Higgsfield 影片解說產生器是做什麼的？

透過 Higgsfield CLI 執行 MCP 影片解說工作流程。鎖定一種視覺風格鍵、為每個 10 秒區塊撰寫一段旁白文字與一段相符的視覺提示、先產生所有語音片段、再產生所有影像片段，然後立即使用 explainer_video 命令以有序對組合這些片段。

此技能中絕不要使用單一 video_explainer 任務。

MCP 到 CLI 對應

MCP 工作流程操作	CLI 等效指令
`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 工作流程所使用的 Nano Banana Pro 風格鍵模型的公開 CLI 識別碼。

啟動

如果 higgsfield 不可用，請安裝它：

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

如果 higgsfield account status 失敗，請要求使用者執行 higgsfield auth login，然後等待。

在第一次提交之前檢查即時合約：

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

階段 0 — 先詢問

分兩個獨立回合收集選擇，依此順序。絕不要合併它們。

第 1 回合 — 僅限風格

總是載入即時 CMS 目錄：

higgsfield preset list video-explainer --json

顯示預設樣式的名稱及其縮圖/影片預覽 URL。說一句簡短的話，請使用者選擇預設樣式、描述自訂風格，或附加風格參考圖片，然後結束該回合。在同一回合中不要詢問製作設定。選擇風格是必要的；除非使用者明確說「你來選」，否則不要擅自決定。

僅當請求已包含 explainer preset id: <uuid> 時才跳過此回合。確認該 UUID 存在於即時目錄中，並在階段 1 中使用它。

第 2 回合 — 製作設定

只有在風格選擇完成後，才收集所有未決的設定：

時長：一到十分鐘。 N = 分鐘數 × 6 個固定 10 秒區塊。
旁白語言：預設為英文，但仍提供選擇。
角色：重複出現的吉祥物或無臉的風格化場景。總是要詢問。
畫面比例：預設 16:9 或 9:16 直立。
字幕：預設關閉。解釋字幕每個有聲區塊花費 0.05 信用點。如果啟用，讓使用者選擇 patrick、caveat、marker 或 anton；不要擅自決定。

每個選擇都屬於使用者，除非他們明確授權給你。

輸入

主題或個人/哲學故事。
可選的本地來源文件；在編寫腳本之前先讀取/提取它們。它們是事實輸入，而非生成媒體。
可選的預設 UUID，與自訂風格參考圖片互斥。
可選的風格參考圖片。僅使用它們的渲染風格和色彩分級；除非要求，否則絕對不要複製其中的人物、文字、標誌或物體。
來自階段 0 的時長、語言、角色模式、畫面比例和字幕選擇。

對於本地風格捐贈者，使用重複的 --image 傳遞每個路徑。對於網路圖片，先本地下載或使用現有的已上傳媒體 ID。

嚴格規則

保持所有視覺嚴格非寫實。在每個片段提示中重複相同的 STYLE 描述詞和非寫實負面提示。
所有口語文字排除在影片生成之外。片段音訊僅為環境音或音樂；沒有對話、對嘴或內嵌旁白。
每個標記區塊只使用一段旁白錄製和一段影片片段。區塊 N 的音訊始終對應到區塊 N 的影片。
將相同的風格鍵圖片附加到每個片段。
所有圖片/影片提示都用英文編寫。只有旁白使用所選語言。
在編寫腳本之前研究真實主題。不要發明引述、日期、數字或事件。
在相同執行中自動組合。返回零散的片段視為失敗。

流程

階段	輸出	CLI
0 詢問	先風格；然後時長、語言、角色、畫面比例、字幕	`preset list` + 使用者問題
R 研究	經過驗證的事實和來源	可用的研究工具
1 風格鍵	一個通用風格圖片	`preset resolve` 或 `nano_banana_2`
2 旁白	N 個標記的旁白行	推理
3 區塊提示	N 個標記的影片提示	推理
4 語音	使用者選擇一個聲音；產生 N 段錄音	`voices list` + `seed_audio`
5 片段	產生 N 個 10 秒片段	`gemini_omni`
6 組合	一個最終 MP4	`explainer_video`

在階段 1–3 之前閱讀 references/prompts.md。

階段 R — 研究

對於真實主題，使用可用的網路研究工具和權威來源，為每個區塊驗證足夠的事實。保留一個簡短的來源列表。不要僅憑記憶來編寫事實解說腳本。

對於個人故事，跳過網路研究，僅使用使用者提供的細節。不要虛構任何事實。

階段 1 — 建立或解析風格鍵

編寫一個可重複使用的 STYLE 描述詞：媒介、調色板、線條/填充行為、紋理/質感，然後加上 non-photorealistic, illustrated, not a photo, no live-action, no realism。

選定的 CMS 預設

將隱藏的風格圖片解析到有效工作空間：

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

將返回的 media_id 保留為 STYLE_KEY_ID。跳過圖片生成：此導入的媒體即為風格鍵。從返回的預設名稱加上強制的非寫實規則來建立 STYLE 描述詞。不要從其名稱重新創建預設。

