picturebook-video

静态绘本转儿童动画视频工作流。输入静态图（≥1张）+ 旁白，输出完整动画视频。严格遵循即梦官方9阶段SOP框架，针对绘本动画场景进行关键适配。适配场景：已有静态绘本图片 + 旁白的半成品素材，直接进入分镜设计阶段。

leonluo2008-ops 1 Updated 16h ago

Resources

GitHub

Install

npx skillscat add leonluo2008-ops/picturebook-video

Install via the SkillsCat registry.

SKILL.md

picturebook-video · 绘本动画制作工作流

将静态绘本图片转换为儿童动画视频的完整工作流。
输入：静态图（≥1张）+ 旁白；输出：可播放动画视频。
严格遵循即梦官方 SOP 架构（Phase 0-9），针对绘本动画场景进行核心适配。

定位说明

本 skill 针对已有静态绘本图片 + 旁白的半成品素材，跳过 Phase 0-4（创意发散 / 内容大纲 / 剧本创作 / 素材挖掘），直接进入：

Phase 5: 分镜设计（四步走）
Phase 6: 需求确认
Phase 7: 参考素材生成（注：绘本场景直接复用静态图，跳过本 phase 的主体生成步骤）
Phase 8: 分镜生视频
Phase 9: 视频剪辑/成片

⚠️ 阅读前必须理解的核心差异

	官方短剧 SOP	绘本动画（本 skill）
输入	剧本（连续动作）	静态图 + 旁白（独立叙事单元）
图间关系	物理连续动作，可设计「接力」	每张图独立，无物理连续动作
clip 衔接	靠动作接力 + 剪辑转场	靠每个 clip 内部的「叙事收势」设计
分镜切分	从剧本拆分镜头	从「静态图 + 旁白」设计叙事单元
结尾处理	动作进行中，下一个 clip 接上	必须设计完整的「起承转合」，clip 有头有尾

官方 SOP 的「衔接」机制（scene-reflection 检查动作衔接 + Phase 9 剪辑转场）在绘本动画场景下不适用。
解决方案在 Phase 5 Step 1（叙事单元设计）阶段，不在剪辑阶段。

⚠️ 启动前检查（Pre-flight）

下载官方 SOP：从飞书云盘 TBUNf0P7qlBz43dMvwecPxq6nGe 下载所有文件，下载后比对首行 # 标题 确认实际内容，不能按文件名判断
读取 seedance2.0-tool：skill_view(name='seedance2.0-tool')，了解 CLI 命令格式和参数限制
确认图片和旁白已就绪：图片已上传到工作目录，旁白是已确认的最终版本

3a. 素材在飞书云盘怎么办？

如果用户的图片/旁白在飞书云盘文件夹（aistar-work.feishu.cn/drive/folder/xxx），不要用 browser 打开网页。完整 SOP 见 references/lark-cli-drive-access.md，核心步骤：

lark-cli config bind --source hermes --identity user-default（个人身份，bot 看不到个人云盘）
lark-cli auth login --no-wait --json --domain drive 拿 device_code + verification_url
lark-cli auth qrcode "<url>" -o qr.png 生成二维码给用户扫
用户扫完 → lark-cli auth login --device-code "<code>" 续轮询
lark-cli api GET /open-apis/drive/v1/files --params '{"folder_token":"..."}' 列文件
批量下载到本地工作目录（--output 必须是相对路径）

跑完用 lark-cli auth status 确认有 drive:drive.metadata:readonly + drive:file:download 两个 scope，否则列文件会 Permission denied。

2026-06-02 教训：本次实测有 5 个坑——lark-cli 不在 skills_list 初查范围内 / feishu_drive_* 工具 unavailable / browser 需登录态 / 权限 scope 默认缺 drive:drive / device code 10 分钟过期。修复：触发词含「飞书云盘/lark-cli/feishu drive/drive folder」时先 skill_view(name='lark-cli') 再执行。

3b. 素材接入方式速查表（4 种）

方式	关键词	处理方式
飞书云盘	「lark-cli」「飞书云盘」「feishu drive」「aistar-work.feishu.cn/drive/folder/」	走 §3a + 加载 `lark-cli` skill
对话直发	用户直接发送图片/文件	用 `feishu_doc_read`/`vision_analyze` 读，不需要走云盘
本地路径	「路径」「~/Downloads」「/home/...」	直接 `read_file` / `vision_analyze`
API token	「OpenAPI」「DID」「附件 token」	走对应服务 API（云盘 token 用 §3a lark-cli 流程）

判断信号：

用户发 https://aistar-work.feishu.cn/drive/... → §3a lark-cli（不要用 browser）
用户发 https://aistar.feishu.cn/docx/... → 飞书文档 feishu_doc_read
用户发 https://open.feishu.cn/open-apis/... → lark-cli api 直调
用户说「图片发你了」+ 附件 → vision_analyze

创作整体流程（7个阶段）

Pre-flight: 启动前检查
    ↓
Phase 5: 分镜设计（四步走）
  ↳ Step 1 叙事单元设计（绘本版分镜切分）
  ↳ Step 2 分镜计时
  ↳ Step 3 分镜组合
  ↳ Step 4 连贯性校验
    ↓
Phase 6: 需求确认
    ↓
Phase 7: 参考素材生成（复用静态图）
    ↓
Phase 8: 分镜生视频
    ↓
Phase 9: 视频剪辑/成片

自动化原则（用户偏好 · 2026-06-03 Ok 好的绘本实测）

⚠️ 用户原话："你自己按照 picturebook-video 的流程，自动化处理，不是叫你别看图。"
核心原则：agent 按 skill 流程跑完全部步骤 → 输出最终交付物（提示词/分镜表），不在中间停下来描述中间过程。

适用场景：用户给"素材已就绪 + 让你做绘本视频"类指令。

自动化跑完的步骤：

✅ Pre-flight 自查（0 + 1 + 2 + 3）
✅ Phase 5 全部 4 步（叙事单元 → 计时 → 组合 → 连贯性校验）
✅ Phase 6 输出分镜表 + 4 个 Clip 完整 prompt
✅ 11 项自检 + 报告
⏸️ Phase 7 上传 + Phase 8 单测门 必须停下来等用户拍板（不可逆 + 收费）

不自动化的事：

❌ 不逐张图复述看到什么（用户不需要文字版画面描述）
❌ 不在 Phase 5 步骤 1-4 中间停下来等用户确认（"风格锚点你定"是用户授权）
❌ 不输出过度元描述（"我看了图1-8，发现..."——直接给最终结论）

风格锚点 / 合并策略 / 时长分配 / 范式选择——agent 按 skill 默认 + 实测图片观察自己定（SOUL.md 决策权归我原则）。用户不同意会直接说"改 XX"，不需要预先确认。

画外音测试：每个 Phase 输出前自问"这段话是给用户做决定用的，还是我自说自话？"——是后者就删掉。只输出对用户决策有用的内容（如 Phase 6 提示词 + 自检结果 + 阻塞项）。

⚠️ 工作流原则 · 探索式迭代（2026-06-03 v9→v10→v11 沉淀 · 类级教训）

本节是 picturebook-video skill 的核心工作流原则——不只是绘本视频，所有"通过实测迭代完善 skill"的工作流都适用。

用户的实际工作流 ≠ skill 默认工作流

用户原话（2026-06-03 v11-α 失败后园丁阶段）：

"我的工作方式就是在和你的对话中，通过实际的测试来探索和不断完善整个 skill。"

这意味着用户每次对话的工作流：

测试 1 个变体（v10）→ 发飞书看效果 → 用户判断（"v10 路线可行"）→ 沉淀 v10 范式
  → 测试下 1 个变体（v11-α）→ 发飞书看效果 → 用户判断（"几乎没有什么变化"）→ 沉淀 v11-α 失败
  → ...

而 skill 当前默认是"PRD→实现→沉淀"模式——一次性给完整需求，跑完整流程，输出成片。两者不匹配。

skill 必须支持的工作流特征

特征	含义	当前 skill 表现
小步快跑	用户每次只改 1 个变体（v10 = 1 个改动 / v11-α = 1 个改动）	✅ 范式分 v7/v8/v9/v10/v11-α 支持
每次沉淀	每次跑完必须沉淀（成功/失败都沉淀）	✅ SKILL.md §v9/v10/v11-α 章节有写
实测 + 用户判断	必须人耳听/眼看，不能只靠 AI 量化	✅ 单测门 SOP 强调人耳听
失败也沉淀	失败方向（v11-α）也要写进 skill，避免重复踩坑	⚠️ v11-α references 文档已加 §10 失败评估
探索状态管理	哪些方向在测、哪些已弃、哪些待验——状态要可见	❌ 缺"探索路线图"章节（园丁 Phase 2 建议 P1）

探索式迭代工作流的 3 条铁律

改 1 个变量 → 跑 → 用户判断 → 沉淀——不要一次改多个变量（v9 改 BGM 写法 / v10 改跨 clip 主题 / v11-α 改微动作都是各 1 个变量）
失败方向要明确标"已死"（v11-α）——避免下次又跑同方向；v11-α references 文档 §10 "实测最终结果"段是样板
用户反馈模糊概念时先问"是哪个范围"——v9 出现根因（"听用户原话要听场景"教训）："clip 内部断层"≠"clip 之间衔接"，必须让用户澄清范围

范式版本号约定

每次绘本启动把范式版本号写进 clips-prompt.json 的 version 字段（如 "v10-20260603"）。版本号是探索式迭代的可追溯性——未来翻旧项目能知道当时跑的是哪个范式。

探索方向归档（园丁 Phase 2 建议 P1，待实施）

skill 当前缺"探索路线图"段。未来加上：

## 探索路线图

| 范式 | 状态 | 目标 | 验证方式 | 备注 |
|------|------|------|---------|------|
| v7 静默型 | ✅ stable | 安静绘本无 BGM | Cactus 实测 | 默认备选 |
| v8 调性匹配 | ⚠️ deprecated | 复杂多情绪 | Red/Ok 实测 | 有 clip 内部断层问题，被 v9 替代 |
| v9 整 Clip 一致 | ✅ stable | 整 Clip 一段 BGM | Eat 吃实测 | 当前默认 |
| v10 跨 Clip 同主题 | ✅ stable | 领读型同氛围 | Eat 吃实测 | v9 升级版 |
| v11-α 微动作 | ❌ parked → **已死** | 画面动感增强 | Eat clip 2 失败 | 根因是输入限制（不是 prompt） |
| v11-β 改 hold pose | 🔜 planned | 静态图运镜 | 未测 | v11-α 失败后**优先级降** |
| v11-γ 软化 final frame | 🔜 planned | 不冻结 | 未测 | **不建议**（v7/v8 验证过冻结必要）|
| v11-δ 多帧输入 | 🔜 **P0 planned** | 即梦生成中间帧 | 未测 | v11-α 真正解法 |
| v11-ε 换写实风绘本 | 🔜 planned | Dear Zoo 验证 | 未测 | v11-δ 的验证绘本 |

