Videoclip de Estética Musical
Propósito
Utiliza esta habilidad cuando el usuario quiera crear, revisar, auditar o generar prompts de videoclips o prompts de cortometrajes emocionales donde la música, las letras, la tipografía, las referencias, el ritmo, la interpretación y el lenguaje de cámara deban diseñarse juntos. El flujo de trabajo adapta las reglas de prompts de videoclips 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 lo uses para inserción de subtítulos común, edición de video genérica, anuncios de productos sin música o solicitudes simples de una sola imagen o un solo clip sin estructura de videoclip.
Reglas de compatibilidad con el Hub
- No asumas herramientas de terceros, scripts de shell, complementos de navegador o API de generación externas.
- Escribe los prompts bloqueados y las revisiones en nodos de texto del canvas del Hub.
- Delega las tarjetas de personaje, tarjetas de escena, tarjetas de tipografía, clips de video, BGM y el ensamblaje final a los agentes de imagen, video, música y edición del Hub.
- No codifiques rutas de salida; usa siempre las rutas devueltas por el Hub.
- Si el usuario dice "omitir 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, detente después de entregarlo. Si el usuario quiere un videoclip terminado, continúa con la generación y el ensamblaje después de la confirmación.
Principios fundamentales
- Comprende el trabajo antes de elegir una estructura. Las plantillas organizan, pero no son formas obligatorias.
- Utiliza la última intención creativa confirmada.
- Omite campos irrelevantes en lugar de rellenar marcadores de posición.
- No añadas mecánicamente interpretación, tipografía, transiciones, movimientos de cámara o acciones de personajes solo porque un preset los incluya.
- El texto en pantalla es una capa visual diseñada, no subtítulos comunes, a menos que el usuario solicite explícitamente subtítulos.
- Si el usuario sube una canción o ritmo real, es la pista musical maestra a menos que solicite un reemplazo.
- Unión natural de múltiples tomas para videos de >15s: cuando la duración excede el límite de generación única del modelo, utiliza "desglose de storyboard de múltiples tomas + continuación de fotograma de cola/cabeza + cortes duros de ritmo + alineación de audio maestro global". Cada segmento debe preservar el mismo ritmo, sensación de tempo, relación de aspecto, lógica de personajes, preset visual, lenguaje de iluminación y reglas de movimiento de tipografía.
- Si el usuario quiere un videoclip de estética musical terminado sin letras, genera y bloquea letras originales primero. El videoclip final debe hacer referencia a la tarjeta de personaje, tipografía y escena juntas. La tarjeta de empaquetado de tipografía controla solo el estilo de empaquetado de texto, textura de fuente, diseño gráfico, relación de diseño y 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 |
| Videoclip panorámico cinematográfico | 21:9 | 2560×1080 |
La relación seleccionada debe reutilizarse en las tarjetas de personaje, escena, referencias tipográficas, prompts de tomas, 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 videoclip. Nunca uses silenciosamente la duración predeterminada del modelo como intención del usuario.
Ofrece una tarjeta de duración compacta:
- Prueba de 10 segundos: una o dos tomas para verificar personaje, escena, tipografía y estilo de audio.
- Gancho de 15 segundos: 2–4 tomas cortas para una frase de estribillo / gancho / interpretación más completa.
- Videoclip completo de 30 segundos o más (unión de múltiples tomas): debido a que muchos modelos tienen un límite de generación única de 15 segundos, usa automáticamente un flujo de trabajo de unión 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 de cabeza/cola.
- Duración personalizada: el usuario proporciona la duración; planifica la cantidad de tomas y la unión según el límite de clip único del modelo seleccionado.
Si existe música subida, la duración confirmada es la longitud de la ventana de música.
1.3 Ventana de música
Si la música subida o especificada es más larga que la duración confirmada, bloquea un segmento antes de escribir los prompts:
- Ventana recomendada: el asistente identifica el estribillo / gancho / giro emocional más fuerte y solicita confirmación.
