Communitygithub.com

calesthio/generative-media-skills

为AI代理提供与平台无关的制作工作流,用于创建音乐视频、歌词视频、可视化器、表演/叙事/舞蹈视频、社交剪裁版、专辑或单曲发布素材以及与歌曲同步的生成媒体剪辑。适用于围绕录制歌曲、艺术家表演、歌词、节拍时序、编舞、平台变体、音乐版权、肖像权许可、可访问性或合成媒体披露进行策划、指导、提示、编辑、审查或交付视频内容时使用。

generative-media-skills 是什么?

该技能为AI代理提供了一个全面的、与平台无关的工作流,用于从歌曲创建专业的音乐视频包。它将歌曲视为固定主干,并强调视频必须放大其结构、艺术家身份、歌词和发布目标,避免通用视频生成。技能涵盖从素材收集、概念选择、节拍和乐句映射、脚本和分镜表编写,到表演指导、歌词文本处理、生成视频提示翻译、剪辑节奏控制以及音画同步检查的全部流程。 该技能的一个关键优势是其对法律和伦理合规性的重视,内置了关于音乐版权、肖像权、平台规则、合成媒体披露和风险升级的检查点。它要求记录所有权利的清晰状态,并防止在未经适当许可的情况下发布或推广内容。此外,它鼓励分离记录的事实(例如最新的平台披露政策)与创意制作启发法。 该技能支持多种概念方向,包括表演、叙事、歌词、可视化器、舞蹈、抽象/生成媒体以及发布素材套件。它为AI图像/视频工具提供具体的提示组件,以解决它们在精确口型同步和连续性方面的弱点,并建议在需要关键同步时使用专业工具或真人素材。最终成果是一个连贯的、注重权利且针对平台优化的视频包。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/calesthio/generative-media-skills/tree/HEAD/skills/production/content-formats/music-video-production

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

音乐视频制作

使用此技能将一首歌曲打造成连贯、注重权利且针对平台优化的视频包。将歌曲视为固定主干:视频的存在是为了放大其结构、艺术家身份、歌词和发布目标。

不要将其视为通用视频生成。音乐视频需要节拍映射、乐句映射、歌词准确性、同步审查、权利说明、表演指导、特定平台的剪裁版本以及审批检查点。

基本规则

  • 除非艺术家、唱片公司或客户批准广播剪辑、纯净版、分轨编辑、速度变化、淡入淡出或缩短版本,否则保持主音频不变。
  • 切勿捏造权利许可。记录哪些已获授权、哪些未知、哪些由平台提供、哪些已授权、免费版、公有领域或生成内容。
  • 不提供法律建议。将有关许可、肖像权、代言、工会、唱片公司、经销商或平台风险的问题转交给客户、权利人、唱片公司、经理或法律顾问。
  • 在制作时重新检查平台规则。音乐库、AI标签、商业披露工具、广告规格和上传限制经常变化。
  • 将记录的事实与制作启发法区分开来。事实应追溯到当前来源;启发法是创意建议。
  • 保留出处信息:歌曲来源、歌词来源、分轨、编辑、模型、提示词、种子(如可用)、同意文件、许可、平台检查和审查记录。

素材收集

在构思之前收集足够的信息:

  1. 歌曲包
    • 最终音频文件、时长、采样率、位深度、已知响度目标
    • 歌曲标题、艺术家姓名、合作艺人、版本名称、已发行时的ISRC/UPC
    • 批准的歌词、脏版/干净版状态、歌词翻译(如需)
    • 可选分轨:人声、乐器、鼓、贝斯、旋律、即兴说唱/ad-libs
    • BPM、调性、拍号、已知段落标签
  2. 发布与受众
    • 目标:首播、可视化器、歌词视频、粉丝互动、付费广告、巡演宣传、专辑发布、短视频钩子测试
    • 目标平台和画面比例
    • 截止日期、审核审批人、审批顺序、锁定的品牌/艺术家指南
  3. 版权与安全
    • 谁拥有或控制母带和作品
    • 同步使用、社交使用、付费广告使用、地区、有效期和平台权利是否已获许可
    • 是否存在任何采样、改编、混音、翻唱或第三方分轨
    • 是否需要许可任何品牌、产品、场地、艺术品、纹身、标识、道具或可识别的人物
    • 是否将使用AI生成的视频、声音、肖像、编舞参考或风格参考
  4. 创意参考
    • 2-5个参考视频,注明需要借鉴的内容:节奏、灯光、构图、剪辑节奏、字体处理、镜头语言、色彩、超现实程度
    • 不要复制的内容:艺术家肖像、精确编舞、受保护的标识、独特布景、完全相同的镜头结构

