StarAI-2026/ComfyUI-MiniMax-H3-SkillBridge

Music Aesthetics MV

Propósito

Usa esta habilidad cuando el usuario quiera crear, revisar, auditar o generar prompts para videos musicales o cortometrajes emocionales donde la música, la letra, la tipografía, las referencias, el ritmo, la interpretación y el lenguaje de cámara deban diseñarse juntos. El flujo de trabajo adapta las reglas de prompt de MV a la ejecución del Hub: las decisiones creativas clave se confirman, los prompts bloqueados se escriben en nodos de texto del canvas y la creación de medios se delega a los agentes del Hub.

No la uses para incrustación de subtítulos ordinarios, edición genérica de video, anuncios de productos no musicales o solicitudes simples de una sola imagen o clip sin estructura de MV.

Reglas de compatibilidad con Hub

• No asumas herramientas de terceros, scripts de shell, complementos del navegador o APIs de generación externas.
• Escribe prompts bloqueados y revisiones en nodos de texto del canvas del Hub.
• Delega tarjetas de personaje, tarjetas de escena, tarjetas de tipografía, clips de video, BGM y ensamblaje final a los agentes de imagen, video, música y edición del Hub.
• No uses rutas de salida fijas; utiliza siempre las rutas devueltas por el Hub.
• Si el usuario dice "saltar confirmación / solo hazlo", aplícalo solo a la ejecución actual a menos que el orquestador externo tenga autorización de sesión activa.
• Si el usuario solo quiere un prompt, termina después de entregarlo. Si el usuario quiere un MV terminado, continúa con la generación y el ensamblaje después de la confirmación.

Principios fundamentales

1. Comprende la obra antes de elegir una estructura. Las plantillas organizan, pero no son formas obligatorias.
2. Usa la última intención creativa confirmada.
3. Omite campos irrelevantes en lugar de rellenar marcadores de posición.
4. No añadas mecánicamente interpretación, tipografía, transiciones, movimientos de cámara o acciones de personaje solo porque un preajuste las incluya.
5. El texto en pantalla es una capa visual diseñada, no subtítulos ordinarios, a menos que el usuario solicite explícitamente subtítulos.
6. Si el usuario sube una canción o ritmo real, esa es la pista musical maestra a menos que solicite un reemplazo.
7. Costura natural de múltiples tomas para videos >15s: cuando la duración supera el límite de generación única del modelo, usa "desglose de storyboard en múltiples tomas + continuación de fotograma final/inicial + cortes bruscos con el ritmo + alineación global de audio maestro". Cada segmento debe mantener el mismo groove, sensación de tempo, relación de aspecto, lógica de personaje, preajuste visual, lenguaje de iluminación y reglas de movimiento de tipografía.
8. Si el usuario quiere un MV estético musical terminado sin letra, genera y bloquea primero una letra original. El MV final debe hacer referencia conjunta a las tarjetas de personaje, tipografía y escena. La tarjeta de empaquetado de tipografía controla solo el estilo de empaquetado de texto, la textura de la fuente, el diseño gráfico, la proporción del diseño y el lenguaje de movimiento.

PASO 1: Bloqueo previo al vuelo

Antes de escribir el prompt de producción final, confirma la base mínima con opciones recomendadas concisas.

1.1 Formato de video

Ofrece opciones fijas:

Caso de uso	Relación de aspecto	Resolución
TikTok / Reels / Shorts vertical	9:16	1080×1920
YouTube / Bilibili horizontal	16:9	1920×1080
Cuadrado para feed	1:1	1080×1080
Prueba de anuncio vertical denso	9:16	720×1280
MV panorámico cinematográfico	21:9	2560×1080

La relación seleccionada debe reutilizarse en las tarjetas de personaje, escena, referencias de tipografía, prompts de toma, clips de video y ensamblaje final.

1.2 Duración objetivo y estructura de múltiples tomas

Antes de escribir el prompt o generar el video, confirma la duración objetivo del MV. Nunca uses en silencio la duración predeterminada del modelo como la intención del usuario.

