3D视频导演技能（基于旁白）
目标
将脚本和旁白转化为9:16竖屏视频，包含精美的3D图像，即使静音也能轻松理解。每个镜头必须准确说明正在讲述的内容，与字幕同步，并包含一个可见的变化/动作。多样化角色、物体、场景、构图、色彩、材质、灯光和动作；不要让每个视频都是金水晶、霓虹灯、图表、时钟或环绕相机运动。
保持与项目实际的渲染器（Renderer）、场景（Scene）和CLI的兼容性。除非在代码中看到，否则不要描述或承诺存在某个资产、动作、对齐器、AI提供商或命令。当引擎尚不支持新场景时，使用最合适的现有几何体/资产组合来表达场景，并明确说明限制；仅在用户要求修改软件时才扩展渲染器。
导演流程
- 阅读完整的脚本，并检查场景创建、TTS、字幕定时、渲染器以及实际支持的场景/相机管线。保留原文内容、语调和含义。
- 将旁白划分为有意义的节拍，不要默认一句话就是一个场景。为每个节拍记录：原文字幕、核心含义、主体、动作、对象、情绪、因果关系、必须展示的内容以及绝对不能被错误说明的内容。
- 优先选择直接说明：如果旁白提到特定的人、物、动作或地点，就让观众看到它。对于抽象概念，使用简单、易读的视觉隐喻，并且仅在使含义更清晰时才使用。注意否定词、比较、转折和结果；不要仅仅抓住主题关键词。
- 根据旁白节奏制作分镜：确定镜头、主要动作、画面/机位、灯光-色彩-材质设计、转场以及相关节拍之间角色/道具的连续性。每个镜头专注于一个主要思想或动作。
- 设计整个视频的情感线：以一个问题、一个奇怪的图像或一个符合内容的未完成动作开场；在发展阶段逐步增加规模/节奏；为关键点保留最有力的揭示或时刻；以能够留存的图像/情感或脚本中的行动号召作为结尾。不要自行添加会扭曲信息的旁白、事实或转折。
- 根据每个节拍和整个脚本的细微差别来指导配音；不要让声音从头到尾保持单调。在创建TTS或录音之前，为每个节拍明确记录情绪、强度（轻/中/强）、节奏（慢/中/快）、重音（需要强调的词语/短语）以及必要的停顿（之前/之后）。
- 将定时与实际音频/字幕对齐。如果管线提供单词级定时/对齐，则使用；如果没有，则使用现有的片段定时，并标记精度有限。在没有逐字时间戳的情况下，不要声称已实现逐字同步。
- 一边听音频一边预览图像；修正旁白不自然、重音错误、语调单调或与表情/动作不匹配的地方。使用项目的正确流程渲染最终文件。
字幕同步与画面节奏规则
- 每个节拍都有一个
visualClaim：一句描述观众将看到什么发生的话，与旁白精确匹配。在渲染之前，将分镜与每个字幕句子进行对比。 - 一旦提及某个主体，就应将其放入画面；在接近动词短语时开始动作；在旁白陈述结果时准确呈现结果。可以让画面在旁白之前提前一个短节拍出现，以便观众识别，但不要过早揭示结果。
- 在思想边界、自然停顿或主体改变时进行转场；避免在一个思想集群中间剪切。如果单个连续图像仍能正确说明，可以跨越几句话；如果语义发生变化，一个长句可以分成几个镜头。
- 卡拉OK字幕和旁白必须使用相同的定时源。不要为了假装单词对齐而平均分配句子时长。确保字幕可读、拼写正确、具有对比度，并且不覆盖重要动作。
- 对于否定/对立，清晰地展示两种状态或应避免的动作；不要使用与句子含义相反的肯定图像。对于建议，用具体动作说明，而不仅仅显示一个通用图标。
- 镜头不能只是环绕/缩放：必须有动作、变换、交互或揭示，以帮助传达内容。相机用于辅助叙事，而不是替代动作。
- 开头应该通过脚本本身的内容来激发好奇心：从细节、问题、后果或引人注意的选择直接开始；避免冗长的Logo介绍、通用的飞越镜头以及与内容尚未相关的漂亮场景。
- 根据语调和重要性调节剪辑节奏：对于快速列举/对立使用较短的镜头；对于情绪、需要观察的操作或需要反思的思想使用较长的镜头。使用场景大小变化、运动方向、人声的静默间隙（如果有）或揭示来创造节奏；不要仅仅为了营造动态感而连续快速剪辑。
- 使用有视觉动机的转场：基于形状/运动的匹配剪辑、用场景内物体遮挡镜头、焦点/灯光转换，或在旁白节奏点直接剪切。限制使用重复的装饰性转场效果。
有情感的配音指导
- 在选择细微差别之前，先理解句子之间的含义和关系。对于每个节拍，记录
emotion、intensity（轻/中/强）、pace（慢/中/快）、emphasis（需要强调的词语/短语）以及必要时记录pauseAfter/pauseBefore。这些标签是导演指示；仅当API/schema实际支持时才传递给TTS。 - 创建自然的情绪曲线：开场清晰且引人好奇；解释部分平静、易听；重要观点坚定强调；情感段落温暖真诚；警告段落严肃但不喊叫；结论有收尾点。根据脚本调整，不要对所有视频应用单一朗读模板。
