Communitygithub.com

YLKC269/MR-Next

面向音乐人、视频创作者和社交媒体编辑,用于制作AI音乐视频或带有歌词排版的情绪短片。用户提供音乐、歌词、参考图、角色、排版方向、情绪或目标平台。该技能分析节拍和人声时机,分离角色、场景和文字参考,设计节拍响应式空间排版,将长作品分解为连贯镜头,审核提示词,并路由生成至H3或其他视频工具。输出MV概念、镜头提示词、歌词文字计划和拼接指导。

MR-Next 是什么?

该技能专为需要制作具有歌词排版的AI音乐视频或情绪短片的创作者设计。它并非简单的字幕添加工具,而是一套完整的创意工作流,将音乐、歌词、视觉参考、角色、排版、节奏和镜头语言整合在一起。技能的核心是分析用户提供的音乐节拍和人声时机,将歌词进行“节拍响应式”空间排版(即文字会随着音乐节奏动态运动),并将长视频(超过15秒)自动分解为多个连贯的短镜头,确保每个镜头的视觉风格、角色、场景和排版规则保持一致。它支持H3等视频生成工具,最终输出包含完整分镜提示词、歌词文字布局和拼接指导的MV方案,非常适合制作风格化的音乐视频和以字幕为驱动的视觉作品,但不适用于普通的字幕嵌入或手动后期剪辑。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/YLKC269/MR-Next/tree/HEAD/skills/mv-subtitle-skill-confirmed

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绪短片提示词时,请使用此技能。在此类创作中,音乐、歌词、排版、参考、节奏、表演和镜头语言必须协同设计。该工作流将MV提示规则适配到Hub执行中:确认关键创意决策,将锁定提示词写入画布文本节点,并将媒体创建委托给Hub代理。

请勿将其用于普通的字幕烧录、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。
  • 将锁定提示词和修订写入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/直接做”,仅对当前运行应用此规则,除非外部编排器具有活动的会话授权。
  • 如果用户只想要一个提示词,则在交付后停止。如果用户想要完成的MV,则在确认后继续生成和合成。

核心原则

  1. 在选择结构之前,先理解作品。模板用于组织,但并非强制性形式。
  2. 使用最新确认的创意意图。
  3. 省略不相关字段,而不是填充占位符。
  4. 不要仅仅因为预设中包含,就机械地添加表演、排版、转场、镜头运动或角色动作。
  5. 屏幕上的文字是一个设计的视觉图层,不是普通的字幕,除非用户明确要求字幕。
  6. 如果用户上传了真实的歌曲或节拍,除非他们要求更换,否则它就是主音乐床。
  7. 针对 >15s 视频的自然多镜头拼接:当视频时长超过模型单次生成限制时,使用“多镜头故事板分解 + 尾帧/首帧延续 + 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、光影语言和排版运动规则。
  8. 如果用户想要一个完成的无歌词音乐美学MV,先创作并锁定原始歌词。最终MV必须同时参考角色、排版包装和场景卡。排版包装卡仅控制文字包装风格、字体纹理、图形设计、布局比例和运动语言。

步骤 1: 预飞锁定

在编写最终生成提示词之前,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:

用例宽高比分辨率
TikTok / Reels / Shorts 竖屏9:161080×1920
YouTube / Bilibili 横屏16:91920×1080
信息流方形1:11080×1080
密集竖屏广告测试9:16720×1280
电影宽屏MV21:92560×1080

选择的宽高比必须在角色卡、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。切勿将模型默认值静默地用作用户意图。

提供一个简洁的时长卡:

  1. 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。
  2. 15秒Hook:2-4个短镜头,用于更完整的副歌/Hook/表演段落。
  3. 30秒或更长的完整MV(多镜头拼接):由于许多模型有15秒的单次生成上限,自动使用多镜头拼接工作流。首先生成或锁定一首连续的歌曲/BGM,将30秒分割为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。
  4. 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式。

如果存在上传的音乐,则确认的时长就是该音乐窗口的长度。

1.3 音乐窗口

如果上传或指定的音乐长于确认的时长,则在编写提示词之前锁定一个片段:

  1. 推荐窗口:助手识别出最强的副歌/Hook/情感转折点,并请求确认。
  2. 用户时间戳:用户提供起始和结束秒数;验证两者都在音频范围内。
  3. 多方案:仅用于广告Hook测试或多个创意方向。