当前实际状态（已沉淀到本节，路线图段落待正式建档）：

范式	状态	目标	实测	备注
v7 静默型	✅ stable	安静治愈绘本无 BGM	Cactus	默认备选
v8 调性匹配	⚠️ deprecated	单 Clip 多情绪	Red/Ok	已知断层，被 v9 替代
v9 整 Clip 一致	✅ stable	整 Clip 一段 BGM	Eat 吃	当前默认
v10 跨 Clip 同主题	✅ stable	领读型同氛围	Eat 吃	v9 升级版
v11-α 微动作	❌ 已死	画面动感增强	Eat clip 2	用户反馈"几乎没有什么变化"
v11-δ 多帧输入	🔜 P0	即梦生成中间帧	未测	真正解法

Pre-flight · 启动前检查

0. 已知踩坑自查（必做 · 不做会重蹈覆辙）

来源：2026-06-02 Red 绘本对话中，已经踩过 2 次的"封面 ≠ P1" 错误——memory 里有规则但本轮没查就又踩了。同类任务前必查。

# 1) 查所有已知踩坑关键词
grep -E "封面|页码|首图|最后一张|起始|收尾" \
  ~/.hermes/profiles/huiben/memories/MEMORY.md

# 2) 查本 skill 名下的相关教训
grep -E "绘本|picturebook|Red|领读" \
  ~/.hermes/profiles/huiben/memories/MEMORY.md

# 3) 查风控白名单（每次都要校对）
grep -E "风控|敏感|触.*reject|sensitive" \
  ~/.hermes/profiles/huiben/memories/MEMORY.md

自查发现相关条目 → 必须先读完再继续（不是扫一眼，而是把规则应用到本轮任务）。没有任何踩坑相关条目 → 继续 step 1。

常见已知踩坑（持续累积，2026-06-02 快照）：

关键词	踩坑内容	修复
封面/P1 分离	封面认知页 ≠ P1 单词认知页，必须分开	封面=WORD!全大写，P1=Look at the [WORD]
风控白名单	仅警察/军队/枪/武器/暴力触发；机械/警笛类拟声可正常使用	绘本消防车/汽车/警车视觉动作 + 警笛/喇叭/vroom 全部可以写
反模板化结尾	X! X! X! / Find the X! / I can say X! 模板化结尾	结尾让孩子参与动作（看/数/发现/感受），不是喊目标词

1. 下载官方 SOP

飞书云盘文件夹 token: TBUNf0P7qlBz43dMvwecPxq6nGe

⚠️ 官方文件名与实际内容对不上，必须按 token 判断。下载后必须比对首行 # 标题 确认实际内容。

token	实际内容
`K3fDba7h8obp55xq3x9cnS6Sn6b`	video-sop（即梦视频创作标准工作流程）
`U1RsbkaKfo9r3pxVkAAcRibonHf`	video-prompt（分镜生视频技能）
`R4ijbDgbYogAmGx9qHrc74qFnoc`	story-ref-gen（故事参考素材生成技能）
`XZDNbx1a2o2kTlxy44CcuSIHnHc`	scene-reflection（分镜连贯性校验技能）
`JqN6beMjVoaXgRxPlPFcB819npb`	shots-assembly（分镜组合技能）
`CI6sbrtxpo28NCxhinPcl19mnsh`	shots-timing（分镜计时技能）
`LbhbbPBUtoDstLxnRI1c4TyznJd`	script-chunk（分镜切分技能）

2. 读取即梦 CLI 工具文档

skill_view(name='seedance2.0-tool')

了解命令格式和参数限制：

--duration 必须是整数（向上取整）
4s ≤ 单个 clip 时长 ≤ 15s
默认 --generate-audio true

3. 确认素材就绪

✅ 工作目录已创建（建议 {项目名}/）
✅ 图片已上传（建议按 1.jpg, 2.jpg 命名）
✅ 旁白已确认最终版本

Phase 5 · 分镜设计（四步走）

严格遵循官方 SOP 的四步顺序，每步必须完成才能进入下一步，不能跳步。
本 phase 是绘本动画场景的核心差异化所在。

Step 1 · 叙事单元设计（绘本版分镜切分）

官方 SOP：script-chunk（将剧本拆分为单个镜头）
绘本动画适配：输入是「静态图 + 旁白」，不是剧本。本步骤将「静态图 + 旁白」转化为「带叙事弧的 clip」。

官方 script-chunk 的输出要素

字段	内容
镜号	从1开始连续编号
景别	远景/全景/中景/中近景/近景/特写
画面描述	当前镜头中看到的内容，必须完全基于图片
台词/音效	对应本镜头的旁白

绘本版的核心增强：叙事单元设计

每个叙事单元（对应一张图片 + 一段旁白）必须设计完整的四段式叙事弧：

阶段	说明	设计要求
起（开场）	这个 Clip 从什么状态开始	基于静态图画面，描述起始状态
承（发展）	中间发生了什么动作/变化	设计1-2个动作变化，不要只是「静止展示」
转（转折）	叙事的高潮点或关键变化	旁白核心信息在这里呈现
合（收势）	Clip 结尾的状态	必须设计「收势动作」——动作完成/达到目的/稳定状态，避免「动作进行中被截断」的观感

Prompt 写法选择：连续运镜 vs 时间轴分镜

核心经验（2026-05-26 {项目名}实测）：
起承转合是叙事弧，不是分镜数量。同一镜头内通过运镜可以完成整个叙事弧。
两种写法都正确，关键是根据叙事内容选择合适的写法。

写法 A：连续运镜（单线动作/单一情绪）

适用：单人动作、情感特写、传承凝视、单一情绪传递。
结构：整段连续运镜，无时间切分，用「最终定格在XX」控制收势。

⚠️ 时长分配原则（通用逻辑）：

起/承阶段：尽量简洁，不做过多铺陈
收势阶段：给足空间，确保有「落住」的感觉
核心原则：让前段让路给收势——前段不能拖到影响收势的完整性
收势的本质：动作/情绪「落住」的瞬间，不是「动作进行中被截断」

写法核心：

起/承：简洁带过，一句话交代场景+起始动作
转：旁白核心信息的视觉化呈现
收势：明确三件事——镜头锁住、画面静止、不渐隐不淡出

示例：

中景深蓝夜空下，小女孩双手握持燃烧的火把，目光凝视火焰，面带微笑。
镜头缓慢推进至面部特写，火光映照脸庞。
最终画面定格：镜头完全静止不动，结尾画面不渐隐不淡出，停留至最后一帧。
温暖插画风格，色彩饱和，叙事完整有悠长余韵。

写法 B：时间轴分镜（多段节奏/有转折）

适用：舞蹈高潮、多人物互动、多场景转折。
结构：用 [00-XXs] 分段标注不同 shot，每 shot 有不同景别或动作内容。

[00-02s] 中景篝火熊熊燃烧，小女孩双手高高举过头顶欢快舞蹈。
[02-04s] 周围村民围篝火半圆形演奏乐器，众人微笑注视。
[04-06.5s] 小女孩舞蹈达高潮，旋转裙摆飞扬。
[06.5-09s] 小女孩定格在双手高举姿态，篝火火焰稳定，镜头拉远全景，保持3秒。
温暖插画风格，色彩饱和，叙事完整。

选择决策树

情节是单线动作还是多段节奏？
├── 单线动作/单一情绪 → 连续运镜写法
│   └── 示例：小女孩举火把仰望、祖孙传承对视、祈福静默
└── 多段节奏/有转折 → 时间轴分镜写法
    └── 示例：篝火舞蹈（起→承→高潮→收）、多人物互动高潮

详细写法见 references/video-prompt-narrative.md

「收势」设计的三种模式

根据旁白的叙事功能，选择合适的收势模式：

模式	适用场景	收势设计
完成式收势	旁白描述的是一个完整动作	以「动作完成」收尾：举起火把→火焰燃起稳定；制作火把→完成品举起展示
进行式收势	旁白描述的是持续状态	Clip 结尾保持运动状态，但给出一个「小目标达成」：队列行进→抵达目的地，举起火把
悬念式收势	需要连接下一个叙事单元	结尾留一个未完成的动作/问题，但不做大的情绪起伏，保持平稳期待感

输出格式

## 图片分析汇总

| 图号 | 场景 | 人物/关键元素 | 色彩/氛围 |
|------|------|-------------|-----------|
| 1.jpg | 白天梯田村庄 | 10+人穿民族服饰，白墙红门，远景 | 绿/白/红，明亮开阔 |

## 旁白匹配

| 图号 | 旁白 | 匹配原因 |
|------|------|---------|
| 1.jpg | 夏天到来时，许多少数民族会相聚庆祝一场热烈而明亮的节日。 | 白天多人民族服饰场景，开场交代 |

## {项目名}分镜清单

### Clip N · [分镜标题]

| 镜号 | 景别 | 画面描述 | 旁白 | 叙事阶段 |
|------|------|---------|------|---------|
| 1 | 中景 | 阳光明媚的乡村庭院，一男一女坐在木凳上整理松木和松脂，男子用柴刀削木棍，女子整理火把材料。 | 人们用松木和松脂制作火把，保证火焰燃烧得又稳又亮。 | 起：开始制作 |

**叙事单元设计说明：**
- 起（00-02s）：男子用柴刀削木棍，女子整理火把材料
- 承（02-04s）：两人配合制作，男子将削好的木棍递给女子，女子用松脂绑缚
- 转（04-06s）：火把制作完成，男子举起火把
- 合（06-07s）：男子用火绒点燃火把，火焰稳定燃烧，火光照亮两人脸庞 → **收势在「火焰稳定燃烧」，不是「制作中」被截断**

执行检查清单（Step 1）

✅ 每张图都做了分析和旁白匹配
✅ 每个叙事单元都有「起承转合」四段设计
✅ 每个叙事单元都有明确的「收势」设计
✅ 收势模式选择合理（完成式/进行式/悬念式）
✅ 画面描述完全基于静态图，没有用旁白臆造画面
✅ 旁白核心信息在「转」阶段呈现
✅ Prompt 写法选择正确（连续运镜/时间轴分镜）

Step 2 · 分镜计时（shots-timing）

严格遵循官方规则：

类型	计算方式
台词镜头	旁白字数 × 0.3 秒/字
最低保底	每镜 ≥1 秒
情绪节奏	快节奏1-3秒，情感戏3-8秒，空镜2-4秒
景别影响	远景/全景偏长（3-6秒），近景/特写偏短（1-4秒）
单Clip硬约束	4s ≤ 时长 ≤ 15s