- 在思想边界、揭示之前、反问之后或需要观众思考的句子之后，有目的地使用停顿。不要在每句话后都插入长停顿，也不要改变标点符号来改变含义或修改内容。
- 通过语调和节奏来强调，而不仅仅是增加音量/速度。避免为悲伤内容使用过于兴奋的广告式朗读，为中性知识使用耸动式朗读，或为温和建议使用过度悲伤的朗读。确保发音清晰、音量稳定，并且不损害可理解性。
- 如果有多种声音选择，选择适合年龄/情绪/类型的声音，并在整个视频中保持一致。除非有叙事意图，否则不要在节拍之间切换声音。
- 在设计表情控制之前，检查TTS的实际能力。在当前管线中，
voice、rate、pitch字段可以配置；不要默认存在情感/风格标签或逐段韵律控制。如果引擎只有rate/pitch，则使用管线支持的脚本分段、标点符号和停顿；并记录表情限制。在听到并检查之前，不要声称TTS像真人一样有表现力。当需要精细表演而引擎无法满足时，建议真人录音或集成具有表情控制的引擎作为单独更改。 - 让声音和图像共同表演：温柔句子使用柔和运动和较少剪辑；决定性的句子使用清晰姿势/利落剪辑；惊讶的句子可以适时揭示；深沉的句子保持足够长的镜头。图像支持情绪，而不是夸大与内容不符的东西。
有目的的视觉多样性
选择适合主题和情绪的风格，而不是对整部视频应用单一美学预设。可以结合：角色动画风格、微缩模型/小雕像、粘土风格、精致低多边形（Low-Poly）、玻璃/陶瓷/木材/布料/金属材质、日常生活立体模型、风格化建筑、自然景观或抽象符号。优先使用轮廓清晰、表面有深度、塑造体积的灯光、有层次的颜色、简洁背景以及在手机屏幕上突出的主体。
每个视频在分镜之前需要一个简短的艺术方向：主题/情绪、主要几何体类型和材质、3-5种颜色的调色板、灯光类型、角色设计（如果有）、对比度和风格化程度。例如：家庭故事可以使用木材、布料、温暖的窗口光；科学内容可以使用剖面模型、半透明塑料和实验室照明；紧张主题可以从小空间构图、高对比度开始，然后在问题解决时逐渐打开空间。这是一个灵活的指导方针，不是强制性的预设。
通过层次结构创建视觉重点：一个主要焦点，一个辅助支撑元素，以及一个细节较少的背景。使用特写镜头表达情绪/细节，中景镜头表达互动，全景镜头表达规模或转变；透视和景深仅在有助于突出主体时使用。设计易于识别的剪影，在小尺寸下可读的表情/姿势，以及明显有区别的材质。避免3D场景中的假文字、未经要求的Logo/水印、难以识别的变形物体、过曝的高光、过于繁杂的背景以及千篇一律的霓虹色调。
在最终确定分镜之前，检查相邻镜头，并在它们出现重复时主动更改至少两个元素：主体/道具、地点、场景大小/构图、机位/运动、调色板、材质或转场类型。除非需要连续性，否则不要在连续两个以上的节拍中重复使用同一个英雄对象；不要在连续三个镜头中使用同一种相机类型。多样性必须源于旁白含义的变化，而不是随意的颜色更改。
在同一叙事线索中，保持角色、服装、道具、时间和运动方向的连续性。为每条线索使用一个主导调色板；可以更改灯光或强调色来表达情绪变化。限制粒子/发光和背景细节，以免干扰主体、文字或字幕区域。
通过在视频之间改变适合脚本的叙事方式来实现多样性，而不仅仅是更改颜色或替换一个道具：可以选择贯穿始终的角色故事、一系列小插曲、穿越空间之旅、两种选择的对比、变换的延时摄影或探索模型/内部结构。仅当某种叙事结构使信息更容易理解时才使用。如果有之前的视频历史，避免重复接近使用的艺术方向和标志性镜头序列；如果没有数据，不要声称已经参考了历史。
场景选择与可行性
- 在使用之前，检查代码和预设中已注册的场景/相机。旧的场景库是可行的选择/备选方案，而不是将所有脚本强行装入金钱管道、齿轮或水晶的理由。
- 如果项目支持
sceneSpec/场景图，则描述有结构的环境、参与者、物体、动作、相机和转场；仅使用资产解析器/渲染器实际支持的几何体、骨架、材质和动画。 - 如果仅支持
scene枚举，则选择最合适的现有枚举。不要发明枚举/相机并声称渲染器会理解；在需要时，将期望的场景作为分镜提出，由用户决定是否扩展引擎。 - 优先选择可执行的动作：走路、放置/拿起、打开/关闭、掉落、给予/接收、建造、破裂、成长、改变方向、相遇然后离开。复杂的人物动画需要有效的骨架/剪辑；如果没有，则使用剪影、简单的块状定位或替代物体。
