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
- 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。
- 使用最新确认的创意意图。
- 省略不相关字段,而不是填充占位符。
- 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。
- 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。
- 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。
- 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。
- 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 | 9:16 | 1080×1920 |
| YouTube / Bilibili 横屏 | 16:9 | 1920×1080 |
| 信息流方形 | 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 |
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:
- 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/表演段落。
- 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。
- 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:
- 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。
- 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。
- 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:
- 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。
- 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。
- 锁定歌词是说唱/歌唱表演和可见排版的唯一源文本。
- 将锁定歌词分配到每个镜头的
Rap line:、Vocal line:、Soft vocal line:或Spoken line:中。 - 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。 - 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:
- 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。
- 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)。
- 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。
- 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
- 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。
- 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。
- 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。
- 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。
- 交付:输出无缝连接的完整MV视频文件。