⚠️ --duration 参数必须是整数，向上取整（ceil）。

收势时长分配原则

核心原则：时长分配由旁白的叙事功能决定，不是硬编码比例。

根据旁白内容判断：

旁白类型	旁白在做什么	时长分配逻辑
交代型	说明背景/引入场景	视觉快速交代，重点在收势落住
动作型	描述一个完整动作事件	起→承→转→合，顺着动作节奏走，收势是动作完成态
情感型	传递情绪/感受/氛围	前段简洁，快速进入情感核心，收势给足余韵
高潮型	情绪到达峰值	前段快节奏推进，收势给到峰值后的稳定态

判断优先级：

这个旁白在叙事功能上是什么？（交代/动作/情感/高潮）
旁白的核心信息落在哪个词/哪个moment？
为了把这个核心信息传递给观众，视觉需要多长来呈现？

前段不能让路原则：前段（起/承）不能拖到影响收势的完整性——无论哪种旁白类型，收势都要有「落住」的空间。

输出格式

## {项目名}分镜计时表

| 镜号 | 景别 | 画面描述 | 旁白 | 时长(秒) |
|------|------|---------|------|----------|
| 1 | 中景 | 阳光明媚的乡村庭院... | 人们用松木... | 2.0 |
| ... | ... | ... | ... | ... |

**总时长：7.0 秒**

Step 3 · 分镜组合（shots-assembly）

严格遵循官方规则：

硬约束：每个 Clip 4s ≤ 时长 ≤ 15s，绝对不能超。

情况	处理方式
< 4秒	合并到相邻 Clip
> 15秒	拆分为多个 Clip
场景完整性	同一场景尽量不拆分
情节连贯性	同一段连续对话/动作不拆分

绘本场景的两种 Clip 切分策略

⚠️ 核心更新（2026-06-02 实测）：原 skill 默认 1图=1Clip 不适合所有绘本。

绘本类型	切分策略	理由
叙事型绘本（有故事弧、起承转合）	1图=1Clip	每页是独立叙事单元，clip 间通过画面切换承载情节
领读型绘本（弱情节、靠画面+旁白推，如「英文单词教学」「认知启蒙」）	2图=1Clip（连续运镜合并）	弱情节下 1图 1Clip 太碎、时长撑不到 4s 最低线；合并后用 prompt 内时间线运镜衔接两图

领读型合并的判断条件（同时满足才合并）：

旁白<8s 单段（按 0.3s/字计算）
两图场景元素相似（同色系/同主体/相邻景别）
弱叙事弧（不需要明确的"前一幕→后一幕"情节推进）

领读型合并的 prompt 写法（用首尾帧控制衔接）：

--image <前图> + --last-frame <后图> 锁住两个关键帧
prompt 中间用「镜头推进+暖光晕开」等自然过渡连接两图
不需要官方 SOP 的「尾帧接力」模式（那是漫剧场景的物理连续动作接力，绘本场景不适用）

领读型合并的总时长公式（2026-06-02 实测）

合并后总时长 = Clip1 时长 + Clip2 时长 + ...，每个 Clip 分配区间：

段落位置	推荐时长	理由
Clip 1（开头）	8s	标题+主形象登场，需要稳
Clip 2-N-1（中间段）	8-9s	均匀推进，节奏稳定
Clip N（结尾）	10s	情感核心（坚强/自信/友谊），给足余韵

公式：总时长 ≈ 段落数 × 8-10s，向上对齐到 8/9/10s 整数值。

例：8 张图分 4 个 Clip → 8 + 8 + 9 + 10 = 35s ✅

输出格式

## {项目名}Clip表

| Clip编号 | 对应图号 | 总时长(秒) | 画面描述 |
|----------|----------|------------|----------|
| 1 | 1.jpg | 7.5 | 白天梯田村庄，多人民族服饰 |
| 2 | 2.jpg | 7.0 | 夜晚火炬光带，村庄星空 |
| ... | ... | ... | ... |

**总Clip数：10个**
**总时长：67.0 秒**

Step 4 · 连贯性校验（scene-reflection）

强制 gate，必须完成才能进入 Phase 6 需求确认，不能跳过。

从以下五个维度逐一检查：

维度	检查内容
人物一致性	服装/外观/位置/动作衔接
道具一致性	存在性/位置/外观
场景一致性	光线/天气/陈设
逻辑连贯性	情节/时间/物理规则
色调统一性	整体色调风格统一

绘本场景的特殊检查项

检查项	说明
叙事收势是否完整	每个 Clip 是否都有「收势动作」，而不是「动作进行中被截断」
收势模式是否一致	收势模式（完成式/进行式/悬念式）选择是否与旁白叙事功能匹配
Prompt写法是否匹配	连续运镜/时间轴分镜的选择是否与叙事内容匹配

输出格式

## {项目名}Clip表（连贯性校验修复版）

## 校验结果
- 发现问题1：[问题描述]
  - 修复方式：[具体修复方式]
- 未发现其他一致性问题

---

[修复后的完整Clip表]

---

## 一致性注意事项
1. [人物XX]在所有Clip中保持[服装/外观]一致
2. [场景XX]在所有Clip中保持[光影/色调]一致
3. [道具XX]位置保持不变

执行检查清单（Step 4）

✅ 五个维度都做了检查（人物/道具/场景/逻辑/色调）
✅ 叙事收势完整性已检查
✅ Prompt 写法选择已检查（连续运镜/时间轴分镜）
✅ 所有发现的不一致问题都已标注并修复
✅ 修复没有改变原分镜的总时长和情节顺序
✅ 最后汇总了所有一致性注意事项

Phase 6 · 需求确认

将以下内容汇总给用户做最终确认：

最终旁白匹配表
最终分镜清单（含叙事单元设计）
最终 Clip 表（含时长）
总时长、宽高比、风格确认

用户确认所有内容无误后，才能进入 Phase 7-8。

Phase 7 · 参考素材生成

绘本动画场景的特殊适配：本 phase 跳过「生成角色/场景参考图」的主体步骤，直接复用已有的静态绘本图片。

执行方式

确认每张静态图的资源 ID（通过 seedance.py upload 上传获取）
将资源 ID 记录到 Clip 表中
进入 Phase 8

⛔ Phase 8 必读 · 绘本 prompt 三铁律（强制前置 · 不通过不进 Phase 8）

来源：2026-06-02 Red 绘本 v1→v2→v3 三轮实测沉淀。
不满足这三条 = 画面切快 + 收势失败 = 白跑一轮。

铁律 1 · 句号切分视觉，音效描述必须用分号 / 逗号

现象：v2 用句号 . 把视觉流程切成多段，模型把每段当成独立小节执行 → 画面节奏被「音效块」压缩。

修复：视觉描述用分号 ; 连接，音效描述嵌入视觉句中间（用逗号 , 串接）→ 整段保持单段连续语义。

❌ 错误：起始段. 音效块. 推进段. 收势段. 音效块. 风格段.
✅ 正确：起始段含音效副词, 推进段含音效副词; 收势段含收尾音效; 风格段.

铁律 2 · 收势词（final frame / camera locks / holds）放最后一句画面描述，后面是音频/禁令/风格段

现象：v2 在收势词后追加 [Sound effect: ... chime settling] → 模型把视觉定格指令当成"中间过渡"，把尾部音效当成收尾 → 收势失败，画面继续动。

修复：收势词必须是 prompt 的最后一句有意义的画面描述。v3 范式中收势词是绝对末尾（之后只有风格段），v7 范式中收势词在段 4（之后是音频段+禁令段+风格段）。收势词后面可以接音频控制/禁令/风格段，但不能再追加"画面动作"。

❌ 错误（v3 范式）：final frame: ... holds to the last frame. [Sound effect: chime settling]. 风格段.
✅ 正确（v3 范式）：final frame: ... holds to the last frame, quiet warm chime settles. 风格段.

✅ 正确（v7 范式）：final frame: ...; Storyboard Audio Description: ...; No background music...; 风格段.

铁律 3 · 否定性指令分场景：视觉段不能用，音频段能用

现象（旧）：v2 末尾加 "No speech, no narration, no background music..." 否定句 → 视觉模型不擅长"反向作画"，这句会变成无效描述，反而把最后一段从"画面定格指令"变成"文字说明"。

修复（旧）：删除视觉段的否定句。

v7 新发现（2026-06-02 里程碑）：音频段可以使用否定句。Seedance 视觉模型"不擅长反向作画"，但音频模型对 No X / No Y 的禁令是遵守的（参考示例 + Cactus 4 段实测通过）。这是 v6 → v7 的关键突破。

❌ 错误（视觉段）：风格段. No speech, no narration, no background music — only sound effects.
✅ 正确（视觉段）：风格段.
✅ 正确（v7 音频段）：No background music, no human voice, no narration, no singing;

三铁律自检清单（写完 prompt 后必跑）

整段 prompt 分号串接（视觉段 1 个分号；v7 范式 7 个分号）
收势词（final frame / camera locks / holds）在 prompt 的最后一句画面描述里
收势词后面不追加任何画面动作（v3 范式直接收尾，v7 范式接音频/禁令/风格段）
prompt 里没有 [Sound effect: ...] 独立块
视觉段里没有 "no speech / no narration / no BGM" 否定句
音频段里可以有 "no background music" 禁令句（v7 范式）
音效描述嵌入视觉句中（用 , 串接）或独立音频段（v7 用 Storyboard Audio Description:）

自检不通过 → 改完再提交。

范式选择决策树（v3 / v7 何时用哪个）

绘本类型？
├── 领读型（弱情节、靠画面+旁白推）
│   ├── 重复句式 + 整体氛围优先（如 I eat X / Pete the cat / Dear Zoo）
│   │   ├── 需要 TTS 卡点 + 跨 clip 同 BGM → **v10 范式**（领读型同氛围）
│   │   └── 不需要 TTS 卡点 + 跨 clip 同 BGM → **v10 范式**
│   ├── 需要 TTS 后期卡点 + 单 clip 多情绪 → v7 范式（精准分镜时序+精准动画+精准音频）
│   │   详见 references/分镜时序-精准动作-prompt范式.md（v7 章节）
│   └── 不需要 TTS 卡点 + 单 clip 多情绪 → v3 范式（双图连续运镜，散文叙述）
│       详见 references/领读型合并-双图连续运镜.md
└── 叙事型（强情节、起承转合）
    └── 1图=1Clip 标准模式（不在本 skill 范式范围）

v7 是 2026-06-02 后的推荐范式。v3 范式适用于"氛围型、不需要 TTS 卡点"的绘本。

完整 prompt 模板（v3 范式）

prompt_template = """@Image1 as the opening frame, {起始画面描述}, {起始音效副词};
{camera 运镜描述 + 中段音效副词}, transitions seamlessly to @Image2 as the second half, {结束画面描述};
final frame: the camera locks completely, the image becomes still, no fade, no dissolve, holds to the last frame, {收尾音效副词}.
{风格锁定句}."""

