使用AI生成
生成很容易。难的是看起来真实、不虚构任何内容，并且不在一下午耗尽预算。本技能在支出前做出决策：是否需要生成、使用哪个模型、成本多少、先展示什么。
1 · 生成之前
- 读取目标格式： 垂直或水平、帧率、片段的精确时长。有一次我们生成了八个垂直视频，但它们本应放在一个水平合成中。
- 是否需要生成？ 按优先级顺序：实际素材（客户或自己的，包括已付费但未使用的镜头）→ 授权素材库（也有免费的真实视频）→ 免费3D模型（CC0或MIT协议）→ 生成。如有疑问，优先使用真实镜头。
- 根据画面内容选择模型（第2节）。
- 预算，始终要做。 制定计划（每次变体都算，再加上一次实际的重做），然后通过“预算”技能（
skills/presupuesto/；工具是herramientas/presupuesto.py，位于包根目录）。OK则生成；PREGUNTAR等待审批；PARAR则不生成。如果模型不在herramientas/precios.json中，不要虚构价格。 - 查看账户余额，在进行大批量生成之前：其他会话可能已经花掉了额度。
- 先展示： 一个关键帧或短片段，而不是直接整批输出。
- 之后： 先由你本人检查结果再展示，说明问题所在，并记录实际支付金额（
presupuesto.py registrar）。
2 · 什么情况下用哪个模型
截至2026年11月已验证的目录。变化很快：如果有新模型出现，在获得许可后先进行一次生成测试。
| 画面中有… | 使用 | 注意 |
|---|---|---|
| 客户的实际产品（硬质、带标签） | 从真实照片使用Kling 3.0，仅移动相机 | Seedance等模型会改变部件并重写标签 |
| 逐步变换的产品 | 固定首尾帧的Seedance 2.5 | Kling绘制液体会更好 |
| 有人物的场景 | Seedance 2.5（omni_reference，图像作为起始帧） | 若要复制真实镜头的运动：使用Seedance 2.0配合video_references和audio_references中的声音 |
| 看起来不像AI的人物 | 真实视频素材，或HeyGen text_to_video不使用图像，用真实拍摄提示词 | 卡通风格参考会拖累其风格 |
| 无法拍摄的内容 | Veo 3.1或Gemini Omni Flash | 描述素材并禁止文字（第5节） |
| 相同运动不同外观 | Seedance 2.5 video_edit | 不能将玻璃换成水：那需要重新生成 |
| 在你的视频中替换主角 | Higgsfield Genjutsu（改变对象） | 仅使用自有或拥有版权的素材：他人的参考需要研究，不能复制 |
| 关键帧和静态图像 | nano_banana_pro（2k分辨率、目标宽高比、参考）或GPT Image | |
| 帧中多余的元素 | 在蒙版内使用GPT Image | |
| 会说话的动画角色 | 在绿幕上使用OmniHuman，然后合成 | |
| 语音 | ElevenLabs，也可以在Higgsfield内部使用 | 克隆仅在有许可的情况下 |
| 音乐和音效 | ElevenLabs | Higgsfield不制作音乐或音效：其音频是语音 |
| 在真实镜头上做唇形同步 | ElevenLabs工作流（Sync 3、Sync 2 Pro、Veed） | 不接受真实人物的生成视频 |
| 3D人物或物体 | 优先使用免费资源：Microsoft Rocketbox (MIT)、Quaternius (CC0) | 下载需确认：来源、许可和大小 |
Kling 4.0（2026年10月：最多10个关键帧和15个参考）待测试。
在重新设计方法之前，先尝尽目录中的模型。 测试另一个模型的成本低于半小时的遮罩工作。
3 · 不可破坏的原则
预算和重试
- 没有任何生成不经预算技能。 一个视频模型可能为每个片段收取数十个积分，七次尝试就会消耗一半预算。
- 无理由的失败只重试一次，而不是整个批次。 重复一次生成调用会收取两次费用。
客户的产品（详情见 references/producto-real.md）
- 是再现，而非重新创建。 图像到视频以照片为灵感，但会改变比例、部件和标签。如果广告展示的是无法交付的东西，那就是在撒谎，而且了解产品的人一眼就能看出来。
- 有效的方法： 将真实照片裁剪出透明背景放在摄影棚中，只要求模型移动相机，并逐条列出禁止事项。大轨迹轨道会迫使模型凭空创造照片未展示的面。
- 产品不可触碰比任何运动改进都重要。 如果模型无法实现运动，则使用静态照片并在编辑器中手动制作动画：零风险。
- “不一定是原图”不代表允许虚构形状。 3D模型或渲染必须逐位置复制真实照片和视频。先完成经批准的360度素材，再制作视频。凭记忆制作的3D模型看起来像“拼得很差的乐高”。
- 生成的内容用于非产品的部分： 背景、光照、环境、抽象的工作原理。
人物和角色（详情见 references/personas-y-voz.md）
- 在同一段画面中保持同一个人物；每段画面使用不同人物。 在段落内，批准的人像是所有镜头的参考。不同段落之间不重复人脸或产品：两张广告中使用同一张脸会暴露造假痕迹。
- 人脸与产品必须匹配。 如果产品变了，人脸和场景也要变。从一个不相关的段落中重用销售员，最终导致她在谈论面包的对话中卖面包。
- 客户的客户可以在同一条广告中重复出现： 他们是同一个人继续写作。
- 真实人物的脸不能从零生成。 没有一个模型能保持住：结果都是“相似的兄弟”。可以制作2-3秒的动画，或使用他们自己的真实镜头；AI仅用于背景。
