Videogen-Wan - 中文视频生成技能
概述
使用三家提供商(阿里云百炼 DashScope、火山引擎方舟 Jimeng/即梦、MiniMax 海螺 AI)的中文视频模型生成短视频片段。
根据你提供的输入,自动选择四种模式:
| 模式 | 输入 | 默认模型 |
|---|---|---|
| t2v 文生视频 | 仅提示词 | wan2.7-t2v-2026-04-25(百炼) |
| i2v 图生视频 | 提示词 + --image | wan2.6-i2v-flash(百炼) |
| kf2v 首尾帧 | 提示词 + --image + --last-frame | pixverse/pixverse-c1-kf2v(百炼) |
| r2v 参考生视频 | 提示词 + --ref(1-7 张图片) | pixverse/pixverse-c1-r2v(百炼) |
视频生成是异步的:脚本提交任务后每 10 秒轮询一次,长任务可能需要 10–15 分钟,完成后下载 MP4。结果 URL 24 小时后过期,因此脚本总是立即下载。
本地图片:万相和 HappyHorse 直接接受 base64 数据 URI;PixVerse、可灵和 Vidu 只接受公网 URL,因此脚本在上传前会自动将本地文件上传至百炼临时存储(48 小时有效的 oss:// URL)。即梦将本地文件转换为 base64;MiniMax 通过其文件 API 上传。
何时使用此技能
- 用户要求:生成视频 / 文生视频 / 图生视频 / 首尾帧 / 参考生视频,或根据提示词/图片制作视频片段
- 用户提到中文视频模型:万相/Wan、爱诗/PixVerse、可灵/Kling、Vidu、HappyHorse、即梦/Jimeng、海螺/MiniMax
- 用户需要 B-roll、动画静帧、角色一致性剪辑或两帧之间的过渡
工作流程
第 0 步:提示词打磨(交互式)
关键——始终对 t2v/i2v 生成执行此步骤。 用户提示词通常太短、模糊或缺少视频模型所需的关键视觉细节。Claude 扮演提示词工程师,在生成前打磨提示词。
0.1 分析用户的原始输入
提取已有内容和缺失内容:
| 维度 | 检查内容 |
|---|---|
| 主体 | 谁/什么是主要焦点?描述外观、动作、表情 |
| 场景 | 在哪里发生?背景、环境、氛围 |
| 光线 | 一天中的时间?光线质量?(黄金时段、霓虹灯、柔和的漫射光、逆光) |
| 镜头 | 镜头类型?(特写、广角、航拍、跟拍)。运动方式?(推近、平移、环绕) |
| 情绪/风格 | 情感基调?视觉风格?(电影感、动漫、纪录片、超现实) |
| 运动 | 什么在运动?如何运动?速度、方向、动态 |
| 时间序列 | 是否有序列?开始→中间→结束? |
0.2 生成三个优化变体
以表格形式呈现3 个变体,每个具有不同的创作方向:
| # | 风格方向 | 优化后提示词 | 建议参数 |
|---|---------|-------------|---------|
| 1 | [风格名] | [完整中文提示词] | 5s / 16:9 / 1080P |
| 2 | [风格名] | [完整中文提示词] | 8s / 16:9 / 1080P |
| 3 | [风格名] | [完整中文提示词] | 5s / 9:16 / 1080P |
变体设计原则:
- 变体 1:忠于原意——保留用户的核心创意,添加丰富的视觉细节,电影画质
- 变体 2:创造性发散——对同一核心创意进行不同的艺术诠释
- 变体 3:实用主义——针对特定平台格式(竖屏短视频、可循环片段等)优化
视频模型提示词编写规则:
- 使用中文编写(所有支持的模型都为中文优化)
- 将主体和核心动作放在开头(前 20 个字符最重要)
- 使用具体的视觉名词("金色麦田"),而非抽象概念("丰收的感觉")
- 明确描述运动("缓缓推近"、"随风飘动"、"从远到近奔跑")
- 在结尾添加镜头和光线提示("电影感镜头"、"逆光剪影"、"浅景深")
