Videogen-Wan - Skill de Generación de Video China
Descripción General
Genera videoclips cortos utilizando modelos de video chinos de tres proveedores: Alibaba Cloud Bailian (DashScope), Volcengine Ark (Jimeng/即梦) y MiniMax (海螺 AI).
Cuatro modos, seleccionados automáticamente según las entradas proporcionadas:
| Modo | Entradas | Modelo predeterminado |
|---|---|---|
| t2v 文生视频 | solo prompt | wan2.7-t2v-2026-04-25 (Bailian) |
| i2v 图生视频 | prompt + --image | wan2.6-i2v-flash (Bailian) |
| kf2v 首尾帧 | prompt + --image + --last-frame | pixverse/pixverse-c1-kf2v (Bailian) |
| r2v 参考生视频 | prompt + --ref (1-7 imágenes) | pixverse/pixverse-c1-r2v (Bailian) |
La generación de video es asíncrona: el script envía una tarea, consulta cada 10 segundos (los trabajos largos pueden tardar entre 10 y 15 minutos) y luego descarga el MP4. Las URL de resultado caducan después de 24 horas, por lo que el script siempre descarga inmediatamente.
Imágenes locales: Wan y HappyHorse aceptan directamente URI de datos base64; PixVerse/Kling/Vidu solo aceptan URL públicas, por lo que el script carga automáticamente archivos locales al almacenamiento temporal de DashScope (URL oss:// durante 48 horas) antes de enviar. Jimeng convierte archivos locales a base64; MiniMax carga mediante su API de archivos.
Cuándo Usar Esta Skill
- El usuario solicita 生成视频 / 文生视频 / 图生视频 / 首尾帧 / 参考生视频, o hacer un videoclip a partir de un prompt o imagen
- El usuario menciona un modelo de video chino: 万相/Wan, 爱诗/PixVerse, 可灵/Kling, Vidu, HappyHorse, 即梦/Jimeng, 海螺/MiniMax
- El usuario necesita material de archivo (B-roll), animaciones de imágenes fijas, clips con consistencia de personaje o transiciones entre dos fotogramas
Flujo de Trabajo
Paso 0: Refinamiento del Prompt (交互式提示词打磨)
CRÍTICO — ejecute siempre este paso para generación t2v/i2v. Los prompts del usuario suelen ser demasiado cortos, vagos o carecen de detalles visuales clave que los modelos de video necesitan. Claude actúa como ingeniero de prompts para pulir el prompt antes de la generación.
0.1 Analizar la entrada original del usuario
Extraer lo que está presente y lo que falta:
| Dimensión | Verificar |
|---|---|
| Sujeto | ¿Quién/qué es el foco principal? Describir apariencia, acción, expresión |
| Escena | ¿Dónde ocurre? Fondo, entorno, atmósfera |
| Iluminación | ¿Hora del día? ¿Calidad de luz? (hora dorada, neón, difusa suave, contraluz) |
| Cámara | ¿Tipo de plano? (primer plano, gran angular, aéreo, seguimiento). ¿Movimiento? (zoom, paneo, órbita) |
| Estado de ánimo/Estilo | ¿Tono emocional? ¿Estilo visual? (cinematográfico, anime, documental, surrealista) |
| Movimiento | ¿Qué se mueve? ¿Cómo? Velocidad, dirección, dinámica |
| Temporal | ¿Hay secuencia? ¿Inicio→medio→fin? |
0.2 Generar tres variantes refinadas
Presentar 3 variantes en una tabla, cada una con una dirección creativa diferente:
| # | 风格方向 | 优化后提示词 | 建议参数 |
|---|---------|-------------|---------|
| 1 | [Nombre del estilo] | [Prompt completo en chino] | 5s / 16:9 / 1080P |
| 2 | [Nombre del estilo] | [Prompt completo en chino] | 8s / 16:9 / 1080P |
| 3 | [Nombre del estilo] | [Prompt completo en chino] | 5s / 9:16 / 1080P |
Principios de diseño de variantes:
- Variante 1: 忠于原意 — preservar la idea central del usuario, agregar detalles visuales ricos, calidad cinematográfica
- Variante 2: 创造性发散 — una interpretación artística diferente de la misma idea central
- Variante 3: 实用主义 — optimizada para un formato de plataforma específico (video corto vertical, clip en bucle, etc.)