如果权利状态未知,仅进行策划或内部样片。在许可解决之前,不要建议发布、付费推广、分发交付或公开释出。

选择概念路线

选择一个主要路线和一个次要纹理。视频可以混合模式,但不应让人觉得像六个不相关的概念堆砌。

  • 表演视频:艺术家或表演者占据情感中心。最适合于魅力、人声传达、乐队能量或明星身份重要的情况。
  • 叙事视频:故事场景戏剧化地呈现歌曲的情感弧线。最适合于歌词暗示冲突、转变、记忆、浪漫、反叛、悲伤或胜利的情况。
  • 歌词视频:字体、时序和设计承载体验。最适合于正式视频发布前,歌词是关键吸引点,或预算/时间紧张的情况。
  • 可视化器:重复的图案、循环、氛围世界、生成式运动或象征性动画支持聆听。最适合于专辑、流媒体画布和低摩擦发布资产。
  • 舞蹈或编舞视频:动作是吸引点。最适合于节奏感强的曲目、短视频挑战、粉丝参与和以表演为导向的社交活动。
  • 抽象/生成媒体视频:AI片段、动画、拼贴、模拟或超现实图像围绕歌曲创造梦幻逻辑。最适合于艺术家的世界观比字面故事更重要的情况。
  • 发布素材套件:结合主打视频、竖版钩子剪辑、预告循环、画布风格循环、歌词片段、幕后花絮和平台缩略图。

制作启发法:如果歌曲有令人难忘的副歌歌词,至少为该乐句设计一个可重复的视觉标记。如果歌曲有器乐间奏,设计一个非歌词的视觉高潮:舞蹈节拍、镜头运动、颜色切换、超现实转变或蒙太奇爆发。

构建歌曲映射

在编写镜头列表或提示词之前,创建节拍和乐句映射。

最小映射:

  • 时间码,格式为 mm:ss.mmm
  • 段落:前奏、主歌、预副歌、副歌、后副歌、桥段、间奏、尾奏
  • 小节或乐句数量(如果可用)
  • 关键歌词片段和人声进入点
  • 节拍重音、加花、下行、中断、装饰音、即兴说唱/ad-libs
  • 情感强度,1-5级
  • 编辑密度目标:长留白、中等剪辑、快速剪辑、频闪风险、静音
  • 视觉事件:揭示、动作变化、文字进入、表演特写、过渡、故事节拍

节拍映射示例:

00:45.200-01:07.900 | 副歌 1 | 钩子重复两次 | 强度 5 | 每两小节在小军鼓上剪辑;最后一个钩子保持2.5秒 | 歌词文本在人声进入时出现,不能提前 | 主色从蓝到红的光照转变

乐句映射比原始BPM更重要。根据音乐理由进行剪辑:强拍、歌词开始、鼓加花、呼吸间隙、押韵完成、贝斯下行、和声变化和静音。除非流派和概念要求这种强度,否则避免机械地在每个节拍上剪辑。

剧本、处理方案和分镜表

在编写提示词或拍摄前,撰写简短的处理方案。

处理方案应包括:

  • 一句话承诺:观众会记住什么
  • 艺术家形象:标志性、脆弱、俏皮、不可触碰、纪实、神话、匿名、动画
  • 世界:地点、时代、色彩、纹理、天气、灯光、镜头感觉
  • 按歌曲段落的结构
  • 重复出现的主题及其如何演变
  • 在副歌1、副歌2、最终副歌中分别出现什么,以及为什么每次都要升级
  • 歌词/屏幕文字的规则
  • 生成片段的规则:真实感程度、镜头语言、连续性锚点、负面约束
  • 审批风险:权利、肖像权、闪烁画面、露骨内容、品牌安全

分镜表字段:

ID | 时间码 | 段落 | 镜头大小 | 主体 | 动作 | 摄像机/运动 | 灯光/色彩 | 同步要求 | 素材/来源 | 备注

同步要求示例:

  • 唇形同步精确到主唱
  • 舞蹈动作落在强拍上
  • 歌词单词在音节上出现
  • 仅切至其他画面;无嘴部动作
  • 循环必须每4小节不可见地重新开始
  • AI片段可以漂移;在器乐纹理下使用

表演和编舞指导

对于表演:

  • 在现场或生成的/口型同步方向中使用回放。表演者必须听到最终批准的音频版本或时间码对齐的回放版本。
  • 按段落指导情感节拍,而不仅仅是“用力唱”。例如:主歌1克制眼神交流,预副歌踱步,副歌直视镜头,桥段转身,最终副歌全身释放。
  • 捕捉同步安全的素材:锁定嘴部特写、中等表演镜头、全身广角、细节插入、慢动作、非唱歌的切出画面。
  • 避免在非精确同步的镜头中看到清晰歌唱,除非嘴部被遮挡或偏离轴线。
  • 对于乐队,将特色乐器映射到可听见的时刻。除非意图是讽刺性对比,否则不要在吉他独奏时切换到鼓手画面。

对于舞蹈:

  • 根据歌曲映射标记节奏。注明动作名称、身体方向、摄像机方向和命中帧。
  • 为编舞连续性保留一个干净的广角主镜头,然后添加特写和细节镜头。
  • 计划15-30秒的社交媒体挑战部分。
  • 如果使用AI生成的舞者,提示宽泛的节奏和姿势变化,但手动验证;生成的动可能不遵循精确节拍。

歌词和屏幕文本

仅使用批准的歌词。如果未提供歌词,请求提供或自行转录并标记为未批准。

歌词视频规则:

  • 将文字与主唱对齐,而不是乐器网格。
  • 保持换行符符合音乐性:乐句、押韵、呼吸或语义单位。
  • 为主唱、背景和声、即兴说唱/ad-libs和非歌词字幕设计层次结构。
  • 除非概念以字体设计为主,否则不要在情感时刻遮挡艺术家的脸部。
  • 为垂直UI覆盖层和字幕保留安全边距。
  • 提供简洁的无文本母版,以便于本地化和未来编辑。

屏幕文本可以包括标题卡、演职员表、警告、发布日期、商品/巡演号召性用语和披露信息。保持披露信息清晰可读,并靠近其澄清的主张或内容。

生成视频的提示词翻译

使用AI图像/视频工具时,将音乐视频方向翻译为制作提示词。不要指望模型“制作一个音乐视频”就能实现同步。大多数生成视频系统在精确口型同步、歌词时序、文字保真度和连续性方面表现较弱,除非提供商专门支持这些控制。

提示词组件:

  • 镜头时长和画面比例
  • 主体身份或虚构角色描述;避免未经授权的真实人物肖像
  • 一个清晰的运动短语描述的动作
  • 摄像机运动和镜头大小
  • 灯光、镜头、色彩、纹理、地点
  • 来自歌曲映射的时序锚点
  • 连续性锚点:服装、道具、颜色、环境
  • 负面约束:没有可读的随机文字、没有多余手指、没有标识、没有嘴部歌唱、没有面部变形、没有闪烁

生成片段提示词示例:

4秒竖版9:16镜头,用于独立流行音乐视频的最终副歌。一个虚构的穿银色夹克的表演者跑过湿漉漉的霓虹小巷,在强拍上猛地转向摄像机,扔出一把变成漂浮星星的亮片。手持跟拍镜头,35毫米镜头感觉,饱和的青色和洋红色,湿漉漉的柏油路反光,高能量的副歌高潮。没有名人肖像,没有可读的招牌,没有口型同步的嘴部动作,没有频闪,没有品牌标识。

