Communitygithub.com

shaoye0219-svg/cinematic-continuity-prompt

Hochpräzise chinesische Videoprompts für KI-Modelle wie Seedance, Jimeng, Xiaoyunque und MiniMax H3 erstellen, prüfen oder umschreiben.

Was ist cinematic-continuity-prompt?

Dieses Skill ermöglicht es, aus kreativen Ideen direkt generierbare und überprüfbare Regieanweisungen für KI-Videomodelle zu übersetzen. Es unterstützt eine breite Palette von Eingabemodi, darunter referenzlose Generierung, Erstbild-getriebene, Erst-und-Letztbild-getriebene sowie multimodale Referenz-Prompts. Der Fokus liegt auf sichtbaren Bildfakten, Handlungskausalität, physikalischem Feedback, audiovisueller Synchronisation und klaren Endzuständen – nicht auf vagen Adjektiven oder Plattform-Syntax. Das Framework verwendet eine dreischichtige Architektur (statisches Visuell, dynamische Kontinuität, Audio-Video-Sync) und definiert präzise Qualitätsstufen von „Standard“ bis „Hochpräzision“. Es ist für Plattformen wie Seedance, Jimeng, Xiaoyunque und MiniMax H3 optimiert und enthält spezielle Modi für Handy-POV, Mikro-Performance, intime Interaktionen und Dialog sowie eine umfassende Checkliste zur Fehlervermeidung vor der Fertigstellung. Das Skill arbeitet mit deutscher natürlicher Sprache und liefert standardmäßig eine Regieanmerkung, den vollständigen Prompt und bei Bedarf eine stabile Wiederholungsversion.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add shaoye0219-svg/cinematic-continuity-prompt

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Film Continuous Motion Prompt

Übersetze kreative Ideen in generierbare und überprüfbare Regieanweisungen. Standardmäßig in deutscher natürlicher Sprache; Präzision entsteht aus konkreten Bildfakten, Handlungskausalität, physikalischem Feedback, audiovisueller Timing und klarem Endzustand, nicht aus vagen Adjektiven oder dem Stapeln von Plattformformatierungen.

1. Aufgabe und Präzision bestimmen

Eingabebeziehungen

Zunächst den folgenden Eingabemodus identifizieren:

  • Referenzlose Generierung: Eine vollständige Audio-Video-Zeitleiste aus Text erstellen.
  • Erstbild-getrieben: Das Referenzbild ist die 0. Sekunde; Entwicklung nach dem Schema „Erstbildverankerung → Aktionsstart → kontinuierliche Entwicklung → Ergebnis oder Reaktion“.
  • Erst-und-Letztbild-getrieben: Zwei Bilder legen Anfang und Ende fest; Schwerpunkt auf dem beobachtbaren Zwischenweg und dem schrittweisen Konvergenzprozess.
  • Letztbild-getrieben: Von einem plausiblen vorherigen Zustand ausgehen und allmählich zu der durch das Referenzbild vorgegebenen Komposition und dem Zustand gelangen.
  • Multimodale Referenz: Bilder, Videos und Audios übernehmen jeweils klare Rollen: Identität, Szene, Stil, Bewegung, Kameraführung, Komposition, Stimme oder Schlüsselbild.
  • Referenzbild zuerst: Zuerst ein Erstbild entwerfen, das sich für eine fortlaufende Bewegung eignet, dann die Videoprompt basierend auf dem tatsächlich generierten und bestätigten Bild des Benutzers umschreiben.
  • Prompt-Prüfung / Fehlerbehebung: Den frühesten kausalen Fehler, Konflikt oder Überlastungspunkt identifizieren, dann eine vollständig kopierbare Version umschreiben.

Dann die Aufnahmeart wählen: kontinuierliche Eineinstellung, Action-Matching-Schnitt, Referenzbildevolution, natives Handy-Video, Mikro-Performance der Person, erwachsene zurückhaltende intime Interaktion. Eine Einstellung, FPV, Drohnenaufnahmen oder komplexe Kameraführung nicht automatisch als höherwertig betrachten.

Präzisionsstufen

  • Standardmodus: Automatisch die Parameter auswählen, die das Bild tatsächlich beeinflussen; Schwerpunkt auf sichtbaren Ergebnissen.
  • Hochpräzisionsmodus: Wird aktiviert, wenn der Benutzer „detaillierter Prompt“, „so detailliert wie möglich“, „vollständiger Prompt“, „vollständige Regieversion“, „Regieniveau“ oder ähnliche Ausdrücke verwendet. Längere Prompts sind erlaubt, aber jeder Satz muss einem Bildfaktum, einer Kontinuitätsanforderung oder einem tatsächlichen Fehlerrisiko entsprechen.

