Higgsfield 视频解说生成器是做什么的？

通过 Higgsfield CLI 运行 MCP 视频解说工作流。锁定一个视觉风格键，为每个 10 秒片段编写一行解说词和一个匹配的视觉提示，先生成所有语音片段，再生成所有视频片段，然后立即使用 explainer_video 组装有序的成对片段。

切勿在此技能中使用单一的 video_explainer 任务。

MCP 到 CLI 映射

MCP 工作流操作	CLI 等效命令
`get_explainer_presets`	`higgsfield preset list video-explainer --json`
`resolve_explainer_preset`	`higgsfield preset resolve video-explainer <preset_id> --json`
`generate_image` / `nano_banana_pro`	`higgsfield generate create nano_banana_2 ...`
`list_voices`	`higgsfield voices list --json`
`generate_audio` / `seed_audio`	`higgsfield generate create seed_audio ...`
`generate_video` / `gemini_omni`	`higgsfield generate create gemini_omni ...`
`job_status`	`--wait --json` 或 `higgsfield generate wait <job_id> --json`
`explainer_video`	`higgsfield generate create explainer_video ...`

nano_banana_2 是 MCP 工作流所用的 Nano Banana Pro 风格键模型的公共 CLI ID。

启动

如果 higgsfield 不可用，请安装它：

curl -fsSL https://raw.githubusercontent.com/higgsfield-ai/cli/main/install.sh | sh

如果 higgsfield account status 失败，请让用户运行 higgsfield auth login，然后等待。

在首次提交之前检查实时合约：

higgsfield model get nano_banana_2
higgsfield model get seed_audio
higgsfield model get gemini_omni
higgsfield model get explainer_video

阶段 0 — 先询问

分两轮收集选择，顺序如此。切勿合并它们。

第 1 轮 — 仅风格

始终加载实时 CMS 目录：

higgsfield preset list video-explainer --json

显示预设名称及其缩略图/视频预览 URL。用一句简短的话让用户选择一个预设、描述自定义风格或附上风格参考图像，然后结束本轮。不要在同一轮中询问制作问题。选择风格是强制性的；除非用户明确说“你选”，否则不要擅自选择。

仅当请求已包含 explainer preset id: <uuid> 时跳过本轮。确认该 UUID 在实时目录中存在，并保留它用于阶段 1。

第 2 轮 — 制作设置

仅在风格选择之后，收集所有未确定的设置：

时长：1 到 10 整分钟。
解说语言：默认为英语，但仍提供选择。
角色：重复出现的吉祥物或非真人风格场景。始终询问。
宽高比：默认为 16:9 或 9:16 垂直。
字幕：默认关闭。说明字幕每个有声片段收费 0.05 积分。如果启用，让用户选择 patrick、caveat、marker 或 anton；切勿擅自选择。

每个选择都归用户所有，除非他们明确委托。

输入

主题或个人/哲学故事。
可选的本地源文档；在编写脚本之前阅读/提取它们。它们是事实输入，而非生成媒体。
可选的预设 UUID，与自定义风格参考图像互斥。
可选风格参考图像。仅使用它们的渲染风格和色彩分级；切勿复制其中的人物、文字、徽标或物体，除非被要求。
来自阶段 0 的时长、语言、角色模式、宽高比和字幕选择。

对于本地风格捐赠者，使用重复的 --image 传递每个路径。对于网络图像，先本地下载或使用现有的已上传媒体 ID。

硬性规则

保持每个视觉画面严格非真实感。在每个片段提示中重复相同的 STYLE 描述符和非真实感否定词。
将所有口语内容排除在视频生成之外。片段音频仅是环境音或音乐；无对话、口型同步或内置解说。
每个标记的片段恰好使用一个解说片段和一个视频片段。片段 N 的音频始终映射到片段 N 的视频。
将相同的风格键图像附加到每个片段。
用英语编写所有图像/视频提示。只有解说使用所选语言。
在编写脚本之前研究真实主题。不要编造引文、日期、数字或事件。
在同一运行中自动组装。返回松散的片段被视为失败。

流水线

阶段	输出	CLI
0 询问	先风格；然后时长、语言、角色、宽高比、字幕	`preset list` + 用户问题
R 研究	经过验证的事实和来源	可用的研究工具
1 风格键	一个统一的风格图像	`preset resolve` 或 `nano_banana_2`
2 解说	N 个标记的解说行	推理
3 片段提示	N 个标记的视频提示	推理
4 语音	用户选择一个语音；生成 N 个片段	`voices list` + `seed_audio`
5 视频片段	生成 N 个 10 秒片段	`gemini_omni`
6 组装	一个最终的 MP4 文件	`explainer_video`

在阶段 1–3 之前阅读 references/prompts.md。

阶段 R — 研究

对于真实主题，使用可用的网络研究工具和权威来源，为每个片段验证足够的事实。保持一个简短来源列表。切勿仅凭记忆编写事实解说脚本。

对于个人故事，跳过网络研究，仅使用用户提供的细节。切勿编造事实。

阶段 1 — 创建或解析风格键

编写一个可重复使用的 STYLE 描述符：媒介、调色板、线条/填充行为、纹理/表面处理，然后加上 non-photorealistic, illustrated, not a photo, no live-action, no realism。

选定的 CMS 预设

将隐藏的风格图像解析到工作区中：

higgsfield preset resolve video-explainer "<preset UUID>" --json

将返回的 media_id 保留为 STYLE_KEY_ID。跳过图像生成：这个导入的媒体就是风格键。根据返回的预设名称加上强制性的非真实感规则构建 STYLE 描述符。不要根据名称重新创建预设。