Ofrece una tarjeta de duración compacta:

1. Prueba de 10 segundos: una o dos tomas para verificar el estilo de personaje, escena, tipografía y audio.
2. Enganche de 15 segundos: 2–4 tomas cortas para una frase de estribillo/gancho/interpretación más completa.
3. MV completo de 30 segundos o más (costura de múltiples tomas): debido a que muchos modelos tienen un límite de generación única de 15 segundos, usa automáticamente un flujo de trabajo de costura de múltiples tomas. Primero, genera o bloquea una canción/BGM continua, divide 30 segundos en 4–8 tomas dinámicas de 2–5 segundos, luego une mediante sincronización de ritmo y continuidad de fotograma inicial/final.
4. Duración personalizada: el usuario proporciona la duración; planifica el número de tomas y la costura según el límite de clip único del modelo seleccionado.

Si existe música subida, la duración confirmada es la duración de la ventana musical.

1.3 Ventana musical

Si la música subida o especificada es más larga que la duración confirmada, bloquea un segmento antes de escribir los prompts:

1. Ventana recomendada: el asistente identifica el estribillo/gancho/giro emocional más fuerte y solicita confirmación.
2. Marcas de tiempo del usuario: el usuario proporciona segundos de inicio y fin; verifica que ambos estén dentro del audio.
3. Multivariante: solo para pruebas de gancho publicitario o múltiples direcciones creativas.

Si la música es más corta que la duración objetivo, usa el audio completo a menos que el usuario pida explícitamente estirarlo o extenderlo.

1.3.0 Bloqueo de letra y recurso de letra primero

Antes de los prompts de video finales o la generación, determina la propiedad de la letra:

1. Si el usuario proporciona la letra, esa es la letra bloqueada. No generes, añadas, reescribas, expandas, traduzcas, parafrasees ni reemplaces la letra a menos que se solicite explícitamente.
2. Si el usuario quiere un MV estético musical terminado sin letra, genera una letra original corta que coincida con el estilo musical, el modo vocal, la duración, la emoción y el preajuste visual, luego bloquéala.
3. La letra bloqueada es la única fuente de texto para la interpretación de rap/canto y la tipografía visible.
4. Divide la letra bloqueada en Línea de rap:, Línea vocal:, Línea vocal suave: o Línea hablada: de cada toma.
5. Cada campo Tipografía: debe provenir de la misma letra bloqueada. Durante la interpretación vocal, el texto visible debe coincidir palabra por palabra con la frase interpretada.
6. En el MV de tipografía final, el intérprete debe rapear o cantar la letra bloqueada con formas de labios visibles, movimiento de mandíbula, respiración, acentos faciales, asentimientos y acentos de manos que sigan la fraseo y el ritmo.

1.3.1 Costura predeterminada de múltiples tomas para videos >15s

Para MV >15s, como 30 segundos, el guion de prompt de múltiples tomas global es la fuente autorizada:

1. Bloquea el Audio Maestro completo: bloquea una pista de canción/BGM continua con el vocal completo y el groove como única línea de base de audio.
2. Construye una línea de tiempo de lista de tomas: divide 30 segundos en 4–8 tomas cortas de 2–5 segundos, mapeadas con precisión a las marcas de tiempo de la letra y los ritmos como redoble, 808 y drop.
3. Continuidad de fotograma inicial/final y escena: si la Toma B continúa la misma escena, usa el fotograma final de la Toma A como el fotograma inicial de la Toma B. Si es un corte brusco, conserva la misma tarjeta de personaje, vestuario, prompt de iluminación y usa movimiento de cámara en la misma dirección o elementos visuales de corte de coincidencia.
4. Generación y ensamblaje de edición: el agente de video genera cada toma a partir de la lista de tomas. El agente de edición alinea todos los clips con la cuadrícula de ritmo del Audio Maestro global, recortando, ajustando la velocidad y uniendo para una sincronización de labios natural, sincronización de ritmo y transiciones.

