Personen oder Szenen beisteuern.
• Charakter-Referenzkarte: Steuert die Charakteridentität, Gesichtsaura, Frisur, Kleidungs-Silhouette, Proportionen, Körperhaltung und Präsenz.
• Szenen-Referenzkarte: Steuert den Szenenstil, die räumliche Atmosphäre, die Bildtextur, die Hintergrundtiefe und die Beleuchtungsstimmung.

3.1 Nahaufnahme-Szenenwechsel und Multi-Shot-Sampling

Für Trap, Dark-pop, Cyber-Grunge und andere temporeiche MVs wechseln Sie schnell zwischen mehreren Nahaufnahme-Räumen:

• Halten Sie die Szenenstimmung einheitlich, aber der Raum jeder Einstellung muss sich klar unterscheiden, z. B. lokaler Hintergrund, Tunnel, Wand, Lichtstreifen oder reflektierender Boden.
• Szenenwechsel müssen durch musikalische Einschläge ausgelöst werden: Bass-Hit, 808-Drop, Snare, Gesangsakzent oder Typografie-Smash.
• Einstellungswechsel sind „visuelle Samples“ auf dem Trap-Beat: harte Schnitte, Jump Cuts, Scan-Glitch-Schnitte, Flash-Schnitte oder Action-Match-Cuts.

SCHRITT 4: Voreingestellte Grammatik, Dark-pop / Cyber-Grunge und Trap-Beispiel

Visuelle und Bearbeitungssprache

• Realistische High-Fashion-Textur und Filmmagazin-Textur, die auf Indie-Magazine der späten 90er / frühen 00er Jahre, Kopierpapier, Film-Scans und Zine-Collage verweist.
• Starkes Korn, leichter Film-Jitter, Halbtonpunkte, grobe Druckkanten, Scan-Versätze.
• Der Schnitt muss ausschließlich harte Schnitte verwenden. Keine Überblendungen, Auf- oder Abblendungen oder weiche Übergänge.
• Bild und Typografie reagieren stark auf Beat-Cues: Hi-Hat-Roll erzeugt Mikro-Shake / Frame-Skips, Snare löst Scale-Up / harten Schnitt / Schulter-Drop aus, 808-Bass-Hit erzeugt Niederfrequenz-Kompression / Dehnung / Versatz.

Typografie-Verpackungsregeln

• Typografie ist ein dynamisches grafisches Subjekt im Raum, keine Untertitelzeile. Sie kann im Vordergrund, Mittelgrund, Hintergrund platziert oder von Schultern / Händen verdeckt sein.
• Text darf niemals die Augen oder den Hauptgesichtsausdruck verdecken; vermeiden Sie den Mund während kritischer Lippensynchronisation.
• Bei Gesang müssen sichtbare Wörter exakt mit den performten Texten übereinstimmen. Jede Einstellung hat nur ein Haupt-Typografie-Ereignis.

SCHRITT 5: Prompt-Strukturvorlage

Ein Multi-Shot-Skript muss modular nach Einstellung sein, mit genauer Dauer und Audio-Zuordnung:

[Global Aesthetic & Character Lock]: (globaler Charakter- und Ästhetik-Anker-Prompt)

Einstellung 1 (0.0s - 3.5s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: harter Schnitt zu Einstellung 2 auf Bass-Hit / gleichgerichteter Whip-Pan

Einstellung 2 (3.5s - 7.0s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: ...

SCHRITT 6: BGM-Kontinuität und natürliches Multi-Shot-Stitching-System

6.1 Globale Audio-Kontinuität

Das gesamte MV muss an einen Master-Audio-Track gebunden sein. Verwenden Sie während der segmentierten Videogenerierung keine unabhängigen, nicht verbundenen Clip-Audios. Alle Videoclips werden während der Schnittmontage an ihren entsprechenden Zeitstempeln auf der Master-Audio-Zeitleiste ausgerichtet.

6.2 Natürliches Stitching-Protokoll

Für >15s Stitching erzwingen Sie fünf Kontinuitätssperren:

Gesangs- & Lippenkontinuität: Schnittpunkte müssen auf Textpausen, Atemzügen, Snare oder Drop landen. Schneiden Sie nicht hart in einen aktiven Vokal oder Text hinein, es sei denn, die nächste Einstellung ist eine extreme Nahaufnahme mit kontinuierlicher Mundform.