Wenn im Hochpräzisionsmodus Kameraeinstellungen fehlen, zuerst in einfacher Sprache nach dem gewünschten Effekt fragen, z.B. offener oder beengter Raum, Nähe oder Distanz der Person, unscharfer oder scharfer Hintergrund, Handheld oder stabil, dokumentarisch oder kunstvoll; dann die Antworten in Gerätetyp, Brennweite, Blende, Schärfentiefe, Fokus- und Bewegungsparameter übersetzen. Nicht verlangen, dass der Benutzer zuerst Fachparameter versteht. Wenn das Thema bereits eindeutig Handy, Drohne, Überwachung oder Dokumentation ist, direkt den entsprechenden Gerätelogiken folgen.

2. Drei-Schichten-Architektur verwenden

1. Statische visuelle Schicht

Aus den folgenden Elementen diejenigen auswählen, die die Generierung tatsächlich beeinflussen; keine mechanische Tabelle ausfüllen:

  • Zeit: Ära, Jahreszeit, Tageszeit.
  • Subjekt: Identität, Alter, Aussehen, Körperbau, Kleidung, Materialien, Requisiten, anfängliche Haltung.
  • Szene: Natürliche Umgebung, architektonische Struktur, Wetter, Einrichtung, räumliche Beziehungen und Lebensspuren.
  • Fotografie: Stil, Bildformat, Komposition, Kameraposition, Winkel, Perspektive, Fokus, Schärfentiefe, Lichtquelle, Lichtrichtung und Farbe.

Kameramarke, spezifische Brennweite und Blende nur schreiben, wenn sie die Perspektive, Schärfentiefe oder Bildqualität erklären können und nicht mit dem Gerätemodus in Konflikt geraten.

2. Dynamische Kontinuitätsschicht

Jede Schlüsselaktion als vollständige Zustandskette schreiben:

Anfangszustand → sichtbarer Auslöser → Vorbereitung → Start → Prozess → Körper-/Requisiten-/Stoff-/Umgebungsrückmeldung → Verlangsamung oder Stopp → überprüfbarer Endzustand

Schwerpunkt, Blickrichtung, Hände, Requisitenzustand und Kamerapfad der Person müssen dieselbe räumliche Logik teilen. Bereits abgeschlossene Aktionen nicht wiederholen; Objekte können nicht grundlos erscheinen, verschwinden, die Hand wechseln oder ihr Material ändern.

3. Audio-Video-Synchronisationsschicht

Umgebungsgeräusche, Aktionsgeräusche, nonverbale Laute der Person, Dialog/Off-Stimme und Filmmusik getrennt behandeln. Bei jedem wichtigen Geräusch Quelle, Entfernung, auslösende Aktion, Start und Ende, Stärke und räumliche Veränderung angeben. Keine Filmmusik bedingungslos hinzufügen.

Die vollständige Vorlage und Checkliste finden Sie in references/prompt-framework.md.

3. Invarianten und Referenzverantwortlichkeiten festlegen

Vor dem Schreiben Folgendes bestimmen:

  1. Identitäts- oder strukturelle Invariante;
  2. Anfänglicher Raum, Komposition und Lichtrichtung;
  3. Kamerastartpunkt, -pfad und -endpunkt;
  4. Handlung der Person und psychologische Kausalität;
  5. Sichtbare Details aufgrund von Entfernungsänderungen;
  6. Wind, Stoff, Haare, Schatten, Reflexionen und Geräusch-Rückmeldungen;
  7. Überprüfbarer Endframe und Schnittstelle zum nächsten Bild.

Bei multimodalen Referenzen muss eine Verantwortlichkeitstabelle erstellt werden. Jedes Material übernimmt nur eine klare Verantwortlichkeit; mehrere Verantwortlichkeiten sind möglich, aber „alles referenzieren“ ist nicht erlaubt:

MaterialZuweisbare Verantwortlichkeiten
BildIdentität, Kleidung, Produktaussehen, Szene, Komposition, Stil, Erstframe, Keyframe, Endframe
VideoBewegung, Kameraführung, Schnittrhythmus, Zeitstruktur, Quellvideobearbeitung oder -fortsetzung
AudioOriginalton-Wiederverwendung, Stimme, Sprechweise, Rhythmus, Musikstil, akustische Kontinuität

Unterscheiden zwischen „muss vollständig erhalten bleiben“, „lokale Änderungen sind erlaubt“, „nur eine bestimmte Eigenschaft übertragen“, „nur als vage atmosphärische Referenz“. Dies ist eine interne Prüfsprache; es ist nicht erforderlich, MiniMax H3-spezifische Felder oder englische Tags auszugeben.

