全息讲解 (Holographic Explainer)
将用户提供的脚本和参考图像转化为精美的多段式H3视频提示,包含角色讲解、全息UI交互及完整的旁白覆盖。每个片段都是独立可用的Ref2VA提示。本技能完全自包含,不依赖任何其他技能。
适用场景
- 角色讲解员通过全息UI交互来解释某个主题
- 产品教程、技术指南或教育类讲解需要用于短视频的提示
- 需要将旁白脚本拆分为定时片段并完整覆盖
- 硬件/软件对比需要全息可视化
不适用场景:
- 没有角色参考图像
- 用户需要不带讲解员的纯B-roll素材
- 用户只需要书面脚本,不需要视频提示
必需输入
用户必须提供:
- 角色参考图像(图片1):定义讲解员的身份、面部、发型、眼镜、服装、配饰。
- 环境参考图像(图片2):定义房间布局、色调、家具、灯光氛围。
- 旁白脚本:需要在所有片段中完整讲述的文字。
可选输入:
- 讲解员名称:镜头前的身份标识。默认为“Presenter”。
- 最大片段时长:默认为15秒。用户可以指定任意值。
- 旁白音频时长:如果提供,用于计算实际语速。
- 语速:如果用户直接指定(例如“4 个字/秒”),则跳过估算。
- 风格方向:用户自由表达(例如成熟、休闲、专业、俏皮、性感而专业)。仅影响表演,不影响外观。
- 宽高比:用户在视频生成软件中设置。本技能不硬编码。
- 旁白语言:默认为中文。
参考文件
本技能包含三个自包含的参考文件:
| 文件 | 用途 |
|---|---|
references/ref2va-format-guide.md | 完整的Ref2VA六段式格式规范,包括镜头规则、摄影机词汇、对话标签和连续性检查清单 |
references/narration-budget-guide.md | 语速估算、字数统计规则、片段拆分算法和验证标准 |
references/hologram-library.md | 12种全息类型、内容匹配规则、交互词汇和颜色推导规则 |
请务必在每一步按照指示阅读对应的参考文件。
步骤1:解析输入
1.1 提取角色身份(来自图片1)
使用以下强制属性描述角色:
- 种族的年龄范围
- 发型:风格、长度、颜色、显著特征(蝴蝶结、发带等)
- 眼镜:镜框类型、颜色、是否有链或带
- 上衣:颜色、风格、领口
- 配饰:首饰、项链、蝴蝶结
- 化妆风格:自然、浓艳、奢华
1.2 提取环境(来自图片2)
使用以下强制属性描述环境:
- 桌子:类型、颜色、形状
- 电脑/设备:类型、颜色
- 照明:灯具类型、灯罩颜色、LED灯带、环境氛围
- 椅子:材质、颜色、底座
- 书架:类型、内容
- 花/植物:类型、颜色
- 墙面装饰:带框印刷品、标牌
- 整体色调和氛围
1.3 解析脚本
- 保留原脚本原样
- 使用
references/narration-budget-guide.md中的规则统计总字数 - 识别内容特征:技术密度、对话性标记、情感标记
1.4 确定风格
- 阅读用户提供的风格描述(如果有)
- 不要强加固定风格。用户自由表达。
- 风格仅影响表演和旁白表达方式,不影响角色外观。
步骤2:计算旁白预算
阅读references/narration-budget-guide.md以获取完整指南。
2.1 确定语速
优先级顺序:
- 如果用户提供了音频时长:
rate = total_chars / audio_duration - 如果用户直接指定了语速:使用该值
- 否则:根据内容密度估算(参见narration-budget-guide.md)
2.2 计算每段预算
hologram_pause_total = 该片段中所有全息交互停顿的总和
(最少2次交互,每次根据复杂度0.5-2.0秒)
available_chars = speech_rate * (max_segment_duration - hologram_pause_total)
2.3 输出预算表
| 参数 | 值 |
|---|---|
| 脚本总字数 | XXX |
| 语速 | X.X 字/秒 |
| 最大片段时长 | XX 秒 |
| 每段全息停顿 | X.X 秒 |
| 每段可用字数 | XX |
步骤3:将脚本拆分为片段
阅读references/narration-budget-guide.md以获取完整的分割算法。
3.1 语义分割
- 在标点符号处将脚本拆分为句子单元(句号、问号、感叹号、分号)。
- 使用字数统计规则计算每个句子的字数。
- 将句子贪婪地打包到片段中,不超过
available_chars。
3.2 长句处理
- 如果单个句子超过
available_chars,则在逗号处拆分。 - 后半部分移至下一个片段开头。
- 可以在下一个片段开头添加过渡词(计入预算)。
3.3 严格文本保留
关键:旁白文本必须与用户提供的完全一致。不允许:
- 添加或删除任何词语、助词或填充词
- 调整词序
- 在片段之间添加过渡词
- 改写或重新措辞任何部分
- 缩写或扩展任何文本