在生成片段最擅长的领域使用它们:超现实插入、可视化器、环境、过渡、象征性动作、梦境序列和纹理。当口型同步至关重要时,使用专业的口型同步或虚拟形象工具、真人素材或精心指导的动画。

剪辑节奏

音乐视频剪辑应感觉音乐上富有意图,而不会变得可预测。

  • 在前奏中建立视觉语法。
  • 使用主歌进行故事叙述、亲密感或世界构建。
  • 使用预副歌进行加速:摄像机运动、更短的剪辑、渐密的文字、颜色过渡。
  • 使用副歌呈现最可重复的视觉创意。
  • 为最终副歌保留一个升级:新地点、更广的镜头、编舞团队、颜色反转、雨/火/五彩纸屑、人群或抽象转变。
  • 让重要的歌词有呼吸空间。有力的词句往往用长留白比更多剪辑效果更好。
  • 创造对比:在长留白之后接密集蒙太奇,在混乱之后接静音,在广角编舞之后接特写。
  • 避免超过无障碍阈值的闪光模式;不要将快速全帧频闪用作默认的“能量”解决方案。

有目的地使用剪裁版本:

  • 6-8秒:钩子/预告/画布风格循环;仅一个创意。
  • 10-15秒:社交挑战或副歌钩子。
  • 20-30秒:付费社交或发布公告。
  • 45-60秒:较长的短视频片段。
  • 全长:标准音乐视频或可视化器。

口型同步和回放同步

对于真人或虚拟形象/口型同步工作:

  • 在生成或拍摄同步镜头之前锁定音频版本。
  • 在可能的情况下,在实拍中使用场记板/时间码或可见拍板。
  • 将口型与辅音和乐句开头对齐;仅元音较宽容,但爆破音则不然。
  • 以正常速度和半速检查同步。
  • 如果某个镜头稍微偏移,在最差的音节上使用切出画面,而不是拉伸主音频。
  • 除非得到明确批准,否则不要改变已发行歌曲的音高、速度或时序以匹配生成的视觉。

对于歌词同步:

  • 抽查所有副歌重复部分;复制粘贴的时序通常会因为人声乐句变化而漂移。
  • 确认被审查/干净的歌词处理方式与分发的音频版本匹配。

权利、署名和披露检查点

当出现以下任何情况时,升级给客户、权利人、唱片公司、经理、经销商、平台专家或法律顾问:

  • 受版权保护的歌曲并非由艺术家/客户拥有或控制
  • 存在翻唱、混音、采样、改编、节拍租赁、库存循环或第三方人声
  • 视频将用于付费广告、品牌合作、政治背景、受监管行业或代言
  • 出现真人肖像、声音克隆、数字副本、档案素材、粉丝素材、未成年人、私人地点、纹身、标识或艺术品
  • 平台原生音乐库正被用于其允许范围之外
  • 生成媒体过于紧密地模仿在世艺术家、名人、舞者、摄影师、导演或可识别的视觉风格
  • 可能适用工会表演者、唱片合同、经销商或场地规则

适用的记录在案的事实,截至2026年7月11日验证:

  • YouTube要求创作者披露观众可能误认为是真实人物、地点、场景或事件的逼真修改或合成内容;YouTube表示,明显不现实的、动画的、特效的或制作辅助用途通常不需要在此工具下进行披露。来源:YouTube博客,“我们如何帮助创作者披露修改或合成内容”和YouTube帮助页面“此内容的制作方式”披露页面。
  • TikTok要求创作者标记逼真的AI生成内容,并提供创作者和自动AI标签;误导性地将未修改内容标记为AI生成可能需要……

(…已截断供翻译…)

