音乐美学 MV
目的
当用户想要创建、修改、审核或生成音乐视频提示词或情感短片提示词，且其中音乐、歌词、排版、参考、节奏、表演和镜头语言必须协同设计时，使用此技能。工作流程将MV提示规则适配到Hub执行：确认关键创意决策，将锁定提示词写入画布文本节点，并将媒体创作委托给Hub代理。
请勿将其用于普通字幕烧录、通用视频编辑、非音乐产品广告，或没有MV结构的简单单图像/单片段请求。
Hub 兼容性规则
- 不要假设第三方工具、shell脚本、浏览器插件或外部生成API。
- 将锁定提示词和修改内容写入Hub画布文本节点。
- 将角色卡、场景卡、排版卡、视频片段、BGM和最终合成委托给Hub的图像、视频、音乐和编辑代理。
- 不要硬编码输出路径；始终使用Hub返回的路径。
- 如果用户说“跳过确认 / 直接执行”，仅将此项应用于当前运行，除非外部协调器具有活动会话授权。
- 如果用户只想要一个提示词，交付后停止。如果用户想要一个完成的MV，则在确认后继续生成和合成。
核心原则
- 在选择结构之前理解作品。模板用于组织，但并非强制形式。
- 使用最新确认的创意意图。
- 省略不相关的字段，而不是填充占位符。
- 不要仅仅因为预设包含，就机械地添加表演、排版、过渡、镜头移动或角色动作。
- 屏幕文本是一个设计的视觉层，而不是普通字幕，除非用户明确请求字幕。
- 如果用户上传了真实的歌曲或节拍，除非他们要求替换，否则将其作为主音乐背景。
- 针对 >15 秒视频的自然多镜头拼接：当持续时间超过模型单次生成限制时，使用“多镜头故事板分解 + 尾/头帧延续 + 节拍硬切 + 全局主音频对齐”。每个片段必须保持相同的律动、节奏感、宽高比、角色逻辑、视觉预设、光照语言和排版运动规则。
- 如果用户想要一个没有歌词的完整音乐美学MV，首先生成并锁定原创歌词。最终MV必须同时引用角色、排版包装和场景卡。排版包装卡仅控制文本包装风格、字体纹理、图形设计、布局比例和运动语言。
步骤 1：预飞行锁定
在编写最终制作提示词之前，通过简洁的推荐选项确认最低基础。
1.1 视频格式
提供固定选项：
| 使用场景 | 宽高比 | 分辨率 |
|---|---|---|
| TikTok / Reels / Shorts 竖屏 | 9:16 | 1080×1920 |
| YouTube / Bilibili 横屏 | 16:9 | 1920×1080 |
| Feed 方屏 | 1:1 | 1080×1080 |
| 密集竖屏广告测试 | 9:16 | 720×1280 |
| 电影宽屏 MV | 21:9 | 2560×1080 |
所选的比例必须在角色卡、场景卡、排版参考、镜头提示词、视频片段和最终合成中重复使用。
1.2 目标时长与多镜头结构
在编写提示词或生成视频之前，确认目标MV时长。切勿默认使用模型时长作为用户意图。
提供一个简洁的时长卡片：
- 10 秒测试：一到两个镜头，用于验证角色、场景、排版和音频风格。
- 15 秒 hook：2-4 个短镜头，用于更完整的副歌/hook/表演乐句。
- 30 秒或更长的完整 MV（多镜头拼接）：由于许多模型的单次生成上限为 15 秒，自动使用多镜头拼接工作流。首先生成或锁定一首连续歌曲/BGM，将 30 秒拆分为 4-8 个动态的 2-5 秒镜头，然后通过节拍同步和头/尾帧连续性进行拼接。
- 自定义时长：用户提供时长；根据所选模型的单片段限制规划镜头数量和拼接方案。
如果存在上传的音乐，确认的时长即为该音乐窗口的长度。
1.3 音乐窗口
如果上传或指定的音乐长于确认的时长，在编写提示词之前锁定一个片段：
- 推荐窗口：助手识别最强的副歌/hook/情感转折点并请求确认。
- 用户时间戳：用户提供开始和结束秒数；验证两者都在音频范围内。
- 多变量：仅用于广告hook测试或多种创意方向。
如果音乐短于目标时长，除非用户明确要求拉伸或延长，否则使用完整音频。
1.3.0 歌词锁定与优先歌词回退
在最终视频提示词或生成之前，确定歌词所有权：