Rhythmus- & Beat-Matching: Schnittpunkte müssen das 1/4- oder 1/8-Beat-Raster treffen. Verwenden Sie Geschwindigkeitsrampen, um Kopfnicken, Handgesten und Blinzeln an Beats auszurichten.

Ästhetik & Farbkorrektur: Jede Einstellungsübergreifende Generierung trägt denselben ästhetischen Header-Prompt: Kornstufe, LUT-Richtung und Lichtrichtung. Die finale Montage verwendet einheitliches 35mm-Filmgrain und LUT, um Batch-Farbunterschiede zu verbergen.

Übergangs- & Bewegungskontinuität: Für die Fortsetzung einer langen Einstellung verwenden Sie das vorherige Schwanzbild als nächstes Kopfbild und prompten die Fortsetzung der Aktion. Für harte Szenenwechsel verwenden Sie kinetische Kontinuität, z. B. gleichgerichteten Schwenk oder durch Handverdeckung maskierten Match Cut.

Typografie-Bewegungs-Stitching: Text in der vorherigen Einstellung sollte bei einem Bass-Hit zersplittern, auswischen oder den Bildschirm zerschlagen; der Text der nächsten Einstellung schlägt beim Akzent ein oder entfaltet sich und überträgt das visuelle Momentum.

SCHRITT 7: Checkliste

Überprüfen Sie vor der Auslieferung stillschweigend:

• Wurde bei einer Zieldauer über 15s automatisch eine Multi-Shot-Aufschlüsselung verwendet?
• Ist ein globales Master-Audio gesperrt und sind die Schnittpunkte beat-ausgerichtet?
• Vermeiden Schnitte Gesangsunterbrechungen mitten im Text mit natürlicher Lippen- und Atemkontinuität?
• Haben benachbarte Einstellungen eine klare Stitching-Logik wie Schwanz-/Kopffortsetzung, gleichgerichtete Bewegung, Match Cut oder Beat-Hard-Cut?
• Ist der Schnittstil streng hart geschnitten, ohne Überblendungen oder weiche Übergänge?
• Sind Charakter-/Szenen-/Typografie-Karten isoliert ohne Kreuzkontamination?
• Ist die Typografie eine räumliche Ebene, die niemals die Augen oder den Hauptgesichtsausdruck blockiert?
• Sind Bildqualität, Korn, Farbe und Beleuchtung global konsistent?

SCHRITT 8: Canvas-Auslieferung

Nachdem das vollständige MV-Prompt-Skript gesperrt ist, schreiben Sie es in einen dedizierten Canvas-Textknoten mit dem Namen Complete MV Prompt oder 完整MV Prompt. Der Knoten muss das vollständige Multi-Shot-Prompt-Skript und Stitching-Notizen enthalten. Spätere Überarbeitungen aktualisieren denselben Knoten.

SCHRITT 9: Finale MV-Generierung und Montage-Workflow

1. Prompt-Sperrung und Canvas-Schreiben: Bestätigen Sie, dass das vollständige Multi-Shot-Prompt-Skript mit Zeitstempeln, Text-Zuordnung und Übergangslogik in den Canvas geschrieben ist.
2. Parallele Einstellungsgenerierung: Der Video-Agent generiert jede 2–5s Einstellung aus der Einstellungsliste. Für Fortsetzungseinstellungen extrahieren Sie das Schwanzbild der vorherigen Einstellung als nächstes I2V-Kopfbild.
3. Mehrspur-Bearbeitung und Stitching: Der Bearbeitungsagent importiert das globale Master-Audio, richtet alle Einstellungsvideos nach Zeitstempel aus, trimmt und beschleunigt/verlangsamt auf dem Beat-Raster und prüft Nähte mit gleichgerichteter Bewegung oder Flash-Cut-Maskierung.
4. Fertigstellung: Wenden Sie einen einheitlichen Movie-LUT und 35mm-Filmgrain-Overlay an, um die KI-Plastizität zu reduzieren und die visuelle Konsistenz zu sichern.
5. Auslieferung: Geben Sie die nahtlose, vollständige MV-Videodatei aus.