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

calesthio/brand-launch-film-production

Provider-independent production workflow for AI agents creating brand launch films, product reveal videos, manifesto films, campaign hero films, website hero videos, investor/customer launch assets, and social cutdowns. Use when planning, scripting, generating, editing, reviewing, or delivering launch films that must align strategy, claims, brand voice, visual direction, product proof, accessibility, compliance, and multi-platform delivery.

calesthio/character-design-continuity

Provider-independent character design and continuity direction for generated media. Use when an agent must create, preserve, revise, or QA a recurring character across AI-generated images, video clips, avatars, animation, comics, ads, product mascots, serialized social posts, or multi-shot campaigns; especially when building character bibles, reference packs, prompts, expression/pose ranges, costume/hair/makeup/prop continuity, identity and likeness safeguards, iteration plans, handoff notes, or continuity reviews.

calesthio/generative-media-skills

Provider-independent localization and dubbing production direction for AI agents producing translated videos, dubbed ads, social clips, explainers, avatar videos, documentaries, training media, and multi-market campaigns. Use when planning or reviewing subtitle-versus-dub strategy, translation adaptation, glossary/style-guide setup, casting or voice matching, lip-sync or phrase-sync direction, synthetic dubbing boundaries, captions/subtitles handoff, accessibility, platform delivery, client review, or localization QA.

calesthio/generative-media-skills

Provider-independent cinematic trailer production for AI agents creating movie-style trailers, teaser trailers, launch trailers, game trailers, documentary trailers, series promos, and high-impact generated-media previews. Use for trailer strategy, structure, shot planning, voiceover/title-card copy, music and sound-design direction, generated-video prompt translation, edit pacing, platform/runtime choices, delivery handoff, rights/claims caveats, and trailer QA.

calesthio/generative-media-skills

Provider-independent explainer video production for AI agents creating educational, product, concept, nonprofit/public-service, onboarding, training, animated, mixed-media, and short social explainers. Use when an agent must turn a topic, brief, research corpus, product, process, policy, dataset, or complex idea into a factual, accessible, narrated, captioned, storyboarded, generated-media-ready explainer video with claim review, localization, pacing, variants, and QA.

calesthio/generative-media-skills

Use this skill to plan, direct, finish, and QA provider-independent mono or stereo 180-degree, 360-degree, spherical, spatial, wide-FOV, and immersive video. It covers format choice, capture rigs, stitching, nadir and seam management, stereoscopic comfort, attention direction, stabilization, ambisonic and spatial audio, titles, captions, accessibility, edit, color, VFX, projection metadata, Vision Pro, YouTube, headset delivery, device QA, and privacy, location, and likeness rights. Do not use it for interactive XR apps, volumetric/world-model generation, game-engine experiences, or provider-specific video generation prompts.

calesthio/generative-media-skills

Provider-independent captions and media accessibility direction for AI agents producing or finishing generated videos, ads, social clips, explainers, avatar videos, documentaries, podcasts/video recuts, training media, and localized content. Use when planning, authoring, reviewing, localizing, burning in, exporting, or QAing captions, subtitles, SDH, transcripts, audio description, flashing/motion safety, caption readability, or accessible media handoff files.

calesthio/generative-media-skills

Provider-independent dialogue editing and ADR direction for AI agents producing generated videos, films, ads, avatar clips, explainers, localization/dubbing, podcasts, recuts, and social content. Use for dialogue prep, repair, room tone, take comping, sync, ADR cueing, dubbing direction, pronunciation, de-essing, plosives, mouth clicks, voice continuity, synthetic voice consent boundaries, captions/transcripts handoff, mix handoff, loudness, intelligibility, accessibility, and QA.

calesthio/motion-graphics-direction

Provider-independent motion graphics direction for AI agents producing title sequences, lower thirds, explainer graphics, product UI overlays, social ads, kinetic typography, diagrams, data callouts, brand films, and video post. Use when planning, prompting, storyboarding, specifying, implementing, reviewing, or QAing motion graphics across live footage, generated video, UI capture, data visualization, brand systems, typography, accessibility, claim integrity, runtime handoff, and iteration.

相关技能