AI视频生成器(提示→片段→成品视频) 是做什么的?
此技能镜像了Fliki的“AI视频生成器”栈(参见 references/fliki-notes.md):生成式视频模型负责镜头制作,后期处理层负责添加语音、字幕、音乐和尺寸调整。
模型访问: 此容器无法访问模型。用户需要在其自己的Flow/Kling/Fliki账号(或其他工具)中,根据此处编写的提示生成片段。此技能仅负责规划和后期处理。
A模式 — 规划与提示
- 简报。 收集以下信息,如果用户未说明则使用默认值:
- 主题或脚本
- 时长(默认30-60秒)
- 画幅(9:16短视频、16:9 YouTube、1:1信息流)
- 风格(电影感、动漫、3D、UGC手机拍摄、产品工作室……)
- 他们拥有哪些模型
- 旁白和字幕使用的语言
- 脚本。 编写脚本,要求在最初3秒内设置悬念,每个镜头一个想法,并包含行动号召(CTA)。对于事实信息,仅使用用户提供的来源或经过验证的搜索结果。展示脚本并等待用户确认。
- 分镜表。 每3-8秒一个镜头(大多数模型生成4-10秒的片段),以表格形式呈现:
# | 时间 | 旁白台词 | 镜头画面 | 模型 | 文生视频或图生视频。 - 逐镜头提示。 使用
references/prompt-guide.md中的模板,每个镜头使用一个代码围栏块,以便用户逐个复制。- 每个提示必须独立完整:重复描述主体、场景、光线、镜头、运动、风格和宽高比。模型不会记住之前的镜头。
- 一致性: 在一个“角色手册”中定义每个角色和产品(面部、发型、服装、颜色、道具),并在每个镜头中粘贴同样的描述。对于困难情况,首先为参考静帧编写图像提示,然后基于该图像生成视频片段。
- 原生音频: 如果模型生成音频,则添加
Audio:行(仅环境音和特效音)。仅当用户希望镜头中出现人物说话时,才将对话放在引号内。 - 模型擅长处理的内容: 每个镜头一个动作。镜头移动加上主体移动是可以的,但同时发生三个事件通常会导致失败。
- 文字: 不要要求模型生成可读的文字、Logo或UI。请在后期处理中添加这些内容,或作为代码绘制的叠加层。
- 交付。 向用户提供:
- 分镜表
- 提示列表
- 下载文件的命名规则(
s01.mp4,s02.mp4……) - “将片段发送回此处,我将完成视频制作”
B模式 — 组装片段
- 获取片段(聊天上传、Drive链接或工作区中的文件)。使用接触印表(
ffmpeg … tile)进行检查,并对照分镜表逐个核对:错误的主体、变形的手或面部、不需要的文字。对于质量差的片段,建议重新生成,而不是直接使用。 - 语音。 选择一种:
- 用户提供的MP3文件
- 通过
request_credential调用ElevenLabs(主机api.elevenlabs.io,请求头xi-api-key)——绝不要在聊天中询问密钥 - 无语音(仅字幕)
- 如果有语音,运行
scripts/align.py进行对齐,生成words.json。 - 编写
edit.json(格式见scripts/assemble.py文件顶部):- 每个片段的裁剪点:裁掉前0.3秒和后0.3秒(模型在开头和结尾常出现抖动)
fit覆盖/包含,fade淡入淡出- 语音、音乐 +
music_db音乐分贝,words 单词,caption style 字幕样式 fontsdir包含本地woff2/ttf字体文件(印地语需要)
- 渲染。 运行
python scripts/assemble.py edit.json final.mp4。脚本会将每个片段归一化为统一的宽×高和帧率,进行交叉淡入淡出,混合片段音频、语音和音乐(音乐在语音时自动回避),渲染单词高亮字幕,并应用 loudnorm −14 LUFS 标准化。 - 其他比例。 更改宽/高并重新渲染。全出血画面使用
cover模式,无法裁剪的宽景镜头使用contain模式。 - 交付。
- 使用
blackdetect检查黑帧。 - 生成一个小于20MB的720p版本,用于WhatsApp。
- 使用
SendUserFile发送两个版本。
- 使用
规则
- 真实人物: 禁止生成对真实在世人物(政客、名人、普通人)的逼真AI肖像,除非是用户本人并已获得同意。应使用剪影或象征性镜头代替。提醒用户YouTube和Meta要求对逼真的AI生成内容进行标注。
- 禁止编造: 禁止虚假推荐、编造的统计数据,或伪装成真实客户评价的UGC内容。在不声称是真实个人经历的前提下,使用UGC风格是可以接受的。
- 模型规格变化快: 片段长度、价格和模型名称都作为带日期的注释保存在
references/目录中。在必要时查询用户所使用的工具,不要承诺确切的积分或价格。