PASO 2: Contrato creativo

Antes de los prompts finales, crea un contrato creativo conciso:

• Género musical, instrumentación, tempo/sensación de BPM, modo vocal y temperatura emocional.
• Fuente de la letra y letra bloqueada.
• Duración objetivo y desglose de múltiples tomas, ej. 30s divididos en 6 tomas cortas.
• Funciones de la imagen de referencia: tarjeta de personaje, tarjeta de escena, tarjeta de empaquetado de tipografía.
• Lenguaje de cámara, tamaños de toma, enfoque, densidad de corte con el ritmo y lógica de transición.
• Exclusiones como sin fundidos, sin cara de belleza AI brillante, sin estiramiento excesivo de una sola toma que cause deformación.

PASO 3: Funciones de referencia y muestreo de escena

Asigna a cada imagen de referencia un trabajo estrecho:

• Tarjeta de referencia de tipografía: controla solo el estilo de empaquetado de texto, la textura de la fuente, el diseño gráfico, la proporción del diseño y el lenguaje de movimiento. No debe contribuir con personas o escenas.
• Tarjeta de referencia de personaje: controla la identidad del personaje, el aura facial, el peinado, la silueta de la ropa, las proporciones, la postura y la presencia.
• Tarjeta de referencia de escena: controla el estilo de la escena, la atmósfera espacial, la textura de la imagen, la profundidad del fondo y el ambiente de iluminación.

3.1 Cambio de escena en primer plano y muestreo de múltiples tomas

Para Trap, Dark-pop, Cyber-grunge y otros MV de ritmo rápido, cambia rápidamente entre múltiples espacios en primer plano:

• Mantén unificado el ambiente de la escena, pero el espacio de cada toma debe diferir claramente, como fondo local, túnel, pared, tira de luz o piso reflectante.
• Los cambios de escena deben activarse por impactos musicales: golpe de bajo, drop de 808, redoble, acento vocal o golpe de tipografía.
• Los cambios de toma son "muestras visuales" sobre el ritmo trap: cortes bruscos, jump cuts, cortes con fallo de escaneo, flash cuts o cortes de coincidencia de acción.

PASO 4: Gramática de preajuste, ejemplo de Dark-pop / Cyber-grunge y Trap

Lenguaje visual y de edición

• Textura realista de alta costura y textura de revista de cine, haciendo referencia a revistas independientes de finales de los 90 / principios de los 2000, papel de fotocopia, escaneos de película y collage de fanzine.
• Grano pesado, ligera vibración de película, puntos de semitono, bordes de impresión ásperos, desplazamientos de escaneo.
• La edición debe usar solo cortes bruscos. Sin fundidos, disoluciones ni transiciones suaves.
• La imagen y la tipografía responden fuertemente a las señales de ritmo: el rollo de hi-hat crea micro-vibración/saltos de fotograma, el redoble desencadena aumento de escala/corte brusco/caída de hombro, el golpe de bajo 808 crea compresión/estiramiento/desplazamiento de baja frecuencia.

Reglas de empaquetado de tipografía

• La tipografía es un sujeto gráfico dinámico en el espacio, no una barra de subtítulos. Puede estar en primer plano, segundo plano, fondo u ocluida por hombros/manos.
• El texto nunca debe cubrir los ojos ni la expresión facial principal; evita la boca durante la sincronización de labios crítica.
• Con vocales, las palabras visibles deben coincidir exactamente con la letra interpretada. Cada toma tiene solo un evento de tipografía principal.

PASO 5: Plantilla de estructura de prompt

Un guion de múltiples tomas debe ser modular por toma, con duración precisa y mapeo de audio:

[Bloqueo global de estética y personaje]: (prompt de anclaje global de personaje y estética)

Toma 1 (0.0s - 3.5s)
Línea Vocal: "..."
Tipografía: "..."
Visual y Acción: ...
Cámara y Movimiento: ...
Transición de salida: corte brusco a Toma 2 en golpe de bajo / paneo de látigo en la misma dirección

Toma 2 (3.5s - 7.0s)
Línea Vocal: "..."
Tipografía: "..."
Visual y Acción: ...
Cámara y Movimiento: ...
Transición de salida: ...