唯一允许的操作是在句子边界或逗号边界处拆分原始文本以进行分段。原始脚本的每个字符必须出现在且仅出现在一个片段中,按原始顺序。
3.4 输出片段表
| 片段 | 字数 | 旁白时长 | 全息停顿 | 总时长 | 旁白文本 |
|-----|-------|-------------------|----------------|----------------|----------------|
| 1 | XX | XX.Xs | X.Xs | XX.Xs | "..." |
| 2 | XX | XX.Xs | X.Xs | XX.Xs | "..." |
3.5 验证
- 每个片段的总时长 <= 最大片段时长
- 所有片段拼接后与原始脚本完全匹配(零修改)
- 没有句子被中途截断(长句的逗号拆分除外)
步骤4:设计全息交互
阅读references/hologram-library.md以获取完整的类型库和词汇表。
4.1 最低要求
- 每个片段必须至少包含2个全息交互元素。
- 相邻片段应使用不同的类型组合。
4.2 内容匹配
对于每个片段,选择与旁白内容匹配的全息类型:
- 数字/规格 -> 数据面板、卡片组
- 步骤/流程 -> 流程图、进度条
- 对比/选择 -> 对比板、卡片组
- 警告/问题 -> 警告图标、翻转卡
- 结果/完成 -> 确认徽章、曲线图
- 历史/版本 -> 时间轴丝带
- 产品/模型 -> 3D模型旋转、数据面板
- 趋势/性能 -> 曲线图
- 架构/关系 -> 地图/拓扑
- 功能/关键词 -> 标签云
4.3 编排每个全息元素
对于每个全息元素,指定全部四个步骤:
- 召唤:它如何出现(物质化、淡入、弹出、滑入...)
- 交互:讲解员做什么(点击、捏合、翻转、滑动...)
- 响应:它如何反应(翻转以揭示、展开、脉冲、改变颜色...)
- 退出:它如何消失(分解为粒子、淡出、缩小...)
4.4 推导颜色调色板
- 从环境参考图像(图片2)中提取主色。
- 使用
references/hologram-library.md中的颜色规则映射到全息颜色。 - 保持所有片段的全息颜色一致。
4.5 输出全息设计表
| 片段 | 全息ID | 类型 | 内容 | 召唤 | 交互 | 响应 | 退出 | 时长 |
|-----|-------------|------|---------|--------|----------|---------|------|----------|
| 1 | H1 | ... | ... | ... | ... | ... | ... | X.Xs |
| 1 | H2 | ... | ... | ... | ... | ... | ... | X.Xs |
| 2 | H3 | ... | ... | ... | ... | ... | ... | X.Xs |
| 2 | H4 | ... | ... | ... | ... | ... | ... | X.Xs |
步骤5:生成Ref2VA提示
阅读references/ref2va-format-guide.md以获取完整的格式规范。
对于每个片段,输出包含所有六个部分的完整Ref2VA提示:
5.1 subject_definitions
定义主体1(角色)、主体2(环境)、图片1、图片2。
- 所有片段保持定义一致。
- 从步骤1.1中提取角色描述。
- 从步骤1.2中提取环境描述。
5.2 summary
一段英文摘要,以[reference generation]前缀开头。
- 说明讲解员在哪里、做什么、使用哪些全息元素。
- 引用所有标签:
<Subject 1>、<Subject 2>、<Picture 1>、<Picture 2>。 - 说明片段时长。
5.3 retention_analysis
每个参考标签一行,全部为fully_preserved。
- 列出哪些具体属性被保留。
5.4 detailed_description
主要正文。遵循以下规则:
开场:在[Shot 1]之前写1-2句英文风格描述。对于片段2+,添加“continuously seamlessly from the previous segment”。
镜头:每个片段3-4个镜头。
[Shot 1]没有时间戳。- 后续镜头:
[Shot N] At MM:SS.mmm, the shot cuts to... - 时间戳严格递增,范围在0到最大片段时长之间。
摄影机运动:用自然的英文行动描述类型+幅度+速度。
说话者:使用(S1)表示讲解员,所有片段中保持一致。
对话:使用片段表中的旁白文本(步骤3.4)。
- 镜头前:
The presenter (S1) says: <d>[Chinese] narration text</d> - 画外音:
The presenter (S1) says in an off-screen voiceover: <d>[Chinese] narration text</d> while her/his lips remain completely closed.