预设参考控制构图。如果它与阶段 0 中请求的宽高比冲突，请停止并让用户选择，而不是默默对抗参考。

自定义风格或参考图像

恰好生成一个关键图像。使用 references/prompts.md 中的抽象样本模板，或在启用角色模式时使用对应的吉祥物变体。对每个风格捐赠者重复使用 --image：

higgsfield generate create nano_banana_2 \
  --prompt "<style-key prompt>" \
  --aspect_ratio 16:9 \
  --resolution 2k \
  --wait \
  --json

垂直时使用 9:16。将完成的图像任务 UUID 保留为 STYLE_KEY_ID；后续的 CLI 生成可以重用已完成的作业 UUID 作为图像参考。

阶段 2 — 编写解说

用所选语言编写恰好 N 个标记的解说块：

Block 1
<在片段 1 上朗读的行>
Block 2
<在片段 2 上朗读的行>

每个片段一行，通常 20–24 个单词，大约 8–9 秒。
确保每个片段大约在 9.5 秒以下。
仅使用纯口语文本：无时间码、情绪提示、括号说明或舞台指示。
数字拼写出来。
使用具体的语气，绝不说“在这个视频中”。
对于主题，从钩子到收尾构建。对于个人故事，保留用户的细节和主角。

阶段 3 — 编写匹配的视频提示

使用 references/prompts.md 中的模板编写恰好 N 个标记的英语提示：

Block N
STYLE REFERENCE: Match the attached reference image EXACTLY. <same STYLE descriptor>
SCENE: <一个场景和动作，匹配 Block N 的解说>
MOTION: <摄像机运动和动画行为>
AUDIO: <环境 SFX 或仅音乐；无语音、对话或解说>
NEGATIVE: <风格漂移和现实感禁令；无口型同步、字幕、文字、徽标或水印>

对于吉祥物模式，片段 1 通过手势打招呼且闭嘴，最后一个片段挥手告别，中间片段仅在有用时使用一致的客串。对于非真人模式，仅使用风格化场景。每个片段保持一个清晰的动作。

阶段 4 — 先生成所有语音片段

列出实时语音，提供选择，等待用户选择一个解说员：

higgsfield voices list --json

保留所选语音的确切 id 和 type（preset 或 element）。除非用户明确委托，否则切勿自行发明或自动选择语音。

为每个解说块生成一个完成的 seed_audio 任务，始终使用相同的语音：

higgsfield generate create seed_audio \
  --prompt "<Block N narration only>" \
  --voice_type "<preset|element>" \
  --voice_id "<voice UUID>" \
  --wait \
  --json

按块顺序记录每个音频任务 UUID。仅重新生成失败或过长的片段。必要时缩短该块或适度调整 --speech_rate。在所有 N 个音频任务完成之前不要开始阶段 5。

阶段 5 — 再生成所有视频片段

为每个块生成一个完成的 10 秒 gemini_omni 片段。将相同的风格键附加到每个调用：

higgsfield generate create gemini_omni \
  --prompt "<Block N video prompt>" \
  --image "<STYLE_KEY_ID>" \
  --duration 10 \
  --resolution 720p \
  --aspect_ratio 16:9 \
  --wait \
  --json

选择垂直时使用 9:16。按块顺序记录每个视频任务 UUID。在此阶段内，独立的任务可以并行运行，但音频阶段的屏障是严格的。仅重新提交失败的块。切勿擅自替换 gemini_omni；如果模型不可用，请检查实时视频目录。

阶段 6 — 立即组装

创建 blocks.json，至少包含两个有序的块对。CLI 模型合约需要键入的引用，因此使用通用的已完成作业类型：

[
  {
    "video": {"id": "<clip 1 job UUID>", "type": "video_job"},
    "audio": {"id": "<voice 1 job UUID>", "type": "audio_job"}
  },
  {
    "video": {"id": "<clip 2 job UUID>", "type": "video_job"},
    "audio": {"id": "<voice 2 job UUID>", "type": "audio_job"}
  }
]

立即提交服务器端组装器：

higgsfield generate create explainer_video \
  --items @blocks.json \
  --width 1280 \
  --height 720 \
  --wait \
  --json

垂直时使用 --width 720 --height 1280。启用字幕时，添加所选字体：

--subtitles '{"font":"patrick"}'

组装器使每个块恰好为 10 秒：它将短的语音片段居中，以安全音调方式加速小的超时，从不拉伸视频，按顺序连接块，并可选择烧录时间字幕。总时长恰好为 N × 10 秒。

不要使用本地 ffmpeg、旧版汇编脚本或单一的 video_explainer 任务。

检查点和恢复

在阶段 5 之前：需要一个风格键、恰好 N 行解说和提示、一个选定的语音、以及 N 个完成的音频任务。
在阶段 6 之前：需要 N 个完成的视频任务以及精确的一对一块配对，没有缺失或重复的 ID。
预设缺失：刷新 preset list；切勿重复使用或编造 ID。
预设解析失败：验证工作区选择并重试一次。
风格漂移或写实感：加强共享的 STYLE 和 NEGATIVE 文本，然后仅重新生成该片段。
超时：使用 higgsfield generate wait <job_id> --json 重新加入；切勿重复正在运行的任务。
两次相同的失败意味着必须更改提示或参数。

交付

返回最终组装的视频 URL、确切时长、宽高比、解说语言、所选风格、解说员、字幕状态，以及针对研究主题的来源列表。除非被要求，否则保持中间任务 ID 和松散资产 URL 的内部状态。

Higgsfield 视频解说生成器