PASO 6: Continuidad de BGM y sistema de costura natural de múltiples tomas

6.1 Continuidad global de audio

Todo el MV debe vincularse a una sola pista de Audio Maestro. Durante la generación de video segmentado, no uses clips de audio independientes desconectados. Todos los clips de video se alinean con sus marcas de tiempo correspondientes en la línea de tiempo del Audio Maestro durante el ensamblaje de edición.

6.2 Protocolo de costura natural

Para costura >15s, aplica cinco bloqueos de continuidad:

Continuidad vocal y de labios: los puntos de corte deben caer en pausas de letra, respiraciones, redobles o drops. No hagas corte brusco dentro de una vocal activa o letra a menos que la siguiente toma sea un primer plano extremo con forma de boca continua.

Coincidencia de ritmo y tempo: los puntos de corte deben golpear la cuadrícula de ritmo de 1/4 o 1/8. Usa ajuste de velocidad para alinear asentimientos de cabeza, gestos de manos y parpadeos con los ritmos.

Gradación estética y de color: cada generación entre tomas lleva el mismo prompt de encabezado estético: nivel de grano, dirección de LUT y dirección de luz. El ensamblaje final usa grano de película de 35 mm unificado y LUT para ocultar las diferencias de color entre lotes.

Continuidad de transición y movimiento: para la continuación de una toma larga, usa el fotograma final anterior como el siguiente fotograma inicial y solicita la continuación de la acción. Para cambios de escena bruscos, usa continuidad cinética como paneo en la misma dirección o corte de coincidencia de oclusión de mano.

Costura de movimiento de tipografía: el texto en la toma anterior debe romperse, barrer fuera de la pantalla o golpear la pantalla en un golpe de bajo; el texto de la siguiente toma golpea o se despliega en el acento, transfiriendo el impulso visual.

PASO 7: Lista de verificación

Verifica silenciosamente antes de la entrega:

• Si la duración objetivo supera los 15s, ¿se ha utilizado automáticamente el desglose de múltiples tomas?
• ¿Hay un Audio Maestro global bloqueado y los puntos de corte están alineados con el ritmo?
• ¿Evitan los cortes las pausas vocales en medio de la letra, con continuidad natural de labios y respiración?
• ¿Tienen las tomas adyacentes una lógica de costura clara, como continuación de fotograma final/inicial, movimiento en la misma dirección, corte de coincidencia o corte brusco con el ritmo?
• ¿El estilo de edición es estrictamente de corte brusco, sin fundidos ni transiciones suaves?
• ¿Están aisladas las tarjetas de personaje/escena/tipografía sin contaminación cruzada?
• ¿Es la tipografía una capa espacial que nunca bloquea los ojos ni la expresión facial principal?
• ¿Son consistentes la calidad de imagen, el grano, el color y la iluminación a nivel global?

PASO 8: Entrega en el canvas

Después de que el guion de prompt completo del MV esté bloqueado, escríbelo en un nodo de texto de canvas dedicado llamado Complete MV Prompt o 完整MV Prompt. El nodo debe contener el guion de prompt completo de múltiples tomas y las notas de costura. Las revisiones posteriores actualizan el mismo nodo.

PASO 9: Generación final del MV y flujo de trabajo de ensamblaje

1. Bloqueo de prompt y escritura en el canvas: confirma que el guion de prompt completo de múltiples tomas con marcas de tiempo, mapeo de letra y lógica de transición esté escrito en el canvas.
2. Generación paralela de tomas: el agente de video genera cada toma de 2–5s a partir de la lista de tomas. Para tomas de continuación, extrae el fotograma final de la toma anterior como el siguiente fotograma inicial de I2V.
3. Edición y costura multipista: el agente de edición importa el Audio Maestro global, alinea todos los videos de las tomas por marca de tiempo, recorta y ajusta la velocidad en la cuadrícula de ritmo, y verifica las uniones con movimiento en la misma dirección o enmascaramiento de flash cut.
4. Finalización: aplica un LUT de película unificado y una superposición de grano de película de 35 mm para reducir la plasticidad de la IA y fijar la consistencia visual.
5. Entrega: exporta el archivo de video MV completo y sin fisuras.