Reglas de escritura de prompts para modelos de video:
- Escribir en chino (todos los modelos compatibles optimizan para el chino)
- Anteponer el sujeto y la acción central (los primeros 20 caracteres son los más importantes)
- Usar sustantivos visuales concretos ("金色麦田") no conceptos abstractos ("丰收的感觉")
- Describir el movimiento explícitamente ("缓缓推近", "随风飘动", "从远到近奔跑")
- Agregar indicaciones de cámara e iluminación al final ("电影感镜头", "逆光剪影", "浅景深")
- Mantener dentro de 150 caracteres — los prompts de video no son novelas
- Para Wan 2.7 multi-shot: usar formato
第N个镜头[N-Ns]: 描述
0.3 Bucle de retroalimentación del usuario
Después de presentar las tres variantes, preguntar al usuario que elija o dé retroalimentación. Aceptar estas palabras clave de modificación:
| El usuario dice | Acción |
|---|---|
| "用第N个" / "N" | Usar variante N tal cual |
| "更诗意" / "更浪漫" | Regenerar las tres con un tono más poético/lírico |
| "更简洁" | Reducir a lo esencial, prompts más cortos |
| "加动态元素" | Agregar más movimiento, acción, energía cinética |
| "改为夜景" / "下雪" / etc. | Aplicar cambio de escena específico a todas las variantes |
| "混合1和3" | Combinar el sujeto de 1 con el estilo de 3 |
| "直接用" / "不改了" | Omitir refinamiento, usar prompt original |
| Retroalimentación personalizada | Aplicar retroalimentación y regenerar |
Iterar hasta que el usuario apruebe explícitamente un prompt (diga "好", "可以", "用这个", "生成吧", etc.), luego continuar al Paso 1.
0.4 Condiciones de omisión
Omitir el refinamiento cuando:
- El usuario dice explícitamente "直接生成" / "不用优化" / "skip"
- El prompt ya es detallado (>80 caracteres con detalles visuales ya presentes)
- El modo es kf2v/r2v (las imágenes de referencia son la entrada principal)
Paso 1: Decidir modo y proveedor
A partir del prompt aprobado y cualquier entrada --image/--last-frame/--ref, determinar:
- Modo: t2v / i2v / kf2v / r2v (misma detección automática que antes)
- Proveedor: usar la bandera
--providero detectar automáticamente desde el nombre del modelo - Modelo: usar la bandera
--model, o los valores predeterminados del proveedor/modelo - Parámetros: duración, resolución, relación de aspecto según la sugerencia de la variante o la anulación del usuario
Paso 2: Confirmar y generar
Mostrar el comando final y confirmar con el usuario (especialmente para generaciones largas/caras). Ejecutar el script; se bloquea hasta que la tarea finaliza y guarda el MP4.
Paso 3: Entregar
Informar la ruta de salida, el tamaño del archivo y el tiempo de generación. Si no se proporcionó una ruta de salida, guardar en el directorio de trabajo actual.
Nota de costo: las API de video facturan por segundo de salida. Para clips largos o muchos, confirmar con el usuario antes de enviar.
Proveedores
Alibaba Bailian 百炼
Una clave API (DASHSCOPE_API_KEY) cubre las cinco familias de modelos. Los modelos de terceros (PixVerse/Kling/Vidu/HappyHorse) son solo para la región de Beijing (cn).
Volcengine Ark (Jimeng 即梦)
Autenticación simple con token Bearer mediante ARK_API_KEY. Utiliza la API de generación de contenido de Ark (https://ark.cn-beijing.volces.com/api/v3). Soporta t2v e i2v con audio nativo, sincronización de labios y control de movimiento de cámara.
MiniMax 海螺 AI
Autenticación simple con token Bearer (MINIMAX_API_KEY). Flujo asíncrono de tres pasos (enviar → consultar → recuperar URL de descarga). Soporta t2v e i2v.