3 个分号，1 个句号（收尾），0 个 [Sound effect: ...] 独立块，0 个否定句。

红苹果示例（直接可复用）：

prompt_template.format(
    起始画面描述="the bold collaged letters 'RED' in red, blue and yellow paper stand on a yellow paper strip, a small white rabbit looks up at them, soft white background",
    起始音效副词="gentle paper-landing tap-tap-tap as the three letters settle into place",
    运镜="the camera slowly pushes in with a warm light bloom sweeping across the scene, paper textures become more vivid",
    中段音效副词="soft plop as the apple gently appears",
    结束画面描述="a red paper-collaged apple with green stem and brown leaf sits in the center, handcrafted paper-cut style throughout",
    收尾音效副词="quiet warm chime settles",
    风格锁定句="Children's picture book collage illustration style, paper-cut craft with visible paper texture and torn edges, warm and lively atmosphere, bright primary colors, handcrafted feel",
)

完整 v1→v2→v3 实战对比见 references/绘本音效-prompt写法.md（三铁律的详细来由 + 错版/对版示例）

Phase 8 · 分镜生视频（video-prompt）

绘本场景音频策略（先于 5 要素看）

绘本音频三件事（互不替代，先分清再写 prompt）

绘本视频里音频有三件事，互不替代：

类型	是否需要	写进 prompt	由谁生成
旁白朗读（人声念文字）	✅ 需要	否——旁白走后期 TTS（待探索：Seedance 2.0 具备旁白能力，尚未找到合适的 prompt 写法，目前不在 clip 里生成）	后期 TTS 合成
BGM 背景音乐	A 静默氛围型 ❌ / B 调性匹配型 ✅	A 否 / B 否（不写 BGM 词，让模型自动配纯音乐）	Seedance `--generate-audio true` 自带生成 / 后期 ffmpeg 替换

⚠️ 2026-06-03 用户实测反转：绘本 BGM 不是默认不要，两种风格任选：

A 静默氛围型（Cactus 范式）：绘本默认无 BGM，prompt 段 6 写 No background music
B 调性匹配型（Red/Ok 好的范式）：Seedance 自动配调性相符纯音乐 BGM，prompt 段 6 不写 No background music，只禁人声

绘本音频决策树（写 prompt 前必跑）

Q1：这个 clip 需不需要人声念旁白文字？
├── 是 → 走后期 TTS 合成，prompt 不写朗读文字（Seedance 2.0 旁白能力待探索）
└── 否 ↓

Q2：这个 clip 需不需要 BGM 持续铺底？
├── 是 → prompt 不写 BGM 词，单独叠音轨
└── 否（绘本默认） ↓

Q3：这个 clip 需不需要拟声/环境音卡点？
├── 是 → --generate-audio true，prompt 嵌入音效副词（看三铁律）
└── 否 → --generate-audio false（绘本场景极少）

绘本默认配置：--generate-audio true + prompt 里只写音效动作描述（不写朗读、不写 BGM）。

⚠️ 旧版默认值 --generate-audio false 是错的。绘本 ≠ 全静音。绘本需要拟声音效（字母落位 tap-tap-tap、苹果出现 plop、消防车警笛呜——），但不需要 BGM 持续铺底，也不需要人声念旁白。三件事互不替代。
后续若找到 prompt 写法让 Seedance 直接生成旁白，可去掉"后期 TTS"环节——目前待探索。

Prompt 编写规范（5要素）

严格遵循官方 video-prompt 的5要素格式：

#	要素	内容
1	参考主体引用	首帧图片 `seedance.py create --image ./N.jpg`
2	场景描述	当前 Clip 所在场景，保持与参考图一致
3	分镜动作描述	按选择好的写法（连续运镜/时间轴分镜）描述，必须包含收势设计
4	音效说明	短促拟声，嵌入视觉句中间（用逗号串接），不要用 `[Sound effect: ...]` 独立块
5	风格一致性说明	整体风格与参考素材保持一致

收势写法核心词

「最终定格」「缓慢拉远」「保持N秒不动」

⚠️ 旁白写在 Prompt 里——待后续完善

重要纠正（2026-05-26）：Seedance 模型具备旁白生成能力，当前问题是还未找到正确的写法，而非「旁白不能写进 Prompt」。
当前策略：旁白在剪辑阶段合成，Prompt 里不写旁白。
待完善方向：探索旁白写入的合适写法（如标注位置、语气、时机等）。

参数默认值

参数	默认值	绘本场景规则
时长	Clip 表中计算的总时长（必须严格与表中一致，不能超出15秒）	✅ 同上
宽高比	`16:9`	✅ 同上
分辨率	`720P`	✅ 同上
模型版本	`seedance2.0_vip`	✅ 同上
`--generate-audio`	`true` ⚠️ 绘本场景带音效（拟声/环境音，非人声、非 BGM）	✅ 同上
`--watermark`	`false` ⚠️ 绘本场景必须显式关闭	seedance.py 默认 `true` 会带 AI 水印，所有绘本 create 命令必须加 `--watermark false`（2026-06-03 Ok 好的绘本实测踩坑：4 个 clip 全带水印返工）

⚠️ --generate-audio 必须设为 true（2026-06-02 二大爷确认）：
绘本 ≠ 全静音。绘本需要拟声/环境音配画面（字母落位 tap、苹果出现 plop、消防车警笛等），这些靠 Seedance 同步生成**。**
prompt 里不写朗读（不写 "A red apple" 这种文字内容）→ 模型不会念旁白。
prompt 里不写 BGM（不写 "playful children's BGM"）→ 不会铺底。
详见 references/绘本音效-prompt写法.md 的三铁律。

v7 范式 build script 必跑项（2026-06-03 Ok 好的绘本实测踩坑）：
1. 段 1 引导句不能漏——This is a storyboard reference image sequence; render the following images in time order as separate shots within one continuous video。漏掉这段 = Seedance 把 2 图当 1 段独立运镜处理，时序窗失效 + 模型自由发挥铺 BGM（Cactus 4 段 vs Ok 好的 4 段实测差异：Ok 好的缺引导句 → clip2-4 全带 BGM）。v7 自检脚本要把"段 1 = 引导句"作为 #0 项必检。
2. 拼接 f-string 易漏字段（如把 motion 字段忘加到 final frame 段），导致"看似通过自检但 prompt 不完整"。自检脚本要对照模板段数（v7 = 8 段）逐段检查字段存在性，不能只看关键词字符串。
3. v7 模板示例（来自 references/分镜时序-prompt范式-v7.md）：8 段固定结构 = 引导 + shot1 + shot2 + final frame + Storyboard Audio + No 禁令 + 风格 + 句号。build script 应把 8 段都做模板变量，避免漏段。
4. 写 prompt 前必读 references/分镜时序-prompt范式-v7.md——不要凭印象写。该 reference 已含完整 8 段结构 + Python f-string 模板 + 11 项自检 + Cactus 真实示例。
5. 绘本场景禁用 MiniMax 生成 BGM（2026-06-03 用户原话）：用户明确表态"在绘本视频制作时不能使用"。绘本场景需要 BGM 时只能：①让用户自备 BGM.mp3 ②后期 ffmpeg 替换音频流铺 ③完全不加 BGM（绘本默认）。Seedance 生成的"自带"拟声不算 BGM（如 chime/whoosh/tap 等短促拟声合规）。

⚠️ BGM 调性策略（2026-06-03 用户实测偏好 · 段 6 禁令分两种风格）

之前的范式（Cactus 实测，2026-06-02）：v7 段 6 写 No background music, no human voice, no narration, no singing → 绘本默认无 BGM（"静默氛围型"）。

反转（Red/Ok 好的绘本实测，2026-06-03）：Seedance 2.0 可以为每个 Clip 自动配相符调性的纯音乐 BGM（昨天 Red 绘本效果就非常好）。用户原话："我说的 BGM 和场景相符，是指每一个 clip 场景，不是整个系列绘本。我不要求 Clip 1、Clip 2、Clip 3、Clip 4 保持统一的调性，只需要每一组、每一个 Clip 生成的 BGM 和画面的场景相符就可以了"。

两种 BGM 风格（根据绘本调性需求选择）：

风格	适用场景	段 6 写法	实测案例
A. 静默氛围型（v7）	安静 / 治愈 / 睡前 / 单色系调性绘本	`No background music, no human voice, no narration, no singing;`	Cactus（沙漠绿植 + 仙人掌坚强）
B. 调性匹配型（v8）	多情绪场景 / 暖色 / 活泼 / 故事化绘本	`No human voice, no narration, no singing, no dialogue, no vocal, no humming, no whistling;` （删除 `No background music`，让 Seedance 自动配调性相符的纯音乐 BGM）	Red 苹果、Ok 好的（舞台+门口+森林+卧室+彩虹）

两种范式（v7 + v8 双范式并存）：

v7 静默氛围型：参考 references/分镜时序-prompt范式-v7.md + assets/example-prompts/cactus-clip1-v7.txt + cactus-clips-2-3-4-v7.txt
v8 调性匹配型：参考 references/分镜时序-prompt范式-v8.md + assets/example-prompts/ok-clips-1-4-v8.txt

v7 → v8 关键升级（段 5 音频描述）：

- Storyboard Audio Description: [0.0s] tap-tap-tap; [3.5s] whoosh; [7.0s] chime;
+ Storyboard Audio Description: playful cheerful ukulele pizzicato strings, light bouncy rhythm with warm celebratory mood throughout this shot, [0.0s] tap-tap-tap; gentle warm acoustic guitar, tender send-off mood with soft piano throughout this shot, [3.5s] whoosh; [7.0s] chime;

调性匹配型 BGM 控制三铁律：

必须禁人声（no human voice / no singing / no vocal / no humming / no whistling）—— BGM 必须是纯音乐，绝对不能有人声（用户原话："BGM 一定是纯音乐，不要有人声，这是绝对禁止"）
段 5 必须写 BGM 调性词（每 shot 加 [乐器] + [调性形容词] + [场景情绪] throughout this shot）—— 让 Seedance 知道要生成持续 BGM 配画面调性
不在 prompt 写"play BGM / music" —— 模型看到"music"会自由发挥，画面段已经写清楚情绪词足够驱动 BGM 调性

调性匹配型 v3 prompt 模板（Ok 好的实测通过）：

Storyboard Audio Description: {bgm_mood_1} throughout this shot, [{t1}] {sfx_1}; {bgm_mood_2} throughout this shot, [{t2}] {sfx_2}; [{t3}] {sfx_3};

bgm_mood_1 = shot1 调性（乐器+情绪+节奏），如 playful cheerful ukulele pizzicato strings, light bouncy rhythm with warm celebratory mood
bgm_mood_2 = shot2 调性，可完全不同（绘本不要求系列统一调性）
{sfx} = 该 shot 内具体拟声/环境音卡点（tap/whoosh/chime 等）