- 保持在 150 个字符以内——视频提示词不是小说
- 对于万相 2.7 多镜头:使用
第N个镜头[N-Ns]: 描述格式
0.3 用户反馈循环
呈现三个变体后,要求用户选择或提供反馈。接受以下修改关键词:
| 用户说 | 操作 |
|---|---|
| "用第N个" / "N" | 原样使用变体 N |
| "更诗意" / "更浪漫" | 用更诗意的语气重新生成所有三个变体 |
| "更简洁" | 简化到核心内容,更短的提示词 |
| "加动态元素" | 添加更多运动、动作、动态 |
| "改为夜景" / "下雪" / 等 | 对所有变体应用特定场景更改 |
| "混合1和3" | 将变体 1 的主体与变体 3 的风格结合 |
| "直接用" / "不改了" | 跳过打磨,使用原始提示词 |
| 自定义反馈 | 应用反馈并重新生成 |
迭代直到用户明确批准提示词(说"好"、"可以"、"用这个"、"生成吧"等),然后继续执行第 1 步。
0.4 跳过条件
在以下情况跳过打磨:
- 用户明确说"直接生成" / "不用优化" / "skip"
- 提示词已经详细(> 80 个字符且已包含视觉细节)
- 模式为 kf2v/r2v(参考图片是主要输入)
第 1 步:决定模式和提供商
根据批准的提示词以及任何 --image/--last-frame/--ref 输入,确定:
- 模式:t2v / i2v / kf2v / r2v(自动检测)
- 提供商:使用
--provider标志或从模型名称自动检测 - 模型:使用
--model标志或提供商/模型默认值 - 参数:持续时间、分辨率、比例来自变体建议或用户覆盖
第 2 步:确认并生成
向用户展示最终命令并确认(尤其是长/昂贵的生成)。运行脚本;脚本会阻塞直到任务完成并保存 MP4。
第 3 步:交付
报告输出路径、文件大小和生成时间。如果未指定输出路径,则保存到当前工作目录。
费用提示:视频 API 按输出秒数计费。对于长片段或多个片段,在提交前与用户确认。
提供商
阿里云百炼
一个 API 密钥(DASHSCOPE_API_KEY)覆盖所有五个模型系列。第三方模型(PixVerse/可灵/Vidu/HappyHorse)仅限北京区域(cn)。
火山引擎方舟(即梦)
通过 ARK_API_KEY 进行简单的 Bearer 令牌认证。使用方舟内容生成 API(https://ark.cn-beijing.volces.com/api/v3)。支持 t2v 和 i2v,支持原生音频、口型同步和镜头运动控制。
MiniMax 海螺 AI
通过 MINIMAX_API_KEY 进行简单的 Bearer 令牌认证。三步异步流程(提交 → 查询 → 获取下载 URL)。支持 t2v 和 i2v。
模型
万相(阿里云百炼)
| 模型 | 模式 | 分辨率 | 时长 | 备注 |
|---|---|---|---|---|
wan2.7-t2v-2026-04-25 | t2v | 720P/1080P | ≤15s | t2v 默认。多镜头:第N个镜头[N-Ns]: ... |
wan2.5-t2v-preview | t2v | 480P-1080P | 5/10s | 生成音频,支持 --no-audio |
wan2.2-t2v-plus | t2v | 480P/1080P | 5s | 稳定质量 |
wanx2.1-t2v-turbo / -plus | t2v | 480P-720P | 3-5s | 快速/廉价 |
wan2.6-i2v-flash | i2v | 720P/1080P | 2-15s | i2v 默认,支持 --no-audio |
wan2.6-i2v | i2v | 720P/1080P | 2-15s | 最佳 i2v 质量 |
wan2.5-i2v-preview | i2v | 480P-1080P | 5/10s | 音频 |
wan2.2-i2v-plus / -flash | i2v | 480P-1080P | 5s | 静默 |