Modelos
Wan 通义万相 (Alibaba Bailian)
| Modelo | Modo | Resolución | Duración | Notas |
|---|---|---|---|---|
wan2.7-t2v-2026-04-25 | t2v | 720P/1080P | ≤15s | t2v predeterminado. Multi-shot: 第N个镜头[N-Ns]: ... |
wan2.5-t2v-preview | t2v | 480P-1080P | 5/10s | Genera audio, se admite --no-audio |
wan2.2-t2v-plus | t2v | 480P/1080P | 5s | Calidad estable |
wanx2.1-t2v-turbo / -plus | t2v | 480P-720P | 3-5s | Rápido/barato |
wan2.6-i2v-flash | i2v | 720P/1080P | 2-15s | i2v predeterminado, se admite --no-audio |
wan2.6-i2v | i2v | 720P/1080P | 2-15s | Mejor calidad i2v |
wan2.5-i2v-preview | i2v | 480P-1080P | 5/10s | Audio |
wan2.2-i2v-plus / -flash | i2v | 480P-1080P | 5s | Silencioso |
wanx2.1-i2v-turbo / -plus | i2v | 480P-720P | 3-5s | Plantillas de efectos |
PixVerse 爱诗 (Tercero en Bailian)
pixverse/pixverse-{c1,v6,v5.6}-{t2v,it2v,kf2v,r2v} — p. ej. pixverse/pixverse-c1-it2v
- c1/v6: duración 1-15s, 360P-1080P; v5.6: 5/8/10s (1080P: solo 5/8s)
- c1 destaca en escenas dinámicas/combate/movimiento de alta velocidad; v5.6 es heredado
it2v= i2v de primer fotograma,kf2v= primer y último fotograma,r2v= 1-7 imágenes de referencia con sintaxis de prompt@ref_name- Audio desactivado por defecto, activar con
--audio
Kling 可灵 (Tercero en Bailian)
kling/kling-v3-video-generation, kling/kling-v3-omni-video-generation
- Un código de modelo cubre t2v/i2v/kf2v — el modo se establece según qué medio se adjunte; omni añade imágenes de referencia (
--ref) - Duración 3-15s; resolución según modo: 1080P→
pro, sinostd(720P); relación 16:9/9:16/1:1
Vidu (Tercero en Bailian)
vidu/viduq3-{pro,turbo}_{text2video,img2video,start-end2video}, vidu/viduq2*
- q3: 1-16s, se admite audio (
--audio); q2: 1-10s, sin audio - 540P/720P/1080P;
start-end2video= primer y último fotograma
HappyHorse (Tercero en Bailian)
happyhorse-1.1-t2v, happyhorse-1.0-t2v, happyhorse-1.1-i2v, happyhorse-1.0-i2v
- 3-15s, 720P/1080P; t2v admite muchas relaciones de aspecto; i2v coincide con la relación de la imagen de entrada
Jimeng 即梦 (Volcengine Ark)
| Modelo | Modo | Resolución | Duración | Notas |
|---|---|---|---|---|
doubao-seedance-2-0-260128 | t2v/i2v | hasta 2K | ≤15s | Predeterminado. Audio, sincronización de labios, control de cámara |
doubao-seedance-2-0-fast-260128 | t2v/i2v | hasta 1080P | ≤15s | Variante rápida |
doubao-seedance-1-5-pro-251215 | t2v/i2v | hasta 1080P | inteligente | Audio, duración inteligente |
doubao-seedance-1-0-pro | t2v/i2v | hasta 1080P | — | Estándar v1 |
- Autenticación:
ARK_API_KEY(token Bearer) - API:
https://ark.cn-beijing.volces.com/api/v3 - Las imágenes locales se codifican automáticamente como URI de datos base64
- Relación de aspecto: 16:9, 9:16, 1:1, 21:9, etc.
MiniMax 海螺 AI
| Modelo | Modo | Resolución | Duración | Notas |
|---|---|---|---|---|
video-01 | t2v/i2v | 720P | 6s | Cubre ambos modos |
- Autenticación: token Bearer (
MINIMAX_API_KEY) - Las imágenes locales se cargan automáticamente a través de la API de archivos de MiniMax
- El optimizador de prompts está activado por defecto
Ejemplos de Refinamiento de Prompt
Estos ejemplos muestran el refinamiento interactivo del Paso 0 en acción.
Ejemplo 1: Prompt corto y vago
Usuario: "生成视频:一只猫"
Claude responde con:
Tu prompt original es bastante corto, he pulido tres versiones:
# 风格方向 优化后提示词 建议参数 1 温馨日常 一只橘猫蜷缩在窗台上,午后阳光透过纱帘洒在毛发上,猫咪眯着眼睛打盹,微风轻拂窗帘 5s / 16:9 2 灵动活泼 一只黑白奶牛猫在花园里追逐蝴蝶,敏捷跳跃,花瓣被带起在空中飞舞,慢动作特写 5s / 16:9 3 赛博朋克 一只发光机械猫在霓虹闪烁的雨夜街头行走,全息投影的鱼在它周围游动,科幻电影质感 5s / 9:16 ¿Qué dirección te gusta? También puedes decir "更诗意" "改为雪景" "混合1和2", etc.
Ejemplo 2: Refinamiento iterativo
Usuario: "El segundo está bien, pero quiero cambiarlo a un bosque"
Claude regenera la variante 2 con escenario de bosque, quizás ajustando las tres:
De acuerdo, reelaborado con el bosque como escena:
# 风格方向 优化后提示词 建议参数 1 灵动森林 一只黑白毛色的猫咪在晨光森林中轻盈跳跃,透过树叶的阳光形成光束,苔藓和蕨类植物环绕,慢动作 5s / 16:9 2 神秘森林 黑猫在迷雾森林中优雅行走,发光的蘑菇照亮小径,萤火虫在空气中浮动,奇幻电影画风 8s / 16:9 3 雨后森林 橘白色小猫在雨后的原始森林中探索,叶片上的水珠闪烁,丁达尔光束穿透树冠,微距镜头跟拍 5s / 16:9 ¿Cuál se acerca más a lo que buscas?