调性词参考库（写进 BGM 调性词位置）：

场景	BGM 调性词（实测通过）
舞台/聚会/鼓掌	`playful cheerful ukulele pizzicato strings, light bouncy rhythm with warm celebratory mood`
送别/挥手/出门	`gentle warm acoustic guitar, tender send-off mood with soft piano`
森林/出发/冒险	`playful adventurous pizzicato and light flute melody, bright cheerful mood`
室内/共读/理解	`gentle warm piano with soft strings, calm understanding mood`
餐桌/吃饭/流口水	`happy hungry bouncy xylophone and pizzicato strings, joyful excited mood`
户外/玩耍/奔跑	`playful lively accordion and light percussion, energetic outdoor mood`
卧室/晚安/亲吻	`soft tender lullaby with music box and soft piano, gentle loving bedtime mood`
彩虹/结束/圆满	`uplifting hopeful warm orchestra with strings and gentle bells, all-is-well ending mood`

⚠️ 调性匹配型实测风险（Ok 好的绘本踩坑，2026-06-03）：

必须有段 1 引导句 + 视觉段调性词 + 音频段 BGM 调性词（三者缺一不可）
缺段 1 引导句 → Seedance 把 2 图当独立单图渲染，模型"自由发挥"铺不同 BGM
视觉段无调性词 → 模型只能用"warm color"等通用词，BGM 调性粗糙
音频段无 BGM 调性词 → 完全无 BGM（只有稀疏拟声）—— 这是最容易踩的坑，因为 v7 默认就是"不写 BGM"

禁用 MiniMax 生成 BGM（2026-06-03 用户原话禁止）："不要用 MiniMax 去生成 BGM，这是在绘本视频制作时不能使用的"。绘本场景需要 BGM 时只能 ①让 Seedance 自带生成 ②用户自备 BGM.mp3 后期 ffmpeg 替换音频流 ③完全不加 BGM（静默氛围型）。

调性词参考库（写进视觉段，引导 Seedance 配 BGM）：

调性词	场景	期望 BGM
`warm celebratory atmosphere`	舞台/聚会/鼓掌	欢快活泼
`tender send-off mood`	送别/挥手/出门	温馨柔和
`bright cheerful ... playful adventurous mood`	森林/出发/冒险	轻快明亮
`quiet calm ... warm understanding mood`	室内/共读/理解	平静温暖
`sunny excited ... joyful hungry mood`	餐桌/吃饭/流口水	欢快跳跃
`bright playful ... lively energetic mood`	户外/玩耍/奔跑	活泼动感
`cozy ... tender loving bedtime mood`	卧室/晚安/亲吻	温柔安静
`magical ... hopeful uplifting all-is-well mood`	彩虹/结束/圆满	升华希望

决策树（绘本启动时先决定 BGM 风格）：

绘本调性？
├── 安静治愈 / 睡前 / 单色系 / 氛围为主
│   └── A. 静默氛围型（No BGM）→ 走 Cactus 范式
│
└── 多情绪场景 / 暖色 / 活泼 / 故事化 / 多 Clip 不同调性
    └── B. 调性匹配型（让 Seedance 配纯音乐）→ 走 Red/Ok 好的 范式
        - 段 1 引导句必须
        - 视觉段必须含调性词
        - 段 6 只禁人声

11 项自检脚本对应：

A 风格：段 6 必含 No background music
B 风格：段 6 必含 No human voice，不含 No background music

✅ v9 范式 · 整 Clip 一致 BGM（2026-06-03 Eat 吃绘本实测通过）

v8 已知问题（已沉淀）：v8 实现"BGM 与画面精准匹配"（4 Clip 8 段不同 BGM 调性，持续 -27~-34dB），但clip 内部 BGM 断层——同一 Clip 内 8-10s 内 BGM 切太碎令人不适。

用户原话："虽然同一个 clip 里视频画面是分段的，但实际上画面之间也是合理切分，他们之间也是有转场衔接的。同一个 clip 时间本来就不长，如果 BGM 切换太频繁，会信人不适。"

v9 修正方向（✅ 已验证通过）：

v8（错）	v9（对）
段 5 每 shot 一段 BGM 调性词	段 5 整 Clip 一段 BGM 主题贯穿
`ukulele shot 1, guitar shot 2`（3.5s 硬切）	`ukulele BGM continues throughout the entire clip, with mood shift during the second half`（同主题渐变）
4 段不同 BGM = 4 Clip × 2 shot = 8 段切换	4 段不同 BGM = 4 Clip（整 Clip 一致）

v9 关键修复：

✅ 整 Clip 只有一段 BGM 主题（不按 shot 切）
✅ 必含 continues throughout the entire clip（持续标记）
✅ 必含 with a mood shift toward X during the second half（软调性变化）
✅ 段 6 禁人声（删 No background music）

AI 量化验证（v8 vs v9 音量曲线对比）：

时间	v8（按 shot 切）	v9（整 Clip 一致）
0.0s	-inf	-inf
0.5-3.0s	-52 ~ -34 dB（稀疏）	-27 ~ -33 dB（持续）
3.5s（边界）	-15 ~ -25 dB（突然出现）	-24 dB（平缓延续）
4.0-7.0s	-16 ~ -23 dB	-23 ~ -29 dB（持续）
整 Clip 评价	shot 边界 BGM 硬切	一条平滑曲线贯穿 0.5s-7.5s

v9 完整范式：见 references/分镜时序-prompt范式-v9.md
v9 真实示例：见 assets/example-prompts/eat-clips-1-4-v9.txt
v9 自动化脚本：见 scripts/build_v9_clips.py

v7+v8+v9 三范式并存（按绘本调性选）：

范式	适用	段 5 BGM 写法	段 6 写法	决策信号
v7 静默氛围型	安静 / 治愈 / 单色系	只写拟声	`No background music, ...`	"安静"/"沙漠"
v8 调性匹配型	多情绪 / 暖色 / 复杂调性	每 shot 一段 BGM	`No human voice, ...`（删 BGM 禁令）	"复杂"/"多情绪"
v9 整 Clip 一致型	同主题多动作 / 一致性优先	整 Clip 一段 + mood shift	同 v8	"连贯"/"不要切太碎" / 默认

默认范式（2026-06-03 起）：绘本启动默认走 v9（v8 作为复杂多情绪场景备选，v7 静默型保留）。

v9 必避反模式：

❌ 段 5 每 shot 一段 BGM 调性词（v8 写法）→ shot 边界 BGM 硬切
❌ 段 5 缺 continues throughout the entire clip → BGM 不持续铺底
❌ 段 5 缺 mood shift 软描述 → 整 Clip 同调性无聊
❌ 用 MiniMax 生成 BGM 后期铺（用户禁止）

切换范式方法：

v7 → v9：跳过 v8 直接升级（段 5 加 BGM 主题 + 段 6 删 No background music）
v8 → v9：段 5 合并每 shot BGM 调性词为整 Clip 一段 + 加 continues throughout the entire clip + 加 mood shift 软描述
v7 → v8：见 v7 升级表（参考 §BGM 调性策略）
v9 → v10：见下方 v10 章节

✅ v10 范式 · 跨 Clip 共享同一 BGM 主题（2026-06-03 Eat 吃绘本 clip2/3 实测通过）

v9 已知局限：v9 解决"clip 内部 BGM 断层"，但clip 互相不知道对方存在——clip 1 用 ukulele pizzicato 主题，clip 2 可能 AI 自由发挥生成为 xylophone 主题，clip 边界会出现调性跳变。

用户原话（2026-06-03）："在之前的基础上，尝试使用提示词来控制 clip2 和 clip3 的 BGM 衔接，让他们具有同样的调性，因为这是儿童领读视频，不需要很准确匹配场景，只要整体氛围达到一定感觉就可以。"

v10 修正方向（✅ 已验证通过）：

v9（错）	v10（对）
每个 clip prompt 自由定义 BGM 主题	clip 2+ 的 prompt 显式继承 clip 1 的 BGM 主题词
clip 1: `ukulele pizzicato` → clip 2: AI 可能生成 `xylophone`	clip 2: `same warm ukulele pizzicato melody from the previous clip continues`

v10 关键修复（3 件事）：

✅ 引入 v10_bgm 字段（继承上一 clip 主题词）
✅ clip 2+ prompt 必含 same warm ukulele pizzicato melody from the previous clip continues throughout this entire clip
✅ clip 1 不写 v10_bgm（是主题源），clip 2+ 写 v10_bgm（继承源）

v10 prompt 模板（clip 2+ 段 5 写法）：

+ Storyboard Audio Description: same warm ukulele pizzicato melody from the previous clip continues throughout this entire clip, gently evolving with soft pizzicato strings and xylophone accents, with a gentle mood shift toward a curious warm tone during the second half as the small bear explores the banana and carrot;

v10 关键限制（必读）：

Seedance 不会真去查 clip 1 实际生成的 BGM——只能靠 prompt 文字约束让它"假设"前一个 clip 用了某主题
同一绘本只能选一个 BGM 主题词（ukulele / xylophone / acoustic guitar 等）—— clip 2+ 都用同一个
如果 v10 跑出来两个 clip BGM 还是不同——说明 Seedance 没遵循 prompt 的"same ... from the previous clip"约束，需要：
1. 加大种子重复（每次用同一个 --seed 不可行，seedance.py 不支持）
2. 改 prompt 措辞：continuing the same warm ukulele pizzicato theme from the start to the end of this clip 更明确
3. 退到 v9（接受跨 clip 主题变化）

v10 量化指标（v9 vs v10 跨 clip 边界对比）：

指标	v9（各自自由）	v10（共享主题词）
clip 2 4.0s 边界 dB	-27.4	-29.3
clip 3 4.0s 边界 dB	-23.1	-34.2
边界 dB 差	4.3 dB	4.9 dB
音量 dB 是否衡量调性	❌（dB 是响度，不是音高/音色）	❌（同上）
人耳调性听感	clip 2/3 BGM 风格不同	同 ukulele pizzicato 主题 ✅