- 如果用户提供歌词，这些即为锁定歌词。除非明确要求，否则不要生成、添加、重写、扩展、翻译、释义或替换它们。
- 如果用户想要一个没有歌词的完整音乐美学MV，生成与音乐风格、演唱模式、时长、情感和视觉预设相匹配的简短原创歌词，然后锁定它们。
- 锁定歌词是说唱/演唱表演和可见排版的唯一源文本。
- 将锁定歌词拆分到每个镜头的“说唱行：”、“演唱行：”、“轻柔演唱行：”或“说话行：”中。
- 每个“排版：”字段必须来自同一套锁定歌词。在演唱表演期间，可见文本必须与表演的乐句逐字匹配。
- 在最终的排版MV中，表演者必须演唱或说唱锁定的歌词，并带有可见的唇形、下颌动作、呼吸、面部表情、点头和手势，跟随措辞和节奏。
1.3.1 针对 >15 秒视频的默认多镜头拼接
对于 30 秒等超过 15 秒的 MV，全局多镜头提示脚本是权威来源：
- 锁定完整主音频：锁定一首连续的歌曲/BGM 轨道，将其完整的演唱和律动作为唯一的音频基准。
- 构建镜头列表时间线：将 30 秒拆分为 4-8 个 2-5 秒的短镜头，精确映射到歌词时间戳和节拍，如军鼓、808 和 drop。
- 头/尾帧与场景连续性：如果镜头 B 继续同一场景，使用镜头 A 的尾帧作为镜头 B 的头帧。如果是硬切，保持相同的角色卡、服装、光照提示，并使用同向的摄像机运动或匹配剪辑的视觉元素。
- 生成与编辑合成：视频代理根据镜头列表生成每个镜头。编辑代理将所有片段对齐到全局主音频的节拍网格，进行修剪、速度调整和拼接，以实现自然的唇形同步、节拍同步和过渡。
步骤 2：创意契约
在最终提示词之前，创建一个简洁的创意契约：
- 音乐流派、乐器配置、节奏/BPM 感觉、演唱模式和情感温度。
- 歌词来源和锁定歌词。
- 目标时长和多镜头分解，例如 30 秒拆分为 6 个短镜头。
- 参考图像角色：角色卡、场景卡、排版包装卡。
- 镜头语言、景别、焦点、节拍切密度和过渡逻辑。
- 排除项，例如无淡入淡出、无光滑的 AI 美颜脸、无导致变形的单镜头过度拉伸。
步骤 3：参考角色与场景采样
为每个参考图像分配一个狭窄的工作：
- 排版参考卡：仅控制文本包装风格、字体纹理、图形设计、布局比例和运动语言。不得贡献人物或场景。
- 角色参考卡：控制角色身份、面部气质、发型、服装轮廓、比例、姿态和存在感。
- 场景参考卡：控制场景风格、空间氛围、图像纹理、背景深度和光照情绪。
3.1 特写场景切换与多镜头采样
对于 Trap、Dark-pop、Cyber-grunge 等快节奏 MV，在多个特写空间之间快速切换：
- 保持场景情绪统一，但每个镜头的空间必须明显不同，例如本地背景、隧道、墙壁、灯条或反光地板。
- 场景切换必须由音乐冲击触发：低音重击、808 drop、军鼓、人声重音或排版撞击。
- 镜头切换是 Trap 节拍上的“视觉采样”：硬切、跳切、扫描故障切、闪切或动作匹配切。
步骤 4：预设语法，Dark-pop / Cyber-grunge 和 Trap 示例
视觉与剪辑语言
- 逼真的高级时装质感和电影杂志质感，参考 90 年代末 / 00 年代初的独立杂志、复印纸、胶片扫描和 zine 拼贴。
- 重颗粒、轻微胶片抖动、半色调网点、粗糙印刷边缘、扫描偏移。
- 剪辑必须仅使用硬切。无淡入淡出、溶解或软过渡。
- 图像和排版强烈响应节拍提示：hi-hat 滚奏产生微抖动/帧跳跃，军鼓触发缩放/硬切/肩膀下沉，808 低音重击产生低频压缩/拉伸/偏移。
排版包装规则
- 排版是空间中的动态图形主体，而非字幕条。它可以位于前景、中景、背景，或被肩膀/手遮挡。
- 文本绝不能遮挡眼睛或主要面部表情；在关键的唇形同步期间避开嘴巴。
- 有人声时，可见文字必须与演唱的歌词完全匹配。每个镜头只有一个主要的排版事件。
步骤 5：提示结构模板
多镜头脚本必须按镜头模块化，并具有准确的时长和音频映射：
[全局美学与角色锁定]：(全局角色和美学锚定提示)
镜头 1 (0.0 秒 - 3.5 秒)
演唱行：“...”
