QuickDesign CLI 技能
此技能教導 Claude 如何規劃並透過 quickdesign CLI 執行 AI 媒體生成。CLI 封裝了 QuickDesign 的託管模型(Seedance 2.0 R2V/I2V、Kling、Sora 2、Nano Banana、GPT Image、影片升頻),讓 Claude 可以直接從 Bash 生成影片和圖片,無需管理 API 金鑰、輪詢或儲存上傳。
何時呼叫
- 說話頭像 / UGC 影片 — 「製作一個 30 秒的廣告,讓這個人說 X」、「將此腳本轉換成影片」、「建立一個創作者自拍片段」
- 多片段宣傳 / 解說 — 任何總語音長度超過 15 秒(單一 Seedance 片段上限)的情況,或使用者想要角度切換 / 景深變化的情況
- 圖片編輯 / 生成 — 角度變更、狀態變更、白色背景產品照、生活方式合成、品牌工具包風格創意素材、多產品參考構圖
- 影片升頻 — 將 720p / 1080p 輸出提升至 1080p / 4K
- 大量 / 批次創意素材生產 — 「對這 5 張產品照片各做一次」
請勿用於:純文字生成、程式碼編輯、搜尋——這些有各自的工具。
基本規則(每次閱讀,優先遵循)
這些規則適用於每一次生成。違反任何一條都會導致明顯的缺陷。
-
預設影片模型 =
seedance-2.0-r2v,適用於任何 UGC / 說話頭像 / 宣傳 / 解說 / 多場景工作,無論其長度或片段數量。 不要因為腳本「夠短」而降級使用seedance-2.0-i2v——R2V 處理 4-15 秒的單次拍攝和多片段同樣出色,並且從一開始就使用 R2V 可以保留此技能依賴的所有原語(@Image1參考、多個--reference-image、--reference-audio語音連續性)。只有在使用者明確選擇(「使用 Sora 2」)或 R2V 在註冊表中不可用時,才切換 R2V。⚠️ 「i2v」(圖片轉影片)這個名稱具有誤導性。 R2V 也接受單一圖片轉影片的流程——只需傳遞一個
--reference-image。不要因為任務是「圖片轉影片」而選擇 i2v。一個像 「使用者想要將靜態圖片動畫化 → 圖片轉影片 → 因此使用 seedance-2.0-i2v」 這樣的代理推理鏈,正是此規則要防止的隱性回歸。即使你只是在動畫化一個沒有語音且不需要多參考的香蕉編輯,R2V 仍然是預設——i2v 沒有增加任何價值,並且如果任務的下一次迭代確實需要這些原語,它就會喪失它們。請參閱
models/seedance-2.0-r2v.md。 -
在提示中使用
@Image1/@Audio1/@Video1參考標籤,並將每張相關照片作為單獨的參考傳遞。nano-banana-2(圖片編輯)和 Seedance 2.0 R2V(影片)都接受多個--reference-image標誌。如果使用者從兩個角度上傳了一個產品,請傳遞兩者——用文字描述第二個角度是種退步。不要用文字重新描述人物、服裝或產品;這會與參考圖片產生競爭並導致偏差。❌ 錯誤——對
@Image1進行冗長的逐字重新描述:Authentic UGC photo of the woman from the reference (long wavy brown hair, natural glowy makeup, glossy peach-coral lips, gold hoop earrings, pearl choker, soft smile), wearing the beige suede sneakers from the second reference, in a cozy minimal bedroom...Banana 已經在
@Image1中看到了她的頭髮/妝容/嘴唇/珠寶,並在@Image2中看到了運動鞋的顏色/輪廓/鞋底。重新描述它們等於告訴模型「忽略參考,根據這段文字繪製」——這與視覺錨點競爭並導致偏差。✅ 正確——標籤完成工作,文字只描述新增的內容:
Edit @Image1: change pose to iPhone mirror selfie. Add a white ribbed tank top + oversized baggy jeans. Sneakers matching @Image2 visible at the bottom of the frame. Keep face, hair, makeup, jewelry, and lighting unchanged from @Image1.請參閱
references/multi-reference-pattern.md和models/下的各模型卡片。 -
多片段語音連續性 = 使用片段 1 提取的音訊作為
--reference-audio。 先生成片段 1 →ffmpeg -vn -acodec libmp3lame提取音訊 → 將該 mp3 作為--reference-audio傳遞給片段 2..N。沒有這個,每個片段都會選擇不同的聲音。請參閱references/voice-continuity.md。 -
抑制分層的背景音樂和內嵌字幕——僅使用最小指令。 在提示中加入兩行簡短文字:
No music score.和No subtitles or on-screen text.這樣就夠了。不要列舉你想要保留的環境音效(「街道噪音、咖啡館聊天聲、濃縮咖啡機」)——Seedance 會自行產生自然的環境音;過度指定會使音頻聽起來像劇本。請參閱references/no-music-no-subtitles.md。 -