核心结论：音量 dB 不能量化调性一致性。调性是否一致只能人耳听——v10 跑完后必须连续听两个 clip 的 BGM 风格判断。

v10 完整范式：见 references/分镜时序-prompt范式-v10.md
v10 真实示例：见 assets/example-prompts/eat-clips-2-3-v10.txt
v10 自动化脚本：在 build_clips.py（绘本项目目录）加 build_v10_prompt() 函数 + CLI --version v9|v10 切换。注意：build_v10_prompt 必须用 clip.get("v10_bgm") or clip["bgm_theme"] 兼容 clip 1 缺字段（v10 Eat 吃实测踩坑：直接 clip["v10_bgm"] 会 KeyError）。详见 references/分镜时序-prompt范式-v10.md §3。

v7+v8+v9+v10 四范式并存（按绘本调性选）：

范式	适用	段 5 BGM 写法	段 6 写法	决策信号
v7 静默氛围型	安静 / 治愈 / 单色系	只写拟声	`No background music, ...`	"安静"/"沙漠"
v8 调性匹配型	多情绪 / 暖色 / 复杂调性	每 shot 一段 BGM	`No human voice, ...`（删 BGM 禁令）	"复杂"/"多情绪"
v9 整 Clip 一致型	同主题多动作 / 一致性优先	整 Clip 一段 + mood shift	同 v8	"连贯"/"不要切太碎" / 默认
v10 跨 Clip 同主题型	领读型 / 多 clip 同氛围	整 Clip 一段 + `same ... from the previous clip continues`（clip 2+）	同 v8	"领读型"/"整体氛围一致"

v10 实测问题（2026-06-03 Eat 吃绘本 4 clip 跑完）：

BGM 调性：✅ 4 clip 调性统一（v10 路线目标达成）
BGM 收势：❌ 当前每 clip 都写 "quiet warm chime settles" 收势词，中间 clip 不应有收势——只有最后 1 clip 用收势
画面动感：❌ 比 v7/v8/v9 缺动感——待分析是 prompt 写法问题还是 v10 范式副作用

v10 必避反模式：

❌ clip 2+ 段 5 写自由 BGM 主题词（v9 写法）→ AI 自由发挥破坏同调性
❌ 同一绘本用多个 BGM 主题词（ukulele + xylophone 混用）→ 跨 clip 不一致
❌ 用音量 dB 量化调性一致性（dB 是响度不是音色）→ 误判 v10 失败
❌ 用 MiniMax 生成 BGM 后期铺（用户禁止）
❌ 中间 clip 段 5 写 "quiet warm chime settles" 收势词 → 收势只能用在最后 1 clip

v10 BGM 收势机制（实测沉淀，2026-06-03）：

连跑多个 clip（如 clip2 + clip3 一起跑测试）→ Seedance 自动不收势（隐式行为）
单跑 1 个 clip（如 clip1-v9.mp4 单测）→ Seedance 会按 prompt 收势
多 clip 拼整本绘本场景下：v10 路线"中间 clip 不应有收势"已在连跑测试中隐式验证
实操建议：v10 范式不需主动改 prompt 收势词，连跑 = 自动不收势 ✅

⚠️ v11-α 探索 · 段 2/3 加微动作（2026-06-03 Eat 吃绘本 clip 2 单测）

v10 已知问题：v10 调性统一达成、收势通过连跑验证，但画面缺动感（用户反馈"和 v7/v8/v9 相比画面缺少了动感"）

v11-α 假设：根因是段 2/3 动作描述太"稳态"（holds the X pose for the rest of this shot 写法）→ AI 倾向"安全稳态输出"

v11-α 最小改动（✅ 已实测）：

- in this shot the small bear brings the apple close to its mouth, then the small bear holds the apple pose for the rest of this shot
+ in this shot the small bear brings the apple close to its mouth, then the small bear holds the apple pose with a warm smile and subtle gentle breathing for the rest of this shot

v11-α 实测结果（2026-06-03 clip 2 单测）：

❌ 画面动感无明显改善（用户反馈"几乎没有什么变化"）
可能根因（用户推测）：绘本原始图片和剧情的限制——Eat 吃的图是静态 Eric Carle 拼贴风，没有给 AI 更多动作发挥空间
代码沉淀：scripts/build_v9_clips.py 加 build_v11_prompt() + inject_micro_motion() 函数 + CLI --version v11 切换
自动化产物：output/clip2-v11.mp4（2.8M, 9s, seed 76124）

v11-α 关键教训：

画面动感不只靠 prompt 动作词——原始图片本身的动作空间 是更基础的限制因素
静态拼贴风绘本（Eric Carle 类）→ AI 难以生成"动起来"画面，需要换绘本测试
v11-α 改动太小可能看不出差异——如果还要试 v11，建议叠加 v11-β（camera drift 运镜）
v10 范式作为绘本默认范式仍成立——v11-α 失败不否定 v10

v11-α 必避反模式：

❌ 静态拼贴风绘本（Eric Carle 类）改 prompt 加微动作无效——根因不在 prompt
❌ 改动太小看不出差异——v11-α 注入"with a warm smile"太轻量，对 AI 影响小

v11 未来方向（未做，留作后续）：

v11-β：加 camera drift 运镜（the camera slowly drifts closer），可能对静态图有效
v11-γ：换绘本测试——选写实风绘本（Dear Zoo / Brown Bear 类有真实动物动作空间）
v11-δ：直接在原图上多帧变化——跑前用即梦生成 4 帧中间动作图，作为 v11-γ 的输入

当前状态：❌ v11-α 已实测失败（2026-06-03 用户反馈"几乎没有什么变化"）—— v10 仍是绘本默认范式，v11-α 不再是后续方向。真正解法是 v11-δ（多帧输入工作流），不是 v11-α 后续优化。详见 references/分镜时序-prompt范式-v11.md §10 失败评估 + v11-δ 工作流。

选择记录：每次绘本启动把范式版本号写进 clips-prompt.json 的 version 字段（如 "v9-20260603"）。

⚠️ v9 出现的工作方法论教训（2026-06-03 用户反馈驱动）

用户原话："听用户原话要听场景，不要脑补到相邻概念"

事件 1（v9 出现）：v8 跑通后用户反馈"clip 内部 BGM 断层"——我第一次理解错了，把"clip 内部断层"脑补成"clip 之间衔接"（相邻概念），给出 BGM 跨 clip 衔接方案。用户纠正后才明白：用户原意是同一个 Clip 内 8-10s 内 BGM 不要切太碎（一个 Clip 一段 BGM 主题）。

事件 2（v11-α 失败）：v10 跑通后用户反馈"画面缺动感"——我没听场景就脑补到"改 prompt"（相邻概念），v11-α 改了 prompt 注入微动作，失败。用户最终反馈"原始图片和剧情导致的，没有更多的发挥空间"——根因在输入端（图片限制），不在 prompt。

两个事件同源：

都把"症状描述"（断层 / 缺动感）脑补到"相邻概念"（衔接 / 改 prompt）
都没回到用户原始场景（clip 内部 / 输入端）就出方案
都浪费了 1 轮迭代——v9 浪费是因为脑补到 clip 衔接，v11-α 浪费是因为脑补到改 prompt

根因：用户描述时只说"症状"，我直接给方案，没问"是哪个范围"或"是哪个环节"。

修复（v12 起执行 · 写进类级工作流原则）：

用户反馈模糊概念时先问"是哪个范围"（clip 之间 / clip 内部 / shot 之间 / prompt 端 / 输入端 / 后期拼接）
不要直接给出"相邻概念"的方案
让用户澄清比"猜一个并错下去"成本低
听用户原话要听场景——用户描述的是"症状"（断层 / 缺动感），但要回到"发生场景"（clip 内部 / 输入端）再分析
"症状 → 根因 → 修复方向"三段式分析——不要跳过"根因"直接给"修复方向"（v11-α 错的根因：跳过"根因在输入端"直接给"改 prompt"方案）

单测门 SOP（2026-06-02 实测偏好）

⚠️ 开批量前的强制 gate。用户明确偏好：避免 4 个 clip 全跑完才发现 prompt 写错。

Phase 8 启动
  ↓
【单测】选 1 个 Clip（推荐 Clip 1，开场最具代表性）
  ↓ 提交并 vision 自评
  ↓ 发给用户看
  ↓ 用户确认「效果 OK，可以继续」
  ↓
【批量】剩余 N-1 个 Clip 并行提交

单测重点看（5 项）——AI/人分工明确：

#	检查项	AI 可查？	人必须查？	工具
1	风格锁定（跟原图拼贴+手绘一致）	✅ vision_analyze 截图比对	兜底	vision_analyze / 看图
2	镜头运镜（推进/拉远自然）	✅ vision_analyze 拆帧看	兜底	vision_analyze
3	收势（结尾稳定定格，无渐隐/淡出/动作截断）	✅ vision_analyze 看尾帧	兜底	vision_analyze
4	无穿帮/崩坏	✅ vision_analyze 检查每一帧	兜底	vision_analyze
5	音效：①有没有人声念旁白？②有没有 BGM 持续铺底？③有没有拟声/环境音卡点？④音效是否短促不抢戏（0.5-1.5s/段）？	❌ vision_analyze 不支持 mp4 音频	✅ 必须人耳听	飞书 send_message 发视频给用户

v7 范式专项检查（仅 v7 范式适用）：

⑥ 音频控制有效性（v7 范式必查）：用 Storyboard Audio Description 段 + No X 禁令段时，音频是否真的"卡点"（不是持续铺底）？是否真的人声静默（不是"有但是小声"）？是否真的无 BGM（不是"有但是被盖住"）？
⑦ 音频与画面同步（v7 范式必查）：音效触发的秒数（如 1.2s）是否真的在画面切换的那一帧响起？视觉段的时间窗和音频段的时间窗是否精确对齐？
⑧ 首末两端精确卡点（v7 范式必查）：首帧静默（0.0s 之前是否有人声/BGM 残留）？末帧单次 chime（结尾处是否真的"咣"一下结束，不是延续的余音）？

为什么 5 项必须由人查音效（2026-06-02 实测教训）：

vision_analyze 工具只支持图片（.jpg/.png），不支持 mp4 视频文件
"Only real image files are supported for vision analysis" 报错实测遇到
走 mcp_zai_analyze_video 也只能分析视觉，音频是黑箱
AI 永远查不出"这段音效是 chimes 还是引擎 vroom"、"卡点在不在画面动作上"、"是否人声朗读"

SOP：

AI 跑 1-4 项（截图 + vision_analyze）
AI 把 mp4 视频发飞书给用户（send_message + MEDIA:path 语法）
人听 + 5 项兜底确认
用户说"效果 OK" → AI 进入批量

如果音效不卡点 / 太抢戏 → 调整 prompt 里的音效描述用词（不要加 "BGM" / "music" / "song"，不要用长句描述音效）。
如果画面切快 / 收势失败 → 检查 prompt 是不是用了句号切分 + 收势词后追加内容（回到 Phase 8 必读 · 三铁律）。
如果任务 failed with OutputVideoSensitiveContentDetected → 检查 prompt 是否出现"警察/军人/枪/武器/暴力"等敏感题材本体（不是机械/警笛类拟声，那些安全）。

用户没确认前不要批量——这是踩坑教训，不是优化建议。

并行生成规则

⚠️ 同批 Clip 一次性并行提交，不串行分批。但跨批必须等用户确认。

Phase 9 · 视频剪辑/成片

⚠️ 默认不帮用户拼（2026-06-02 Red 绘本用户明确表态）：单测门和批量完成后，只发送所有 clip 文件 + 拼接示例命令即可，不主动跑 ffmpeg 拼接。如用户明确要求拼片，按 §9.1 流程执行。详见关键教训 #16。