- Marca de tiempo del usuario: el usuario proporciona segundos de inicio y fin; verifica que ambos estén dentro del audio.
- 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 solicite explícitamente estirarlo o extenderlo.
1.3.0 Bloqueo de letras y recurso de letras primero
Antes de los prompts de video finales o la generación, determina la propiedad de las letras:
- Si el usuario proporciona letras, esas son las letras bloqueadas. No generes, añadas, reescribas, expandas, traduzcas, parafrasees o reemplaces a menos que se solicite explícitamente.
- Si el usuario quiere un videoclip de estética musical terminado sin letras, genera letras originales cortas que coincidan con el estilo musical, modo vocal, duración, emoción y preset visual, luego bloquéalas.
- Las letras bloqueadas son el único texto fuente para la interpretación de rap/canto y la tipografía visible.
- Divide las letras bloqueadas en
Línea de rap:,Línea vocal:,Línea vocal suave:oLínea hablada:de cada toma. - Cada campo
Tipografía:debe provenir de las mismas letras bloqueadas. Durante la interpretación vocal, el texto visible debe coincidir palabra por palabra con la frase interpretada. - En el videoclip de tipografía final, el intérprete debe rapear o cantar las letras bloqueadas 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 Unión predeterminada de múltiples tomas para videos de >15s
Para videoclips de >15s, como 30 segundos, el guion de prompt de múltiples tomas global es la fuente autorizada:
- Bloquear el audio maestro completo: bloquea una canción / pista de BGM continua con la voz y el ritmo completos como única línea base de audio.
- Construir una línea de tiempo de lista de tomas: divide 30 segundos en 4–8 tomas cortas de 2–5 segundos, mapeadas precisamente a las marcas de tiempo de las letras y los ritmos, como caja, 808 y drop.
- Continuidad de fotograma de cabeza/cola y escena: si la Toma B continúa la misma escena, usa el fotograma de cola de la Toma A como fotograma de cabeza de la Toma B. Si es un corte duro, preserva 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.
- 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 a la cuadrícula de ritmo del audio maestro global, recortando, ajustando la velocidad y uniendo para lograr sincronización labial natural, sincronización de ritmo y transiciones.
PASO 2: Contrato creativo
Antes de los prompts finales, crea un contrato creativo conciso:
- Género musical, instrumentación, sensación de tempo/BPM, modo vocal y temperatura emocional.
- Fuente de letras y letras bloqueadas.
- Duración objetivo y desglose de múltiples tomas, p. ej., 30s divididos en 6 tomas cortas.
- Roles de imágenes de referencia: tarjeta de personaje, tarjeta de escena, tarjeta de empaquetado de tipografía.
- Lenguaje de cámara, tamaños de toma, enfoque, densidad de cortes de ritmo y lógica de transición.
- Exclusiones como sin fundidos, sin rostro de belleza AI brillante, sin estiramiento excesivo de una sola toma que cause deformación.
PASO 3: Roles de referencia y muestreo de escena
Asigna a cada imagen de referencia un trabajo específico:
- Tarjeta de referencia de tipografía: controla solo el estilo de empaquetado de texto, textura de fuente, diseño gráfico, relación de diseño y lenguaje de movimiento. No debe contribuir con personas o escenas.
- Tarjeta de referencia de personaje: controla la identidad del personaje, aura facial, peinado, silueta de ropa, proporciones, postura y presencia.
- Tarjeta de referencia de escena: controla el estilo de escena, atmósfera espacial, textura de imagen, profundidad de fondo y ambiente de iluminación.
3.1 Cambio de escena en primer plano y muestreo de múltiples tomas
Para Trap, Dark-pop, Cyber-grunge y otros videoclips de ritmo rápido, cambia rápidamente entre múltiples espacios de primer plano:
- Mantén el ambiente de escena unificado, 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 ser provocados por impactos musicales: golpe de bajo, drop de 808, caja, acento vocal o golpe de tipografía.