如果音乐短于目标时长,则使用完整音频,除非用户明确要求拉伸或扩展它。

1.3.0 歌词锁定与歌词优先回落

在最终视频提示或生成之前,确定歌词归属:

  1. 如果用户提供歌词,则这些是已锁定歌词。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。
  2. 如果用户想要一个完成的无歌词音乐美学MV,则生成与音乐风格、人声模式、时长、情绪和视觉预设相匹配的简短原创歌词,然后锁定它们。
  3. 锁定歌词是说唱/歌唱表演和可见排版的唯一源文本。
  4. 将锁定歌词分配到每个镜头的 Rap line:、Vocal line:、Soft vocal line: 或 Spoken line: 中。
  5. 每个 Typography: 字段必须来自相同的锁定歌词。在人声表演期间,可见文字必须逐字匹配所表演的短语。
  6. 在最终的排版MV中,表演者必须说唱或演唱锁定歌词,可见的唇形、下颌运动、呼吸、面部表情、点头和手部动作要跟随措辞和节奏。

1.3.1 针对 >15s 视频的默认多镜头拼接

对于 >15s 的MV(例如30秒),全局多镜头提示脚本是权威来源:

  1. 锁定完整主音频:锁定一首连续的歌曲/BGM音轨,包含完整的人声和律动,作为唯一的音频基线。
  2. 构建镜头列表时间线:将30秒分割为4-8个短镜头,每个2-5秒,精确映射到歌词时间戳和节拍(如军鼓、808和Drop)。
  3. 头尾帧和场景连续性: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,保留相同的角色卡、服装、光影提示,并使用同方向的摄像机运动或匹配剪辑视觉元素。
  4. 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、速度坡和拼接,以实现自然的唇形同步、节拍同步和转场。

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:

  • 音乐类型、乐器编排、速度/BPM感觉、人声模式和情绪温度。
  • 歌词来源和锁定歌词。
  • 目标时长和多镜头分解,例如 30s 分成 6 个短镜头。
  • 参考图角色:角色卡、场景卡、排版包装卡。
  • 镜头语言、景别大小、焦点、节拍剪切密度和转场逻辑。
  • 排除项:例如无淡入淡出、无光泽AI网红脸、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

为每张参考图分配一个狭窄的职责:

  • 排版参考卡:仅控制文字包装风格、字体纹理、图形设计、布局比例和运动语言。不得引入人物或场景。
  • 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、背景深度和光影情绪。

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,例如局部背景、隧道、墙壁、灯带或反光地面。
  • 场景切换必须由音乐冲击触发:贝斯重击、808 Drop、军鼓、人声重音或排版冲击。
  • 镜头切换是陷阱节拍上的“视觉采样”:硬切、跳切、扫描毛刺切、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

  • 逼真的高级时尚纹理和电影杂志纹理,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。
  • 重颗粒感、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、溶解或柔和转场。
  • 图像和排版强烈响应节拍提示:hi-hat滚动产生微摇/帧跳过,军鼓触发放大/硬切/肩膀下落,808低音贝斯打击产生低频压缩/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。它可位于前景、中景、背景,或被肩膀/手遮挡。
  • 文字绝不能遮挡眼睛或主要面部表情;在关键唇形同步期间避免遮挡嘴巴。
  • 有声音时,可见文字必须精确匹配所表演的歌词。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,具有准确的时长和音频映射:

[全局美学与角色锁定]: (全局角色和美学锚点提示词)

镜头 1 (0.0s - 3.5s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: 硬切至镜头2,在贝斯重击时/同一方向摇摄

镜头 2 (3.5s - 7.0s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: ...

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必须绑定到一个主音频轨道上。在分段视频生成期间,不要使用独立的断开式片段音频。所有视频片段在编辑合成时,都会对齐到主音频时间轴上对应的对应时间戳。

6.2 自然拼接协议

对于 >15s 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。除非下一个镜头是连续嘴型的极端特写,否则不要在活跃的元音或歌词内部进行硬切。

节奏与节拍匹配:剪切点必须落在1/4或1/8节拍网格上。使用速度坡使点头、手势和眨眼与节拍对齐。

美学与调色:每个跨镜头生成都携带相同的美学头部提示:颗粒级别、LUT方向、光线方向。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。