- 只使用来源和授权明确的库资产。如果项目没有相应的提供商，不要声称可以从文本任意生成3D模型。当管线支持此类元数据时，明确记录资产是程序化生成的、来自库的、生成的还是备选的。
时间线（Timeline）与数据结构
保持现有项目架构和必填字段以确保兼容性。当支持时，每个片段应包含：
{
"id": "beat_01",
"vi": "原始旁白",
"meaning": "该节拍的含义",
"visualClaim": "需要看到的特定动作/图像",
"mustShow": ["主体", "动作", "结果（如果有）"],
"mustNotShow": ["与旁白矛盾的事件发展"],
"continuityIds": ["跨镜头的角色或道具"],
"scene": "项目中的有效场景",
"camera": "项目中的有效相机",
"actions": [{"verb": "可见的动作", "cue": "触发该动作的短语（如果有定时）"}],
"timing": {"source": "tts_alignment 或 segment_timing", "startSec": null, "endSec": null}
}
这是一个分镜建议；不要向正在渲染的项目添加不兼容的字段。最终时间必须在渲染前从音频/TTS管线获取；如果渲染器要求时间戳，不要在渲染时间线中保留null。如果只有按句子定时，则按片段保持节拍，不要捏造时间码。
质量检查
在导出之前，按照清单检查每个节拍：
- 与旁白一致： 静音状态下也能猜测出核心意思；图像不与否定、主体、情绪或因果关系相矛盾。
- 节奏正确： 重要动作在相应短语被朗读时出现；根据管线可验证的能力，字幕和旁白没有错位。
- 美观清晰： 主体突出，配色有目的性，灯光/材质营造深度感，构图在小屏幕上可读，不遮挡字幕。
- 有运动： 镜头包含动作/变换/揭示；不过度使用环绕或缩放。
- 多样且连续： 相邻场景有目的地不同，但相关的角色/道具保持一致。
- 吸引人且有节奏： 前1-3秒直接与钩子相关；图像随内容进展而变化；高潮/揭示服务于核心思想；结尾不会在动作中间突兀结束。
- 有艺术方向： 风格、调色板、灯光和材质在每条线索内保持一致；每个镜头有视觉层次；不单纯为装饰使用特效。
- 声音有变化： 细微差别、重音和停顿适合每个想法；画面节奏与声音同步；清晰说明TTS的所有限制。
- 渲染可行： 资产可解析，没有空白/黑色场景，物体不被截断；持续时间和音频/视频在工具限制内匹配。
如果无法用现有工具验证某个标准，则明确记录为未执行的检查，而不是报告为通过。仅在管线支持或用户要求时，才导出分镜/清单/QA报告。
根据旁白选择图像的示例
- "每天你只进步一点点"：同一个人在桌子旁日复一日练习，操作逐渐熟练；改变灯光/天气来表示时间流逝。只有当句子确实谈论数字时才使用图表。
- "你无法留住一个想离开的人"：两个人在走廊里放手，一个人向门口走去；不要以团聚结束。
- "钱因小额开支而消失"：一个人触碰手机，几笔小额账单/交易从余额中逐一扣除；不要默认使用泄漏管道。
- "与父母在一起的时间不多了"：家庭晚餐，日历翻页，角色回来坐在父母身边；如果叙述语气温和，不要将提示变成悲伤的场景。
- "纪律是在没有动力时也要去做"：一个生气勃勃的年轻人在雨夜系好跑鞋出去；不仅仅是一个坐在街边长凳上的人。
可用场景与相机（来源：sceneManager.ts）
以下场景已注册可用：
home_living：带沙发的客厅library：有书架的书房park：室外公园city_rooftop：城市屋顶minimal_office：极简办公室soul_space：抽象灵魂空间
当前所有场景的相机选项：
portrait_straight：俯视竖屏three_quarter_front：正面四分之三side_profile：侧面close_up：特写wide_shot：广角
注意：这些是当前可用的资源。始终优先使用Direct Visualization；仅当旁白是高度隐喻性时才考虑library、soul_space或park。
导出格式
输出结构化的故事板JSON，包含每个节拍的动作和资产列表，并带有嵌套的时间码和相机数据。根据管线支持情况，可能会生成一个完整的渲染清单（Manifest）或QA报告。保持所有更改与sceneManager.ts、types.ts和现有的艺术方向兼容。