- 某人的声音或面孔仅在得到其许可且委托方提出要求时使用。
- 生成的证言是风格明确的动画角色。 用AI生成的逼真人物会被认为是真实证言。
如何修正
- 草图被拒 = 从已批准的版本编辑，而不是重新生成。 将已通过审核的图像作为参考，写明“keep exactly”并附上一段简短的修改列表。从零生成导致了两次被拒；逐步编辑后成功。
- 两次被拒后没有方向，不要盲目进行第三次。 说明你的理解并请求一张图像或一句话。如果对方改变了主意，参考他们最后说的内容。
- 修改某个片段时只重新生成该片段，使用相同的起始和结束帧，以便拼接仍能对齐。
- 尽可能不重新生成直接修复（变形标签、多余的人物、过慢的镜头）：请参考 references/composicion-y-arreglos.md。
- 盲选： 将不同语音或版本以相同音量播放，但不告知来源。如果对方凭运气猜对了，则说明两者差异不明显。
生成的内容
- 画面内容必须与语音匹配。 镜头的动作要对应配音句子，而不是主题插图。
- 生成的场景中要有动态。 相机和动作都要动：提示词应包含
THINGS MOVE、具体动作和CAMERA MOVES: a steady dolly-in…ending noticeably tighter。只有产品才保持静态。 - 不能有虚构的文字。 逐字检查每个标签；如果不需要文字，请在提示词中禁止。
- “看起来像实拍”的绿幕合成有局限性，需要提前说明。 如果现实主义很重要，则一起生成场景或进行实拍（请参考合成与修复）。
- 低价值趋势： 一次生成即可交付。不要做四个版本或分段重做长视频。
4 · 参数
| 项目 | 数值 |
|---|---|
| 产品：相机推进 | 12% 至 15% |
| 产品：横向旋转 | 最多 10° |
| 在编辑器中放大Kling片段 | 最多 4%（片段已有自身推进） |
| 从真实帧制作动画动作 | 2 至 3 秒 |
| 剪辑间淡化过渡 | 4 帧 |
| 唇形同步 | 每个句子录制 2 次；允许 ±3 帧的偏移 |
| 主持人上的推镜效果 | 0.3 至 0.5 秒的推入；0.15 秒的快速推入会被认为是偏移 |
| 用于克隆语音的样本（Higgsfield） | 10 秒至 3 分钟的 MP3 |
| 绿幕：背景模糊 | 最多 1.2 像素，否则标签会难以辨认 |
| 必须保持静止的部分 | 移动少于 1 像素 |
| 连续拒绝次数，之后需询问 | 2 |
| 无理由失败的重试次数 | 1 |
5 · 已知技术陷阱
- 上传本地照片到Higgsfield：
media_upload→curl -X PUT --data-binary @archivo "<url>"→media_confirm。不需要widget。起始和结束帧通过图像任务的ID传入。 - Higgsfield的预设推荐程序会阻塞
generate_video，它会应用一个不相关的预设且不创建任务。重新发送，并在请求中加入declined_preset_id，值设为该错误的ID（每次尝试不同）。由于未创建任何内容，不会收费。 - Kling的“固定相机”会滑动，在5秒内约滑动12像素。如果要在其基础上合成，请使用背景稳定化。
- Kling当起始帧和结束帧差异很大时会出现融合（约2.5秒处双重曝光），而不是移动相机。使用效果好的部分，并通过剪辑完成过渡。
- Seedance会重写标签（例如，双倍网站字母）。检查所有品牌文字。
- 长视频的AI重构图不可靠： 它虚构了约5秒镜头且吃掉了剪辑点。要转为垂直格式，请跟随主角裁剪。
- 保留原始运动的视频编辑器会累加而非替换： 将一个手机放在手中最终出现了三只手（Runway Aleph；此外它要求最多30fps，输出612×1088）。
- 特殊材料： 描述它们（如“不透明、镜面、铬色熔融”用于液态金属），并在否定提示词中禁止模型容易混淆的内容（水、珍珠）。水必须看起来是水：一个光滑的球体看起来像玻璃。
- 未要求的文字： 一个模型在背心上写了英文“POLICE”。如果不想要文字，请禁止。
- 浅色背景上的高光和全息效果： 混合模式“screen”在白色上会消失。输出自带alpha通道的视频。
- 要用于编辑的片段只导出视频并裁剪到精确时长。 放置一个带音频的生成片段有时会删除语音轨道；放置后要检查。
- 重复文件： 使用
md5比较新片段的头像或产品与之前的片段。曾有三个“不同”的片段使用了同一个复制文件。
成本参考 2026年9月至11月间观察（可能会变：请在服务中验证并使用 precios.json）：Kling 3.0 9:16比例，1.25到1.5积分/秒（4K模式下，5-8秒片段约48积分）；Seedance 2.0 4K，176积分/片段；Genjutsu 1080p，约20.6积分/秒；45秒AI重构图，561积分；HeyGen text_to_video，1080p 5秒 9积分；使用Sync 3的唇形同步，约1.8美元/10秒。
6 · 交付内容与验证
交付内容： 目标格式的文件（分辨率、帧率和精确时长；如果要用于编辑，仅视频），以及每个文件的模型、提示词、参考图像和记录的成本。问题要说明，不可隐藏。
需验证，并在交付时说明：
- 标签和文字，逐字检查。
- 产品与其真实照片并排对比：比例、部件数量、每个部件的位置。
- 同一张脸在段落的所有镜头中保持一致，且与之前段落不同（
md5）。 - 手、手指和物体是否出现或消失。
- 固定部分是否固定：不应移动的部件移动量小于1像素。
- 格式、帧率和时长与目标一致。
- 费用已记录且未超出段落预算上限。