9.1 视频拼接

ls -v ./output/*.mp4 > clips.txt
cat clips.txt | while read f; do echo "file '$f'"; done > concat.txt
ffmpeg -f concat -safe 0 -i concat.txt -c copy concat_raw.mp4

9.2 BGM 合并

ffmpeg -i concat_raw.mp4 -i "bgm.mp3" -shortest -c:v copy -c:a aac output_final.mp4

⚠️ 核心原则：实测结果为准 + 分批确认

用户明确要求：

每个 clip 先单独测试，效果满意后再生成下一个（串行测试，不批量）
分批生成时，本批全部完成并发送后，必须等用户确认才能提交下一批
不要等一个 clip 生成完再生成下一个——同一批内并行，跨批必须等确认

迭代流程（分批串行）：

生成 Clip N 本批全部完成
  → 发给用户看效果
  → 用户确认满意
  → 再提交 Clip N+1 的本批生成
  → 等待完成 → 发给用户 → 等确认

执行检查清单（完整版）

Pre-flight ✅ 官方 SOP 已下载并确认内容
Pre-flight ✅ seedance2.0-tool 已读取
Pre-flight ✅ 图片和旁白已就绪

Phase 5 Step 1 ✅ 叙事单元设计：每个Clip都有「起承转合」
Phase 5 Step 1 ✅ 叙事单元设计：每个Clip都有明确的「收势」设计
Phase 5 Step 1 ✅ 收势模式选择合理（完成式/进行式/悬念式）
Phase 5 Step 1 ✅ 画面描述完全基于静态图
Phase 5 Step 1 ✅ Prompt写法选择正确（连续运镜/时间轴分镜）

Phase 5 Step 2 ✅ 分镜计时：0.3s/字规则正确
Phase 5 Step 2 ✅ 分镜计时：时长严格在4-15s范围内

Phase 5 Step 3 ✅ 分镜组合：每个Clip在4-15s内

Phase 5 Step 4 ✅ scene-reflection：五个维度都检查了
Phase 5 Step 4 ✅ scene-reflection：叙事收势完整性已检查
Phase 5 Step 4 ✅ scene-reflection：Prompt写法已检查

Phase 6 ✅ 需求已确认，用户确认后才能进入下一阶段

Phase 8 ✅ video-prompt：全部5个要素都已包含
Phase 8 ✅ video-prompt：收势设计已包含
Phase 8 ✅ 全部并行生成，没有串行

Phase 9 ✅ ffmpeg 拼接 + BGM 合并完成

⚠️ Seedance 内容风控白名单（2026-06-02 用户最终纠正）

信息源等级（写在最前，防脑补）

本节所有规则按信息源可信度分层，优先采用高等级：

等级	来源	可信度	例子
L1 · 用户原话	用户在对话中明确说的	最高	"只有警察、军队等敏感词汇容易风控"
L2 · 用户明确纠正	用户纠错后的最终版	高	"机械/车辆视觉动作这些是可以使用的"
L3 · 实测任务结果	真实任务 succeeded/failed 记录	中	✅ `a distant 'wee-oo wee-oo' siren as the fire truck rolls in` → succeeded
L4 · 兄弟 agent 沉淀	其它 agent 写入的 skill 章节	中	同上，跨会话参考
L5 · 自己脑补（必须标注 `推断`）	没在对话中验证的"理论解释"	低	❌ "机械动作+拟声叠加触发风控"——错的

强制原则：

L5（脑补）写进 skill 时必须打 推断 标签——下一个 task 验证后才能摘标签
L3（实测）必须有 task_id 引用——空口说"我跑过"不算
L1 跟 L3 冲突时以 L1 为准（用户原话 > 实测）
上一轮我犯的错：把用户"警笛这一类容易风控"（L1 模糊描述）脑补成"机械/警笛/鸣笛全部触发"（L5 错误扩张）→ skill 章节来回改 3 次。根因：没等 L3 实测验证就急着把 L5 写进 skill。

根因（用户原话 · 2026-06-02 Red 绘本踩坑后澄清）：

"只有警察、军队等敏感词汇容易风控，机械/车辆视觉动作这些是可以使用的"

❌ 不是机械/警笛类拟声词（vroom / horn / siren 这些可以正常使用）
❌ 不是机械/车辆视觉动作（ladder extends / wheels roll 这些可以正常使用）
✅ 真正风控：警察/军队/枪/武器/暴力等敏感题材
触发症状：API 返回 The request failed because the output video may contain sensitive information. Request id: ...

绘本/通用素材音效词清单（2026-06-02 实测 · 修正版）：

状态	词
✅ 安全	`chime`, `rustling`, `plop`, `tap-tap-tap`, `bubble`, `sparkle`, `flutter`, `whoosh`, `bloom`, `settle`
✅ 安全	`vroom`, `horn`, `siren`, `alarm`, `engine`, `beep`, `beep-beep`（机械/车辆类全部可以写）
❌ 触发风控	警察/军队/枪支/武器/暴力等敏感题材本体

绘本消防车/汽车/警车/军车场景的安全写法：

✅ 安全：a distant 'wee-oo wee-oo' siren as the fire truck rolls in    → task succeeded
✅ 安全：a friendly 'beep-beep' as the small car rolls in               → task succeeded
✅ 安全：soft engine 'vroom' as the car starts                          → task succeeded
✅ 安全：soft gentle chime as the fire truck rolls in                   → task succeeded（绘本风格更温柔）
✅ 安全：soft gentle chime as the small car rolls in                    → task succeeded

唯一真正禁忌：明确出现"警察/军人/枪/武器/暴力"等敏感题材本体。绘本里消防车、警车、军车的警笛/喇叭视觉动作 + 拟声全部可以正常使用。

绘本风格调性建议（不是风控要求）：绘本对童趣有克制，chime 替代警笛`是一种风格选择，不是安全妥协。

⛔ 信息源等级 L1-L5（本 skill 写章节前必查 · 2026-06-02 类级教训）

本节是类级教训——不只是风控适用，所有往本 skill 写新规则的场景都该用 L1-L5 等级判断。

等级	来源	可信度	处理
L1 · 用户原话（明确）	用户在对话中明确说的	最高	直接采用
L2 · 用户明确纠正	用户纠错后的最终版	高	直接采用
L3 · 实测任务结果	真实任务 succeeded/failed 记录（有 task_id）	中	写进 skill 必须附 task_id
L4 · 兄弟 agent 沉淀	其它 agent 写入的 skill 章节	中	跨会话参考，但不替代 L1/L2/L3
L5 · 自己脑补	没在对话中验证的"理论解释"	低	写进 skill 必须打 `推断` 标签——下个 task 验证后才能摘

强制原则：

L5（脑补）写进 skill 时必须打 推断 标签——下一个 task 验证后才能摘标签
L3（实测）必须有 task_id 引用——空口说"我跑过"不算
L1 跟 L3 冲突时以 L1 为准（用户原话 > 实测）

禁止的脑补模式：

❌ "X 类的 Y 都触发"（用户只说了一个具体词，你扩张成一类）
❌ "X 的根因是 Y"（用户没说根因，你自圆其说）
❌ "X 跟 Y 一起会触发"（用户说 X 安全，你说 X+Y 危险——除非实测验证）

检测方法：写进 skill 章节前问自己"这条规则是从对话里原样记录的，还是我推导的？"——能区分 L1/L3 跟 L5 才能写。

本 skill 实测红绘本踩坑事件（2026-06-02）：

用户原话（L1 模糊描述）："警笛这一类的容易风控"
园丁脑补成（L5）："机械/警笛/鸣笛全部触发" → 写进 skill
兄弟 agent 顺着 L5 写更详细的"黑名单"
整个风控章节来回改 3 次
memory 段也被污染
真实答案（L1 纠正）："只有警察、军队等敏感词汇容易风控，机械/车辆视觉动作这些是可以使用的"

关键教训（{项目名}实战 · 2026-05-26）

绘本图片是「独立叙事单元」：每张图是独立画面，图间没有物理连续动作，视频生成时每个 clip 从头渲染——这是正常行为，不是缺陷
「突然中断」问题的根因：原 Prompt 只描述「画面里有什么」，没有设计 Clip 结尾的「收势动作」，导致动作进行中就被截断
解决方案在 Step 1（叙事单元设计）：为每个 Clip 设计完整的「起承转合」，尤其要设计明确的「收势动作」，让 Clip 在「完成状态」结束
scene-reflection 是强制 gate：必须完成才能进入 Phase 6，跳过会导致收势设计缺失
起承转合是叙事弧，不是分镜数量：同一镜头内通过运镜可以完成整个叙事弧，不能教条化
Prompt 写法分两种模式，根据叙事内容自动选择：
- 连续运镜写法：单线动作/单一情绪场景，无时间切分，用「最终定格在XX，保持3秒不动」控制收势
- 时间轴分镜写法：多节奏/阶段转折场景（舞蹈高潮等），用 [00-02s] 分段标注不同镜头
- 选择维度：情节结构（单线 vs 多段节奏）、镜头需求（推拉连续 vs 景别切换）
收势阶段编写规范：显式标注「收势阶段」+时长、写出收尾动作质感（镜头锁住/画面静止）、写出收尾方式（不渐隐不淡出，停留至最后一帧）
收势必须明确三件事：镜头锁住（Camera LOCK）+ 画面静止（No Motion）+ 不渐隐不淡出（No Fade）——Clip 8 v2「画面静止不动」的写法验证有效（2026-05-26实测）
时长分配基于旁白叙事功能：交代/动作/情感/高潮四种类型各有逻辑，不是硬编码比例
旁白处理：Seedance 模型具备旁白生成能力，当前问题是还未找到正确写法，标注为「待后续完善」，不是「禁止写旁白」
下载文件路径不固定：seedance.py download 到 --download 指定目录，但文件名需用 task_id 查状态确认实际下载路径
--download 参数语义陷阱（2026-06-02 实测）：seedance.py 的 --download <path> 是完整文件路径（不是目录）。如果传的是目录名，多个 clip 会全写到同一个文件上互相覆盖。正确做法：传文件路径（如 --download ./output/clip1.mp4），或者传目录路径后立刻 mv 重命名。并行生成多个 clip 时，每个用独立文件名。
领读绘本总时长公式（2026-06-02 实测）：合并后总时长 = Clip1 时长 + Clip2 时长 + ...，每个 Clip 在 8-10s 区间分配。分配原则：开头要给稳（8s），结尾情感核心要给余韵（10s），中间段均匀（8-9s）。公式：总时长 ≈ 段落数 × 8-10s，向上对齐。
单测门 SOP（2026-06-02 实测）：批量生成前先做 1 个 Clip 让人看效果，确认满意后再批量。这是用户的明确偏好——避免全部跑完才发现 prompt 写错。SOP：先 vision 自评 → 发给用户 → 等待确认 → 再并行批量。
Hermes 环境下的 ~ 双重展开陷阱（2026-06-02 实测）：在 hermes agent 里 python3 ~/.hermes/skills/.../seedance.py 调用时，~ 会被错误展开为 ~/.hermes/profiles/huiben/home/.hermes/skills/...（profile 目录 + home 子目录 + 原始路径），导致 No such file or directory。修复：一律用绝对路径，例如 python3 /home/luo/.hermes/profiles/huiben/skills/creative/seedance2.0-tool/seedance.py。同 trap 也适用于所有 ~/.hermes/... 开头的命令。
绘本音频三件事要分清 + 音效 prompt 写法的三铁律（2026-06-02 Red 绘本 v1→v2→v3 修复）：
- 绘本 ≠ 全静音。三件事互不替代：旁白（人声念文字，走后期 TTS）/ BGM（持续音乐铺底，默认不加）/ 音效（短促拟声+环境音，配合画面动作）。
- 旧默认值 --generate-audio false 是错的，应为 true（让 Seedance 生成音效）。
- 音效写法的三铁律（v2 踩坑 + v3 修复）：
  1. 不要用 [Sound effect: ...] 独立块——句号 . 会把视觉切成多段，导致画面切快、节奏拖乱。
  2. 收势词（final frame / camera locks / holds to the last frame）后不要再追加任何内容——尾部追加的音效块会覆盖收势指令，导致结尾收不住。
  3. 否定性指令（no speech / no narration / no BGM）放 prompt 末尾会干扰视觉模型——视觉模型不擅长"反向作画"，这句会变成无效描述。
- 正确写法：句号改分号（视觉单段连续）+ 音效描述嵌入视觉句中间（逗号串接，副词地位）+ 收势词放最后一句（不被覆盖）+ 删除否定句。
- 详见 references/绘本音效-prompt写法.md。