Usuario: "Usa el 1, genera"
Claude ejecuta el script con el prompt aprobado.
Uso
Texto a Video
# Bailian (predeterminado)
python scripts/generate_video.py \
"一只柴犬在樱花树下奔跑,花瓣随风飘落,电影感镜头" shiba.mp4 \
--duration 5 --resolution 1080P --ratio 16:9
# Jimeng (即梦)
python scripts/generate_video.py "一只柴犬在樱花树下奔跑" shiba.mp4 \
--provider jimeng --duration 5
# MiniMax (海螺)
python scripts/generate_video.py "一只柴犬在樱花树下奔跑" shiba.mp4 \
--provider minimax --duration 6
Imagen a Video
python scripts/generate_video.py "镜头缓缓推近,人物微笑" out.mp4 --image portrait.png
# O con un modelo de terceros (archivo local subido automáticamente):
python scripts/generate_video.py "cinematic dolly-in" out.mp4 \
--image portrait.png -m pixverse/pixverse-c1-it2v
# Jimeng i2v:
python scripts/generate_video.py "镜头缓缓推近" out.mp4 \
--image portrait.png --provider jimeng
Primer y Último Fotograma (kf2v)
python scripts/generate_video.py "花苞缓缓绽放成盛开的牡丹" bloom.mp4 \
--image bud.png --last-frame bloom.png
Video por Referencia (r2v)
python scripts/generate_video.py "@girl 在 @cafe 里弹吉他" out.mp4 \
--ref girl=girl.png --ref cafe=cafe.jpg
Reanudar una Tarea de Larga Duración
python scripts/generate_video.py --task-id <id-de-tarea> out.mp4
Opciones
| Bandera | Significado | Predeterminado |
|---|---|---|
--provider | bailian / jimeng / minimax | detección automática |
-m/--model | nombre del modelo | automático según modo |
-i/--image | imagen del primer fotograma (ruta/URL) | — |
--last-frame | imagen del último fotograma → kf2v | — |
--ref | imagen de referencia nombre=ruta_o_url, repetible → r2v | — |
-d/--duration | segundos | 5 |
-r/--resolution | 360P/480P/540P/720P/1080P | 1080P |
--ratio | 16:9 o 9:16 | 16:9 |
-s/--size | W*H exacto para modelos basados en tamaño | de resolución+relación |
-n/--negative | prompt negativo (solo Wan) | — |
--no-prompt-extend | deshabilitar reescritura de prompt (solo Wan) | extend activado |
--audio | habilitar audio en PixVerse/Kling/Vidu | desactivado |
--no-audio | salida silenciosa en modelos Wan con audio | audio activado |
--seed | reproducibilidad (no Kling) | aleatorio |
--task-id | reanudar consulta de una tarea existente (Bailian) | — |
--list-models | listar modelos y salir | — |
Requisitos
pip install requests
Variables de Entorno
| Variable | Requerida | Proveedor | Propósito |
|---|---|---|---|
DASHSCOPE_API_KEY | sí (Bailian) | Bailian | Clave API de Bailian (https://bailian.console.aliyun.com/) |
DASHSCOPE_API_BASE | no | Bailian | cn (predeterminado) / sg / us o una URL completa |
DASHSCOPE_VIDEO_MODEL | no | Bailian | Anulación del modelo predeterminado |
ARK_API_KEY | sí (Jimeng) | Jimeng | Clave API de Volcengine Ark (https://console.volcengine.com/ark/) |
MINIMAX_API_KEY | sí (MiniMax) | MiniMax | Clave API de MiniMax (https://platform.minimax.io) |
Los modelos de terceros en Bailian (PixVerse/Kling/Vidu/HappyHorse) son solo para la región de Beijing (cn).
Guía de Selección de Modelos
| Caso de uso | Modelo | Proveedor |
|---|---|---|
| Mejor calidad t2v, historia multi-shot | wan2.7-t2v-2026-04-25 | Bailian |
| Acción rápida / escenas de combate | pixverse/pixverse-c1-t2v | Bailian |
| Storyboard inteligente, audiovisual nativo | kling/kling-v3-video-generation | Bailian |
| Clips largos hasta 16s con audio | vidu/viduq3-pro_text2video | Bailian |
| Estilo video corto Douyin/XHS | doubao-seedance-2-0-260128 | Jimeng |
| Calidad i2v superior | wan2.6-i2v | Bailian |
| Generación rápida/barata | wanx2.1-t2v-turbo | Bailian |
| Referencia de personaje (r2v) | pixverse/pixverse-c1-r2v | Bailian |
| Primer+último fotograma (kf2v) | pixverse/pixverse-c1-kf2v | Bailian |
| Generaciñon de video MiniMax (6s, 720P) | video-01 | MiniMax |