4. Konflikte lösen

Prüfen auf: Identität, Alter, Gesichtszüge, Frisur, Kleidung, Zeit, Raum, Lichtrichtung, Gerät, Schärfentiefe, Kameraführung, linke/rechte Hand, Aktionsreihenfolge, Dialogzeitpunkt und Endzustand.

Priorität:

Vom Benutzer klar angegebene Referenzbildfakten > Aktuelle klare Anweisung des Benutzers > Globale einheitliche Einstellungen > Mehrfach wiederholte und konsistente Beschreibungen > Lokale Zeitlinienbeschreibungen > Atmosphärische Rhetorik

Wenn möglich, aktiv vereinheitlichen und in der Regieanmerkung kurz erklären; nur dann nachfragen, wenn zwei Versionen gleichermaßen entscheidend sind und das Endergebnis verändern würden. Im endgültig kopierbaren Prompt dürfen keine widersprüchlichen Einstellungen verbleiben.

5. Zeitlinie und Einstellungen organisieren

Zunächst Aktionen in semantischen Takten organisieren, dann in Sekunden umrechnen, wenn der Benutzer eine bestimmte Dauer, Schnittpunkte, Dialogsynchronisation oder Plattformerfordernisse vorgibt. Jeder Takt beschreibt den aktuellen Raum, die Aktionsvorbereitung, den Aktionsprozess, die Rückmeldung, den Endpunkt und den nächsten Auslöser.

Die Kameraführung muss in Folgendes zerlegbar sein:

Bewegungstyp + Amplitude + Geschwindigkeit + Bewegungsziel + Stoppzustand

Zwischen der Hauptkamerabewegung und kleinen menschlichen/Fahrzeug-Störungen unterscheiden. Schwenk, Kamerafahrt und Höhenänderung können zu einer Bewegungskurve verschmolzen werden, aber nicht als gleich starke parallele Anweisungen. Leichte Änderungen von Bildgröße oder -winkel bevorzugen kontinuierliche Kameraführung; ein Schnitt muss neuen Raum, neue Zeit, neue Informationen, neuen Zustand oder einen notwendigen Action-Match bringen.

6. Distanz, Schauspiel und physikalisches Feedback

  • Totale: Größe, Richtung und räumliche Beziehungen schreiben.
  • Halbtotale/Halbnah: Haltung, Schwerpunkt, Kleidungskontur und Personenbeziehungen schreiben.
  • Nah: Augenbewegung, Blinzeln, Atmung, Mundwinkel, Kontaktpunkte und Stoffbelastung schreiben.
  • Großaufnahme: Erst Poren, Flaum, Pudrigkeit, kleine Unvollkommenheiten, Glasreflexionen oder Metallkratzer schreiben.

Ein Gesichtsausdruck muss durch ein Ereignis ausgelöst werden: Reiz → Wahrnehmung → Augen-/Atemänderung → Kopf-/Körperreaktion → Bestätigung → emotionales Abklingen → Endhaltung.

Kontakt muss zuerst den Kontaktpunkt und die einwirkende Kraft etablieren, dann die Reaktion des Gegenübers oder Objekts, die Schwerpunktverlagerung, die Stoffveränderung und den Stoppzustand schreiben. Bei komplexen Maschinen ebenfalls Blockierung, Krafteinwirkung, Bewegung, Verlangsamung und Stabilisierung schreiben.

7. Referenzbild-zuerst-Workflow

Wenn der Benutzer zuerst ein Erstbild oder ein Referenzbild wünscht, das Kapitel „Referenzbild zuerst“ in references/prompt-framework.md lesen und ausführen:

  1. Eine prägnante Regieanmerkung ausgeben;
  2. Einen eigenständigen, vollständigen, kopierbaren Bild-Prompt ausgeben;
  3. Das Erstbild in einem offenen Zustand belassen, in dem die Aktion kurz vor dem Start oder gerade beginnt, nicht als abgeschlossene Plakatpose;
  4. Platz für Hände, Füße, Requisiten, Blickrichtung, Bewegungsrichtung, Parallaxe zwischen Vorder- und Hintergrund und Kamerapfad lassen;
  5. Nachdem der Benutzer das tatsächlich generierte Bild bereitstellt, die im Bild sichtbaren Fakten als neue Basis verwenden, eine Bild-Video-Konsistenzmatrix erstellen und den Videoprompt umschreiben.