转场与运动连续性:对于长镜头延续,使用前一帧的尾帧作为下一帧的头帧,并提示动作的延续。对于硬场景切换,使用动态连续性,如同方向摇摄或手部遮挡匹配切。

排版运动拼接:前一镜头中的文字应在贝斯重击时碎裂、扫出或冲击屏幕;下一镜头的文字在重音上冲击或展开,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,是否已自动使用多镜头分解?
  • 是否已锁定一个全局主音频,且剪切点与节拍对齐?
  • 剪切是否避免了歌词中间的人声断点,并且具有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,如尾帧/头帧延续、同方向运动、匹配切或节拍硬切?
  • 剪辑风格是否严格采用硬切,无淡入淡出或柔和转场?
  • 角色/场景/排版卡是否隔离,无相互污染?
  • 排版是否是一个空间图层,从不遮挡眼睛或主要面部表情?
  • 图像质量、颗粒、颜色和光线是否全局一致?

步骤 8: 画布交付

完整的MV提示脚本锁定后,将其写入一个名为 Complete MV Prompt 或 完整MV Prompt 的专用画布文本节点。该节点必须包含完整的多镜头提示脚本和拼接注释。后续修订更新同一个节点。

步骤 9: 最终MV生成与合成工作流

  1. 提示锁定与画布写入:确认包含时间戳、歌词映射和转场逻辑的完整多镜头提示脚本已写入画布。
  2. 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图生视频(I2V)的头帧。
  3. 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坡,并使用同方向运动或闪光剪切遮罩检查接缝。
  4. 最终修饰:应用统一的电影LUT和35mm胶片颗粒叠加,以减少AI塑料感并锁定视觉一致性。
  5. 交付:输出无缝连接的完整MV视频文件。

Individual skills in this repo

This repo contains 5 individual skills — each has its own dedicated page.

YLKC269/MR-Next

Create complete stylized 3D animated shorts from a story idea through an ordered production workflow covering project brief, story outline, character and environment cards, standardized shot planning, text or optional pencil storyboards, video-model selection, single-shot generation, assembly, BGM matching, and final review. Use when the user wants an end-to-end narrative animation workflow with strong character consistency, scene continuity, timing, camera, performance, and audio control. Not for single images, simple edits, photorealistic live action, or one standalone clip.

YLKC269/MR-Next

For marketers and creators producing promotional content for brands, products, websites, apps, shops, or personal projects. Users provide logos, product images, interface screenshots, official links, or other verifiable assets and confirm duration, aspect ratio, audience, and campaign focus. The Skill organizes brand facts and asset provenance, selects a narrative direction, plans precise beats and shots, generates needed imagery, video, voiceover, or music, and completes assembly and pre-delivery review. It outputs a promotional short that highlights product capabilities, use cases, and a call to action. Best for launches, website showcases, and social promotion; not for imitating real brand marks without authorized assets, inventing product claims, or producing long-form narrative films.

YLKC269/MR-Next

For creators making surreal short videos that blend rough glowing hand-drawn animation with live-action spaces. Users provide a scene idea, contact object or hand, desired mood, and optional language or style constraints. The Skill clarifies the physical contact, designs continuous morphing, escape route, and delayed handheld chase movement, then writes a reusable 15-second 16:9 video prompt in the user's language. After user confirmation it recommends MiniMax H3 generation and checks contact realism, camera delay, rough glowing stroke texture, and non-horror tone. Best for single-scene creative clips, not polished CG, horror jump scares, plush characters, or multi-scene cuts.

YLKC269/MR-Next

Turn product images and ad requirements into minimalist product ad shorts for e-commerce promotion and product launches. The Skill confirms format and product variants, extracts selling points, writes concise English ad copy, builds product anchors, plans beat-synced typography/storyboards, and generates a clean product film with premium camera language. Not for KOC talking-head ads, general editing, or complex screen demos.

YLKC269/MR-Next

For creators explaining science, education, or general knowledge through tactile handmade papercraft visuals. Users provide a topic, core knowledge points, or source material and may specify audience, duration, aspect ratio, and deliverable type. The Skill extracts the learning goal and visual metaphor, proposes creative directions, designs paper characters, layered diorama sets, and props, creates preview concepts plus image and video prompts, and plans storyboards, camera movement, transitions, and sound with staged approvals and review checklists. It outputs a production-ready papercraft stop-motion explainer package, or selected assets such as still prompts, image-series prompts, short-video prompts, or storyboards. Best for cut-paper, pop-up-book, layered diorama, and miniature stop-motion explainers; not for standard 2D cartoons, line doodles, live action, or explainers without a paper-art look.

相关技能