- Los cambios de toma son "muestras visuales" sobre el ritmo de trap: cortes duros, cortes de salto, cortes de escaneo-glitch, cortes de destello o cortes de coincidencia de acción.
PASO 4: Gramática de preset, 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 rugosos, desplazamientos de escaneo.
- La edición debe usar solo cortes duros. Sin fundidos, disoluciones o transiciones suaves.
- La imagen y la tipografía responden fuertemente a las señales de ritmo: el rodillo de hi-hat crea micro-sacudidas / saltos de fotograma, la caja desencadena aumento de escala / corte duro / 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, plano medio, fondo u ocluida por hombros / manos.
- El texto nunca debe cubrir los ojos o la expresión facial principal; evita la boca durante la sincronización labial crítica.
- Con voces, las palabras visibles deben coincidir exactamente con las letras interpretadas. 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 global de anclaje de personaje y estética)
Toma 1 (0.0s - 3.5s)
Línea vocal: "..."
Tipografía: "..."
Visual y acción: ...
Cámara y movimiento: ...
Transición de salida: corte duro a Toma 2 en golpe de bajo / barrido whip 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 unión natural de múltiples tomas
6.1 Continuidad de audio global
Todo el videoclip debe vincularse a una pista de audio maestro. Durante la generación de video segmentado, no uses clips de audio independientes desconectados. Todos los clips de video se alinean a sus marcas de tiempo correspondientes en la línea de tiempo del audio maestro durante el ensamblaje de edición.
6.2 Protocolo de unión natural
Para la unión de >15s, aplica cinco bloqueos de continuidad:
Continuidad vocal y de labios: Los puntos de corte deben caer en pausas de letras, respiraciones, caja o drop. No hagas corte duro dentro de una vocal o letra activa 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 caer en 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 el ritmo.
Gradación de color y estética: 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 diferencias de color entre lotes.
Continuidad de transición y movimiento: Para la continuación de una toma larga, usa el fotograma de cola anterior como el siguiente fotograma de cabeza y solicita continuación de la acción. Para cambios duros de escena, usa continuidad cinética como paneo en la misma dirección o corte de coincidencia de oclusión de mano.
Unión de movimiento de tipografía: El texto en la toma anterior debe romperse, barrerse 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 usado automáticamente el desglose de múltiples tomas?
- ¿Está bloqueado un audio maestro global y los puntos de corte están alineados con el ritmo?
- ¿Los cortes evitan pausas vocales a mitad de letra, con continuidad natural de labios y respiración?
- ¿Las tomas adyacentes tienen una lógica de unión clara, como continuación de cola/cabeza, movimiento en la misma dirección, corte de coincidencia o corte duro de ritmo?
- ¿El estilo de edición es estrictamente de corte duro, sin fundidos ni transiciones suaves?
- ¿Las tarjetas de personaje / escena / tipografía están aisladas sin contaminación cruzada?
- ¿La tipografía es una capa espacial que nunca bloquea los ojos o la expresión facial principal?
- ¿La calidad de imagen, el grano, el color y la iluminación son consistentes globalmente?
PASO 8: Entrega al canvas
Después de que el guion de prompt del videoclip completo esté bloqueado, escríbelo en un nodo de texto del canvas dedicado llamado Prompt completo del videoclip o 完整MV Prompt. El nodo debe contener el guion de prompt de múltiples tomas completo y las notas de unión. Las revisiones posteriores actualizan el mismo nodo.
PASO 9: Generación final del videoclip y flujo de trabajo de ensamblaje
- Bloqueo de prompt y escritura en canvas: confirma que el guion de prompt de múltiples tomas completo con marcas de tiempo, mapeo de letras y lógica de transición esté escrito en el canvas.
- Generación paralela de tomas: el agente de video genera cada toma de 2–5s a partir de la lista de tomas. Para las tomas de continuación, extrae el fotograma de cola de la toma anterior como el siguiente fotograma de cabeza de I2V.
- Edición y unión 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 corte rápido.
- 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.
- Entrega: genera el archivo de video del videoclip completo y sin costuras.