Nicht so tun, als ob die spezifische Komposition des Erstbildes bereits festgelegt ist, bevor der Benutzer das endgültige Erstbild geliefert hat.

8. Spezialmodi

9. Ausgabevereinbarung

Sofern der Benutzer nicht explizit eine Kurzversion wünscht, standardmäßig Folgendes liefern:

  1. Regieanmerkung: Kernevent, visueller Schwerpunkt, Handlungskausalität, Kamerawahl, größtes Generierungsrisiko; prägnant halten.
  2. Direkt kopierbarer vollständiger Prompt: Überwiegend Deutsch, in der Wiedergabereihenfolge vollständig geschrieben; „Rest unverändert“, „siehe oben“, „siehe vorheriger Text“ oder Auslassungspunkte als Ersatz für den Haupttext sind nicht erlaubt.
  3. Stabile Wiederholungsversion: Nur bei zu vielen Personen, zu dichter Aktion, mehrhändigen Übergaben, komplexer Kameraführung, mehreren Referenzmaterialien oder anderen risikoreichen Kombinationen bereitstellen; gleichzeitige Aktionen reduzieren, aber die narrative Schlussfolgerung nicht ändern.

Innerhalb des Prompts können je nach Aufgabe Überschriften und Abschnitte verwendet werden, aber es ist nicht erforderlich, für alle Plattformen die englische Drei-Abschnitts-, Sechs-Abschnitts-, <Subject N>-, <Picture N>- oder <d>-Syntax von MiniMax H3 zu erzwingen. Nur dann in das H3-Format konvertieren, wenn der Benutzer explizit das H3-Format anfordert.

10. Detaillierte Verbote

Verbote können detailliert sein, müssen aber jeden Punkt auf das tatsächliche Risiko des aktuellen Bildes beziehen; zuerst den positiven Zustand ausreichend beschreiben, dann nach Kategorie ergänzen:

  • Drift von Identität, Gesichtszügen, Kleidung und Struktur;
  • Fehler bei Gliedmaßen, Fingern, Füßen, Kontaktpunkten und Krafteinwirkung;
  • Plötzliche Änderungen von Anzahl, Material, Position und Zustand von Requisiten;
  • Wiederholung, umgekehrte Reihenfolge, fehlender Auslöser, fehlender Endpunkt oder starre Synchronisation mehrerer Personen;
  • Kamerasprünge, falscher Zoom, grundlose Umkehrung, automatischer Schnitt und zufälliges Wackeln;
  • Aufweichen, Duplizieren oder Durchdringen von Gebäuden, Maschinen, Fahrzeugen und räumlicher Struktur;
  • Kontinuitätsfehler bei Lichtrichtung, Schatten, Spiegelung, Wetter und Umgebung;
  • Audiovisuelles Missverhältnis, abnormer Mund, vorzeitiges, verzögertes oder wiederholtes Geräusch;
  • Stilverunreinigung, falsche Schärfentiefe, übermäßige Hautglättung, kommerzielle Retusche, CG- oder 3D-Optik;
  • Kauderwelsch-Text, Untertitel, Logo, QR-Code und Wasserzeichen.

Länge ist erlaubt, aber tautologische Wiederholungen und das Ansammeln allgemeiner negativer Wörter, die nichts mit dem aktuellen Bild zu tun haben, sind verboten.

11. Selbstprüfung vor Fertigstellung

  • Sind die Informationen der drei Schichten konsistent und dienen alle demselben Kernevent?
  • Ist die Verantwortlichkeit jedes Referenzmaterials klar und eindeutig?
  • Hat der Erstframe beweglichen Raum, und gibt es einen beobachtbaren Pfad zwischen Erst- und Letztframe?
  • Ist die Kamera eine ausführbare Kurve, und sind die Parameter mit dem Gerätemodus konsistent?
  • Hat jede Aktion einen Auslöser, eine Vorbereitung, eine Rückmeldung, einen Stopp und einen Endzustand?
  • Bringt die Änderung der Bildgröße die richtige Ebene von Details?
  • Sind Dialog, Bewegungsgeräusche und Umgebungsgeräusche mit der Entfernung und dem Zeitpunkt synchronisiert?
  • Ist der Endframe klar und kann er natürlich in den nächsten Frame übergehen?
  • Sind die Verbote präzise, kategorisch klar und ersetzen sie nicht die positive Beschreibung?

Verwandte Skills