wanx2.1-i2v-turbo / -plus | i2v | 480P-720P | 3-5s | 特效模板 |
爱诗 PixVerse(百炼第三方)
pixverse/pixverse-{c1,v6,v5.6}-{t2v,it2v,kf2v,r2v} — 例如 pixverse/pixverse-c1-it2v
- c1/v6:时长 1-15s,360P-1080P;v5.6:5/8/10s(1080P:仅 5/8s)
- c1 擅长动态场景/战斗/高速运动;v5.6 为旧版
it2v= 首帧 i2v,kf2v= 首尾帧,r2v= 1-7 张参考图片,带@ref_name提示词语法- 默认关闭音频,使用
--audio启用
可灵 Kling(百炼第三方)
kling/kling-v3-video-generation,kling/kling-v3-omni-video-generation
- 一个模型代码涵盖 t2v/i2v/kf2v——模式由附加的媒体决定;omni 添加参考图片(
--ref) - 时长 3-15s;分辨率通过模式决定:1080P→
pro,否则std(720P);比例 16:9/9:16/1:1
Vidu(百炼第三方)
vidu/viduq3-{pro,turbo}_{text2video,img2video,start-end2video},vidu/viduq2*
- q3:1-16s,支持音频(
--audio);q2:1-10s,无音频 - 540P/720P/1080P;
start-end2video= 首尾帧
HappyHorse(百炼第三方)
happyhorse-1.1-t2v,happyhorse-1.0-t2v,happyhorse-1.1-i2v,happyhorse-1.0-i2v
- 3-15s,720P/1080P;t2v 支持多种比例;i2v 匹配输入图片比例
即梦 Jimeng(火山引擎方舟)
| 模型 | 模式 | 分辨率 | 时长 | 备注 |
|---|---|---|---|---|
doubao-seedance-2-0-260128 | t2v/i2v | 最高 2K | ≤15s | 默认。音频、口型同步、镜头控制 |
doubao-seedance-2-0-fast-260128 | t2v/i2v | 最高 1080P | ≤15s | 快速变体 |
doubao-seedance-1-5-pro-251215 | t2v/i2v | 最高 1080P | 智能 | 音频,智能时长 |
doubao-seedance-1-0-pro | t2v/i2v | 最高 1080P | — | 标准 v1 |
- 认证:
ARK_API_KEY(Bearer 令牌) - API:
https://ark.cn-beijing.volces.com/api/v3 - 本地图片自动编码为 base64 数据 URI
- 比例:16:9、9:16、1:1、21:9 等
MiniMax 海螺 AI
| 模型 | 模式 | 分辨率 | 时长 | 备注 |
|---|---|---|---|---|
video-01 | t2v/i2v | 720P | 6s | 涵盖两种模式 |
- 认证:Bearer 令牌(
MINIMAX_API_KEY) - 本地图片通过 MiniMax 文件 API 自动上传
- 提示词优化器默认启用
提示词打磨示例
这些示例展示了第 0 步交互式打磨的实际操作。
示例 1:模糊的简短提示词
用户:"生成视频:一只猫"
Claude 回应:
你的原始提示词比较简短,我帮你打磨了三个版本:
# 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 你喜欢哪个方向?也可以说"更诗意""改为雪景""混合1和2"等。
示例 2:迭代打磨
用户:"第二个不错,但是我想改成在森林里"
Claude 用森林场景重新生成变体 2,或许调整所有三个:
好的,以森林为场景重新打磨:
# 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 哪个更接近你想要的?
用户:"用第1个,生成吧"
Claude 运行带有批准提示词的脚本。
用法
文生视频
# 百炼(默认)
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
# 即梦
python scripts/generate_video.py "一只柴犬在樱花树下奔跑" shiba.mp4 \
--provider jimeng --duration 5
# 海螺 AI
python scripts/generate_video.py "一只柴犬在樱花树下奔跑" shiba.mp4 \
--provider minimax --duration 6
图生视频
python scripts/generate_video.py "镜头缓缓推近,人物微笑" out.mp4 --image portrait.png
# 或使用第三方模型(本地文件自动上传):
python scripts/generate_video.py "cinematic dolly-in" out.mp4 \
--image portrait.png -m pixverse/pixverse-c1-it2v
# 即梦 i2v:
python scripts/generate_video.py "镜头缓缓推近" out.mp4 \
--image portrait.png --provider jimeng
首尾帧(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
参考生视频(r2v)
python scripts/generate_video.py "@girl 在 @cafe 里弹吉他" out.mp4 \
--ref girl=girl.png --ref cafe=cafe.jpg
恢复长时间运行的任务
python scripts/generate_video.py --task-id <task-id> out.mp4
选项
| 标志 | 含义 | 默认值 |
|---|---|---|
--provider | bailian / jimeng / minimax | 自动检测 |
-m/--model | 模型名称 | 按模式自动选择 |
-i/--image | 首帧图片(路径/URL) | — |
--last-frame | 尾帧图片 → kf2v | — |
--ref | 参考图片 name=path_or_url,可重复 → r2v | — |
-d/--duration | 秒数 | 5 |
-r/--resolution | 360P/480P/540P/720P/1080P | 1080P |
--ratio | 16:9 或 9:16 | 16:9 |
-s/--size | 基于尺寸模型的精确 W*H | 来自分辨率+比例 |
-n/--negative | 负面提示词(仅限万相) | — |
--no-prompt-extend | 禁用提示词重写(仅限万相) | 扩展开启 |
--audio | 在 PixVerse/可灵/Vidu 上启用音频 | 关闭 |
--no-audio | 万相音频模型静默输出 | 音频开启 |
--seed | 可复现性(不可灵) | 随机 |
--task-id | 恢复轮询现有任务(百炼) | — |
--list-models | 列出模型并退出 | — |
依赖
pip install requests
环境变量
| 变量 | 是否必需 | 提供商 | 用途 |
|---|---|---|---|
DASHSCOPE_API_KEY | 是(百炼) | 百炼 | 百炼 API 密钥 (https://bailian.console.aliyun.com/) |
DASHSCOPE_API_BASE | 否 | 百炼 | cn(默认)/ sg / us 或完整 URL |
DASHSCOPE_VIDEO_MODEL | 否 | 百炼 | 默认模型覆盖 |
ARK_API_KEY | 是(即梦) | 即梦 | 火山引擎方舟 API 密钥 (https://console.volcengine.com/ark/) |
MINIMAX_API_KEY | 是(MiniMax) | MiniMax | MiniMax API 密钥 (https://platform.minimax.io) |
百炼上的第三方模型(PixVerse/可灵/Vidu/HappyHorse)仅限北京区域(cn)。
模型选择指南
| 用例 | 模型 | 提供商 |
|---|---|---|
| 最佳质量的文生视频,多镜头故事 | wan2.7-t2v-2026-04-25 | 百炼 |
| 快速动作/战斗场景 | pixverse/pixverse-c1-t2v | 百炼 |
| 智能故事板,原生视听 | kling/kling-v3-video-generation | 百炼 |
| 长达 16 秒的带音频片段 | vidu/viduq3-pro_text2video | 百炼 |
| 抖音/小红书短视频风格 | doubao-seedance-2-0-260128 | 即梦 |
| 平滑运动,自然物理 | video-01 | MiniMax |
| 图片动画化(默认) | wan2.6-i2v-flash | 百炼 |
| 两帧之间的过渡 | pixverse/pixverse-c1-kf2v 或 vidu/viduq3-pro_start-end2video | 百炼 |
| 角色/主体一致性 | pixverse/pixverse-c1-r2v 或 kling/kling-v3-omni-video-generation | 百炼 |
| 廉价草稿 | wanx2.1-t2v-turbo,happyhorse-1.0-t2v | 百炼 |
示例
# 抖音/小红书竖屏短视频
python scripts/generate_video.py "赛博朋克都市夜景,霓虹灯光映照湿漉漉的街道,一名科幻装束的女性在雨中漫步,无人机航拍视角缓缓下降" short.mp4 \
--ratio 9:16 --duration 8 --provider jimeng
# 从第一帧图片生成并添加音频
python scripts/generate_video.py "慢动作特写,花瓣从指间飘落" out.mp4 \
--image hand.jpg --audio
# 使用致远 2.7 多镜头故事板
python scripts/generate_video.py \
"第1个镜头[0-3s]: 一个宁静的湖面,晨雾缭绕,电影感镜头。第2个镜头[3-7s]: 一艘木船从画面右侧缓缓划入,船桨拨动水面泛起涟漪。第3个镜头[7-10s]: 船上的老渔夫抬头望向远方,朝阳映照在他的脸上" \
story.mp4 --duration 10 --model wan2.7-t2v-2026-04-25