預設參考控制構圖。如果它與階段 0 中請求的畫面比例衝突，則停下來讓使用者選擇，而不是默默地與參考對抗。

自訂風格或參考圖片

精確生成一張關鍵圖片。使用 references/prompts.md 中的抽象色票模板，或在啟用角色模式時使用其吉祥物變體。對每個風格捐贈者重複 --image：

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

直立使用 9:16。將完成的圖片任務 UUID 保留為 STYLE_KEY_ID；後續的 CLI 生成可以將已完成的任務 UUID 重複用作圖片參考。

階段 2 — 編寫旁白

用所選語言編寫恰好 N 個標記的旁白區塊：

區塊 1
<在片段 1 播放的台詞>
區塊 2
<在片段 2 播放的台詞>

每個區塊一行，通常 20–24 個單詞，約 8–9 秒。
保持每段錄製時間低於約 9.5 秒。
僅使用純口語文字：沒有時間碼、情緒提示、括號或舞台指示。
將數字拼寫出來。
使用具體的語氣，永遠不要說「在本影片中」。
對於主題，從鉤子構建到收尾。對於個人故事，保留使用者的細節和主角。

階段 3 — 編寫相符的影片提示

使用 references/prompts.md 中的模板編寫恰好 N 個標記的英文提示：

區塊 N
風格參考：精確匹配附加的參考圖片。 <相同的 STYLE 描述詞>
場景： <一個與區塊 N 旁白相符的場景和動作>
動態： <攝影機運動和動畫行為>
音訊： <僅環境 SFX 或音樂；無語音、對話或旁白>
負面提示： <風格漂移和寫實禁止；無對嘴、字幕、文字、標誌或浮水印>

對於吉祥物模式，區塊 1 以閉嘴手勢打招呼，最後一個區塊以揮手告別，中間區塊僅在有用時使用一致的角色客串。對於無臉模式，僅使用風格化場景。每個區塊保持一個清晰的動作。

階段 4 — 先產生所有語音片段

列出即時語音，呈現選項，並等待使用者選擇一個旁白者：

higgsfield voices list --json

保留所選語音的準確 id 和 type（preset 或 element）。除非使用者明確授權，否則絕不發明或自動選擇語音。

每個旁白區塊產生一個完成的 seed_audio 任務，始終使用相同的語音：

higgsfield generate create seed_audio \
  --prompt "<僅區塊 N 旁白>" \
  --voice_type "<preset|element>" \
  --voice_id "<voice UUID>" \
  --wait \
  --json

按區塊順序記錄每個音訊任務 UUID。僅重新生成失敗或過長的片段。必要時縮短該區塊或適度調整 --speech_rate。在完成所有 N 個音訊任務之前，不要開始階段 5。

階段 5 — 再產生所有影片片段

每個區塊產生一個完成的 10 秒 gemini_omni 片段。將相同的風格鍵附加到每次呼叫：

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

選擇時使用 9:16。按區塊順序記錄每個影片任務 UUID。在此階段中，獨立的任務可以同時運行，但音訊階段的屏障是嚴格的。僅重新提交失敗的區塊。絕不默默替換 gemini_omni；如果模型不可用，請檢查即時影片目錄。

階段 6 — 立即組合

使用至少兩個有序區塊對來創建 blocks.json。CLI 模型合約需要類型化參考，因此使用通用的已完成任務類型：

[
  {
    "video": {"id": "<片段 1 任務 UUID>", "type": "video_job"},
    "audio": {"id": "<語音 1 任務 UUID>", "type": "audio_job"}
  },
  {
    "video": {"id": "<片段 2 任務 UUID>", "type": "video_job"},
    "audio": {"id": "<語音 2 任務 UUID>", "type": "audio_job"}
  }
]

立即提交伺服器端組合器：

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

直立使用 --width 720 --height 1280。啟用字幕時，添加所選字型：

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

組合器將每個區塊保持在恰好 10 秒：它會將較短的語音片段置中、以保證音高的方式加速小的超時、絕不拉伸影片、按順序串聯區塊，並可選擇性地燒錄時間軸字幕。總時長為 N × 10 秒。

不要使用本地 ffmpeg、舊版組合腳本或單一的 video_explainer 任務。

檢查點與復原

在階段 5 之前：需要一個風格鍵、恰好 N 行旁白和提示、一個選定的語音以及 N 個完成的音訊任務。
在階段 6 之前：需要 N 個完成的影片任務以及精確的一對一區塊配對，沒有遺漏或重複的 ID。
預設缺失：重新整理 preset list；絕不重複使用或偽造 ID。
預設解析失敗：驗證工作空間選擇並重試一次。
風格漂移或寫實：強化共享的 STYLE 和 NEGATIVE 文字，然後僅重新生成該片段。
逾時：使用 higgsfield generate wait <job_id> --json 重新加入；絕不重複運行中的任務。
連續兩次相同失敗表示提示或參數必須更改。

交付

返回最終組合影片 URL、準確時長、畫面比例、旁白語言、選定風格、旁白者、字幕狀態，以及為研究過的主題提供的來源列表。除非要求，否則將中間任務 ID 和零散資產 URL 保留在內部。

Higgsfield 影片解說產生器