全息元素:在适当的镜头中插入全息交互。使用references/hologram-library.md中的词汇描述所有四个步骤(召唤、交互、响应、退出)。
可见文本:使用英文双引号表示场景中可见的文本(例如"16GB VRAM")。
- 重要:文本必须以全息文本、标志或标签的形式集成到场景中。
- 不要将文本放在画面底部的字幕条中。
转场:镜头之间使用软摇移、全息擦除、匹配剪辑或发光数据丝带。
目标长度:350-500个英文单词。
5.5 overall_soundscape
1-4句英文摘要,总结环境音和物理声音。包括:
- 房间氛围(灯嗡嗡声、通风声)
- 全息UI音效(叮当声、数字滴答声)
- 物理动作声(椅子吱嘎声、布料摩擦声、手指敲击声)
- 不要在此处重复对话或音乐。
5.6 non_diegetic_music
1-3句英文描述背景音乐。
- 重点描述乐器、节奏、律动、动态。
- 所有片段的音乐风格保持一致。
- 如果没有音乐,使用
N/A。
步骤6:验证
输出所有片段的验证报告:
| 检查项 | 方法 | 通过标准 |
|---|---|---|
| 时长 | 最后一个镜头的时间戳 <= 最大片段时长 | 通过/失败 |
| 字数 | 统计每段<d>标签内的字数 | <= 可用字数 |
| 脚本覆盖 | 将所有片段旁白拼接,与原始脚本比较 | 完全匹配(原始文本零修改) |
| 全息数量 | 统计每段的全息交互数量 | >= 每段2个 |
| 全息完整性 | 检查每个全息的召唤/交互/响应/退出 | 所有4个步骤均存在 |
| 角色一致性 | 比较跨片段的主体1 | 相同 |
| 环境一致性 | 比较跨片段的主体2 | 相同 |
| 说话者ID | 检查(S1)的使用 | 跨片段稳定 |
| 时间戳顺序 | 检查镜头时间戳 | 严格递增,在范围内 |
| 格式完整性 | 检查6个部分存在 | 全部6个部分存在 |
| 无字幕 | 检查字幕风格文本 | 文本仅作为场景内元素 |
如果任何检查失败,请记录失败项所在的片段和项目,并在最终输出前进行修改。
摄影机与表演指南
- 片段1通常以中近景开始,然后变换角度。
- 后续片段使用正面构图、受控变焦和全息转场。
- 讲解员交替进行:面向镜头说话、向工作区做手势、操作全息物体。
- 动作匹配用户风格描述。不要强加固定表演风格。
- 跨片段连续性:保持同一房间、服装、眼镜、发型、全息设计系统。
音频指南
- 旁白声音匹配用户风格描述。
- 环境音乐匹配环境氛围,音量较低,跨片段保持一致。
- 全息UI音效:叮当声、数字滴答声、交互反馈。
- 房间氛围:灯嗡嗡声、椅子吱嘎声、布料摩擦声。
- 不要使用大声通知、刺耳的呼呼声或滑稽的梗音效。
文本规则
- 场景中的文本必须以全息文本、标志、标签或数据显示的形式集成。
- 不要生成字幕条、底部三分之一标题或画面底部的文字叠加。
- 保持全息文本简短易读:标签、数字、短短语。
- 全息元素中不要出现大段文字。
拒绝或重写的情况
- 仅输出一个通用提示,而不是N个独立的片段提示。
- 忽略了角色参考、环境参考或全息交互要求。
- 改变了角色身份、年龄、种族、眼镜或服装色调。
- 将环境改为通用的办公室或工作室。
- 旁白节拍过长而无法适应其时间码。
- 任何片段中少于2个全息交互。
- 任何全息元素缺少四个步骤之一(召唤/交互/响应/退出)。
- 以任何方式修改脚本(添加、重新措辞或删除文本)。
- 片段时长超过最大片段时长。