對於內嵌字幕,請在生成後使用
quickdesign video subtitle。 永遠不要讓影片模型透過提示自行產生內嵌字幕——它們會產生幻覺。專用的字幕端點會執行真實的 ASR(ElevenLabs)並渲染準確的卡拉 OK 風格字幕。請參閱references/auto-subtitle.md。 -
確認關卡——即使在自動模式下,也要在花費點數前暫停。 自動模式能減少低成本可逆工作(檔案編輯、研究、規劃)的摩擦。付費 AI 生成既非低成本也非可逆——自動模式不會繞過這些關卡。務必:
- 在任何影片生成之前進行規劃摘要(類型 / 模型 / 持續時間 / 成本 / 腳本)。呈現它,然後要么等待明確的「開始」(正常模式),要么立即繼續,同時將計劃保持在上述 bash 呼叫的可見範圍內,以便使用者可以在花費完成之前終止任務(自動模式)。計劃必須在 bash 呼叫之前到達,絕不能在之後。
- 在將香蕉編輯輸入 Seedance R2V 之前展示參考 → 顯示編輯,等待視覺核准。香蕉約 12 點數,Seedance 約 250-500 點數;錯誤的參考自動鏈接會浪費 50 倍的成本。此關卡在自動模式下不會壓縮。
- 有關完整的自動模式互動,請參閱
references/confirmation-rules.md。
-
對於需要選擇的關卡,使用
AskUserQuestion工具,而不是自由形式的文字。 模型選擇器、過渡風格、解析度、香蕉編輯核准/重新生成/取消——呼叫AskUserQuestion並提供結構化的選項列表,並將你的建議放在第一位,加上「(已推薦)」。請參閱references/confirmation-rules.md。 -
當提供了頭像且設定未變更時,編輯頭像——不要重新生成。 組合式香蕉提示(「Compose a vertical 9:16 UGC selfie frame...」、「Generate a creator-selfie scene...」)會導致模型渲染一個受頭像啟發的全新 AI 風格圖像——從而失去來源的光線、顆粒感和低保真真實感。結果感覺是人造的,而不是真實創作者編輯過的自拍照。使用編輯式動詞(
Edit @Image1: add ...、Take @Image1 as-is and only change ...、Keep every pixel of @Image1 except [region]),不要重新列出參考已顯示的場景標記,並從提示中移除品質提升詞彙(「photo-realistic」、「studio quality」、「8K」)——它們會觸發重新生成。請參閱references/avatar-edit-not-regenerate.md。 -
對於 UGC 影片,呈現語音或靜音的選擇——不要默默選擇。 「UGC 影片」是模糊的:它可能是一個有聲的創作者片段(腳本驅動、語音 + 唇形同步)或者一個純動作節拍(OOTD 揭露、B-roll、帶有後期文字疊加的動態靜止圖片)。兩者都是合法的創意格式。代理不得默默選擇其中之一:
- 強烈指向有聲信號(直接進行):使用者寫了「talking-avatar」、「creator says」、「voiceover」、「explainer」、「ad with script」或自己提供了腳本。建立腳本 → 放入計劃摘要 → 使用
generate_audio: true和內聯的引述語音生成。 - 強烈指向靜音信號(直接進行):使用者寫了「OOTD reveal」、「motion only」、「no audio」、「B-roll」、「Pinterest aesthetic」或想要一個靜態圖像動畫捲軸。
- 模糊的「UGC 影片」/「宣傳影片」/「廣告影片」 — 呼叫
AskUserQuestion,提供兩個選項:有聲(附帶一個草稿 4-8 字鉤子)或靜音 + 後期疊加文字。推薦更符合使用者簡報的那個。不要默默預設。
當選擇有聲時:永遠不要在提示中沒有引述語音的情況下開始生成。如果使用者沒有提供,起草 4-12 秒符合簡報的對話,在計劃摘要中呈現,然後繼續。使用通用動作提示且沒有引述語音進行生成,會產生無聲影片或模型胡亂發出的音素——浪費點數。
請參閱
references/script-and-duration.md了解字數 → 持續時間計算。 - 強烈指向有聲信號(直接進行):使用者寫了「talking-avatar」、「creator says」、「voiceover」、「explainer」、「ad with script」或自己提供了腳本。建立腳本 → 放入計劃摘要 → 使用
-
多片段計劃在片段 1 之後停止以進行視覺核准——在使用者確認片段 1 沒問題之前,不要展開片段 2..N。 語音連續性透過
--reference-audio將片段 1 的音訊鎖定到每個後續片段。如果片段 1 有錯誤的聲音、錯誤的頭像身份、發音錯誤的單詞或偏離品牌的構圖,每個並行的片段 2..N 都會繼承該缺陷。一個 4 片段計劃,每個約 250 點數 = 約 1000 點數;自動展開一個有問題的片段 1 會浪費約 750 點數,這些點數本不需要花費。流程是:
- 計劃摘要 → 使用者核准(規則 5)。
- 僅渲染片段 1。
- 在聊天中顯示片段 1 的影片 URL + 呼叫
AskUserQuestion,提供選項:- 看起來不錯 — 渲染片段 2..N (如果片段 1 是乾淨的,則推薦)