排版：“...”
视觉与动作：...
摄像机与运动：...
转出：在低音重击时硬切至镜头 2 / 同向甩镜
镜头 2 (3.5 秒 - 7.0 秒)
演唱行：“...”
排版：“...”
视觉与动作：...
摄像机与运动：...
转出：...
步骤 6：BGM 连续性与自然多镜头拼接系统
6.1 全局音频连续性
整个 MV 必须绑定一个主音频轨道。在分段视频生成期间，不要使用独立的断开片段音频。在编辑合成期间，所有视频片段都对齐到主音频轨道上对应的时间戳。
6.2 自然拼接协议
对于 >15 秒的拼接，强制执行五个连续性锁：
人声与唇形连续性：剪切点必须落在歌词停顿、呼吸、军鼓或 drop 处。不要在一个活跃的元音或歌词中间硬切，除非下一个镜头是带有连续口型的极端特写。
节奏与节拍匹配：剪切点必须落在 1/4 或 1/8 节拍网格上。使用速度调整使点头、手势和眨眼与节拍对齐。
美学与调色：每次跨镜头生成都携带相同的美学头部提示：颗粒等级、LUT 方向和光照方向。最终合成使用统一的 35mm 胶片颗粒和 LUT 来隐藏批次颜色差异。
过渡与运动连续性：对于长镜头延续，使用前一镜头的尾帧作为下一镜头的头帧，并提示动作的延续。对于硬场景切换，使用动态连续性，如同向摇镜或手部遮挡匹配切。
排版运动拼接：前一镜头中的文本应在低音重击时碎裂、扫出或撞击屏幕；下一镜头的文字在重音上撞击进入或展开，传递视觉动量。
步骤 7：检查清单
在交付前静默验证：
- 如果目标时长超过 15 秒，是否自动使用了多镜头分解？
- 是否锁定了全局主音频，并且剪切点是否与节拍对齐？
- 剪切是否避免了歌词中间的人声中断，并保持了自然的唇形和呼吸连续性？
- 相邻镜头是否有清晰的拼接逻辑，例如尾/头帧延续、同向运动、匹配切或节拍硬切？
- 剪辑风格是否严格为硬切，没有淡入淡出或软过渡？
- 角色/场景/排版卡是否隔离，没有交叉污染？
- 排版是否为一个空间层，从不遮挡眼睛或主要面部表情？
- 图像质量、颗粒、色彩和光照是否全局一致？
步骤 8：画布交付
完成完整的 MV 提示脚本后，将其写入一个专用的画布文本节点，命名为“Complete MV Prompt”或“完整MV Prompt”。该节点必须包含完整的多镜头提示脚本和拼接说明。后续修改更新同一个节点。
步骤 9：最终 MV 生成与合成工作流
- 提示锁定与画布写入：确认包含时间戳、歌词映射和过渡逻辑的完整多镜头提示脚本已写入画布。
- 并行镜头生成：视频代理根据镜头列表生成每个 2-5 秒的镜头。对于延续镜头，提取前一镜头的尾帧作为下一个 I2V 的头帧。
- 多轨编辑与拼接：编辑代理导入全局主音频，按时间戳对齐所有镜头视频，在节拍网格上进行修剪和速度调整，并使用同向运动或闪切遮罩检查接缝。
- 最终修饰：应用统一的电影 LUT 和 35mm 胶片颗粒覆盖层，以减少 AI 塑料感并锁定视觉一致性。
- 交付：输出无缝的完整 MV 视频文件。