- 重新渲染片段 1(調整提示 / 參考 / 持續時間)
- 取消多片段計劃
- 僅在「看起來不錯」時 → 使用提取的音訊並行展開片段 2..N。
此關卡在自動模式下不會壓縮。無論使用者多麼有耐心,片段 1 到片段 N 的花費倍數都是相同的。請參閱
pipelines/ugc-video.md了解標準的多片段流程。 -
攝影機保持不動。除非使用者明確要求,否則不要更改角度 / 構圖。 紀錄片風格的 UGC(街頭採訪、廚房展示、創始人 POV、客戶見證、Vlog 風格)被理解為一個連續的攝影機位置,而不是多角度切換序列。預設為:相同的構圖(例如,中景眼平)、相同的距離、頭像在所有片段中大致處於相同位置。片段之間的「過渡」是頭像的姿勢 / 台詞 / 微表情——而不是角度切換。
❌ 錯誤預設(隱性回歸——產生一種「電影攝影指導拍攝的感覺」,破壞了 UGC 的真實性):
- 片段 1 中景 → 片段 2 過肩鏡頭 → 片段 3 特寫
- 「緩慢推近說話者」
- 「在關鍵句處切到產品特寫」
- 每個
nano-banana-2片段參考都使用同一個人的不同角度
✅ 正確預設(保留 UGC 真實性):
- 在所有片段中使用相同的原始畫面或接近相同的角度 / 光線。僅頭像的手部位置、視線或表情在片段之間變化。
僅當使用者明確要求時才切換到多角度:「每個片段交替角度」、「在鉤子處進行電影式切到特寫」、「包含一個產品的過肩鏡頭」、「工作室風格多機位 UGC」。如果不確定,透過
AskUserQuestion提問:固定攝影機(推薦用於紀錄片風格的 UGC)/ 多角度(電影式切換)。請參閱
references/first-frame-not-camera-motion.md了解關於靜態構圖與描述攝影機運動的相關規則。 -
審計使用者提供的所有參考——僅有產品不足以製作 UGC。 當簡報是「為這個產品製作一個 UGC 影片」,而使用者只提供了一張產品照片時,在生成之前先停止。Seedance R2V 需要錨定參考:產品、頭像 / 創作者(臉部、體型、氛圍)以及場景 / 地點(廚房、浴室、健身房、人行道)。文字可以詳細描述產品,但如果只用文字描述頭像,Seedance 會幻覺出一個通用的外表——通常是一個合成感的 20 多歲白人女性——而場景看起來會像庫存 B-roll,而不是品牌的世界。結果無法達到「看起來不像製作的」標準。
在生成之前,審計所提供的媒體:
- 產品圖片 — 幾乎總是存在。作為
--reference-image傳遞,提示標籤為@Image1。 - 頭像 / 創作者圖片 — 如果使用者提供了,將其作為單獨的
--reference-image傳遞,標籤為@Image2。如果使用者沒有提供,在生成之前呼叫AskUserQuestion:上傳創作者頭像 / 從 QuickDesign 頭像庫中選擇(5,000+ 肖像)/ 以文字描述創作者繼續(有合成感風險)。 如果使用者只有簡報,則推薦「從庫中選擇」。 - 場景 / 地點圖片 — 如果使用者是在拍攝「廚房場景」、「浴室鏡子自拍」、「辦公桌 POV」等,詢問他們是否有實際房間的參考照片。如果提供了,則作為
@Image3傳遞。
Seedance R2V 的呼叫應該如下:
quickdesign video generate --provider seedance \ --reference-image product.jpg \ --reference-image avatar.jpg \ --reference-image scene.jpg \ --aspect-ratio 9:16 --duration 12 --resolution 1080p \ -p '@Image2 in @Image3, holds @Image1 toward camera. She says: "..." No music score. No subtitles or on-screen text.' \ -o seg1.mp4 --wait@Image1/@Image2/@Image3標籤承擔了大部分工作;文字只描述動作和引述的語音。請參閱references/multi-reference-pattern.md。 - 產品圖片 — 幾乎總是存在。作為
決策樹 — 首先打開哪個文件
按工作類型:
| 請求 | 從此處開始 |
|---|---|
| UGC / 說話頭像 / 宣傳 / 解說 / 多片段廣告 | pipelines/ugc-video.md → models/seedance-2.0-r2v.md |
| 圖片編輯(角度、狀態、多產品構圖) | models/nano-banana-2.md → references/multi-reference-pattern.md |
| 電影式單次拍攝、音訊品質驅動(4/8/12 秒) | models/sora2-i2v.md(僅在使用者明確選擇時) |
| 預算循環 / 非語音 B-roll | models/kling-3-pro.md |
| 最終影片解析度太低 | models/topaz-video-upscale.md(在合併後執行) |
| 為現有影片添加字幕 | references/auto-subtitle.md |
| 品牌不在 Spy Brands 庫中 / 0 搜尋結果 | references/spybrands-add-on-miss.md |
| 使用者正在操作現有影片 | ... |