15a. 分镜时序 + 精准动作 v5/v6 范式（2026-06-02 Cactus 绘本实测）：
- v3 范式（双图连续运镜）：@Image1 ... transitions seamlessly to @Image2 ... 散文叙述，模型自动决定切换时机——氛围型可以，TTS 精准卡点不行。
- v3+锚点（带时间锚点 TTS 匹配）：as the camera X begins / transitions 触发式动作，软触发——模型不完全遵守，画面切换时机会偏移。
- v5 范式（分镜时序 + 纯静态）：用 from 0.0s to 1.2s @Image1 ... from 1.2s to 8.0s @Image2 ... 显式分镜时序表 + Each shot holds steady within its time window 让模型精准切换+静止。用户验证 v5 精准切换 OK，但缺动画感。
- v6 范式（分镜时序 + 精准动画）：在 v5 基础上，shot 内部用 in this shot [动作描述], then [下一动作/holds steady for the rest of this shot] 让模型精准运动。
- 用户金句（2026-06-02 Cactus v5 检查反馈后）："能让画面在目标时段精准切换，并静止，那么也可以让画面在目标时段动起来，是吧"——答：是的，同一机制反过来用。
- 8 段旁白 → 8 个动作映射原则（Cactus 范式）：把动作关联的旁白就近配对，每个 Clip 内做 2 个动作（前 50% 做动作，后 50% 稳态停留）。
- 决策树：氛围型 → v3 / 需要 TTS 卡点但不要求动作 → v3+锚点 / 需要 TTS 精准卡点 + 精准动作 → v5/v6（本范式）。
- 详见 references/分镜时序-精准动作-prompt范式.md。

Phase 9 拼片：默认不帮用户拼（2026-06-02 Red 绘本用户明确表态）：
- 用户原话："我先自己下载拼接，不需要你拼接"
- 默认行为：单测门和批量完成后，只发送所有 clip 文件（带目录路径），不跑 ffmpeg 拼接、不主动提议拼片。
- 拼接时如果用户主动要求，按 §9.1 流程（ffmpeg concat + -c copy）执行即可。
- 反例：把"拼接"自动塞进交付物=把工程化的"我会做"塞给不想要的人。
不要把用户的简短描述脑补成完整理论（2026-06-02 Red 绘本风控错判教训）：
- 错版过程：用户原话"警笛这一类的容易风控" → 我脑补"警笛/机械/车辆/鸣笛/喇叭/vroom/horn/siren 全部都触发" → 自圆其说编了一套"机械动作+拟声叠加触发"的伪理论 → 把错版写进 skill 和 memory。
- 用户最终纠正："只有警察、军队等敏感词汇容易风控，机械/车辆视觉动作这些是可以使用的"
- 正确做法：
  1. 不脑补——只记用户原话，不扩张。
  2. 不照搬其他 agent 的"加强版"——它可能跟你的脑补同源。
  3. 不立刻把"对策"加进 skill——等下一个真实任务踩到再沉淀。
- 遇到"X 类词触发风控"这种模糊信息：记原话，加 (待验证) 标记，等真实复现一次再固化。
水印 + 缺段 1 引导句 → 双 BUG 同时踩（2026-06-03 Ok 好的绘本实测）：
- 水印坑：seedance.py --watermark 默认 true 必带 AI 水印。绘本是给家长/孩子看的，水印=产品缺陷。所有绘本 create 命令必须显式 --watermark false——已写进 Phase 8 参数默认值表（绘本场景规则列）。
- 段 1 引导句漏 → BGM 乱铺：Cactus 4 段（v7 引导句齐全）实测 0 BGM；Ok 好的 4 段（v7 引导句漏）实测 clip2-4 全铺了不同 BGM。根因：缺引导句时 Seedance 把 2 图当独立单图渲染，模型"自由发挥"为暖色绘本铺 BGM 调氛围。修复：build_clips.py 模板段 1 写死引导句；自检脚本把"段 1 含 'storyboard reference image sequence'"作为 #0 项必检。
- 写作约束：未来新绘本任务执行前，必读 references/分镜时序-prompt范式-v7.md 拿到完整 8 段模板——不要凭印象写。该 reference 已含 Cactus 4 段实测通过的模板示例（cactus-clip1-v7.txt + cactus-clips-2-3-4-v7.txt）。
v8 → v9 范式升级：clip 内部 BGM 断层修复（2026-06-03 Eat 吃绘本实测）：
- v8 已知问题：v8 按 shot 切 BGM（如 Clip 1 Shot 1 = 0-3.5s ukulele → 3.5s 切 Shot 2 = 吉他钢琴），shot 边界 BGM 突然切换太频繁令人不适。用户原话："虽然同一个 clip 里视频画面是分段的，但实际上画面之间也是合理切分，他们之间也是有转场衔接的。同一个 clip 时间本来就不长，如果 BGM 切换太频繁，会信人不适。"
- v9 修复：
  1. 段 5 整 Clip 一段 BGM 主题（不按 shot 切）
  2. 必含 continues throughout the entire clip（持续标记）
  3. 必含 with a mood shift toward X during the second half（软调性变化）
  4. 段 6 禁人声（删 No background music）
- AI 量化验证：v9 在 3.5s 边界音量 -24 dB 平缓延续（v8 突然出现 -15~-25 dB）——一条平滑曲线贯穿 0.5s-7.5s。
- v7+v8+v9 三范式并存（按绘本调性选）：v7 静默氛围型 / v8 调性匹配型（已知断层）/ v9 整 Clip 一致型（默认 2026-06-03 起）。
- 详见 references/分镜时序-prompt范式-v9.md + assets/example-prompts/eat-clips-1-4-v9.txt + scripts/build_v9_clips.py。
- 关键工作方法论教训：用户反馈模糊概念时先问"是哪个范围"（clip 之间 / clip 内部 / shot 之间），不要直接给出"相邻概念"的方案。听用户原话要听场景——用户描述的是"症状"（断层），但要回到"发生场景"（clip 内部/之间）再分析。让用户澄清比"猜一个并错下去"成本低。
v9 → v10 范式升级：跨 Clip 共享 BGM 主题修复（2026-06-03 Eat 吃绘本实测）：
- v9 已知局限：v9 解决"clip 内部 BGM 断层"，但clip 互相不知道对方存在——clip 1 用 ukulele 主题，clip 2 可能 AI 自由发挥生成为 xylophone 主题，clip 边界调性跳变。
- 用户原话（2026-06-03）："在之前的基础上，尝试使用提示词来控制 clip2 和 clip3 的 BGM 衔接，让他们具有同样的调性，因为这是儿童领读视频，不需要很准确匹配场景，只要整体氛围达到一定感觉就可以。"
- v10 修复（4 件事）：
  1. 引入 v10_bgm 字段（继承上一 clip 主题词）
  2. clip 2+ 段 5 必含 same warm ukulele pizzicato melody from the previous clip continues throughout this entire clip
  3. clip 1 不写 v10_bgm（是主题源），clip 2+ 写 v10_bgm（继承源）
  4. build_v10_prompt(clip) 用 clip.get("v10_bgm") or clip["bgm_theme"] 兼容 clip 1 缺字段
- v10 关键限制：Seedance 不会真去查 clip 1 实际生成的 BGM——只能靠 prompt 文字约束让它"假设"前一个 clip 用了某主题。音量 dB 不能量化调性一致性（dB 是响度不是音色），调性是否一致只能人耳听。
- v10 适用绘本类型：领读型绘本（I eat X 系列、Pete the cat、Dear Zoo、Brown Bear 等重复句式）—— 整体氛围一致 > 调性匹配。
- v10 决策树信号："领读型"/"整体氛围一致"/"重复句式绘本"—— 这些信号触发 v10（v9 是默认）。
- v10 实测踩坑（2 个）（写进 references 文档 §6）：
  1. --ref-images 多图必须空格分隔（seedance.py nargs="+"）—— 逗号分隔会报 File not found: a.jpg,b.jpg 错误
  2. --download 是文件路径不是目录——多 clip 并行时每个必须用独立文件名，否则后一个覆盖前一个
- 详见 references/分镜时序-prompt范式-v10.md（完整 12 段）+ assets/example-prompts/eat-clips-2-3-v10.txt（Eat 吃 clip 2/3 完整 prompt）+ build_clips.py（项目目录脚本，含 build_v10_prompt() + CLI --version v10 切换）。
v10 测试方法核心：v10 跨 clip 调性是否一致只能人耳听（dB 不能量化），跑完后必须连续听两个 clip 验证 BGM 风格。v10 跑通 ≠ 跨 clip 一定同调性——prompt 写了 "same ... from the previous clip" AI 不一定真遵循，必须人耳验证。
v10 跑通 ≠ 完美 · 3 个实测问题（2026-06-03 Eat 吃 4 clip 跑完）：v10 跨 clip 同主题目标达成（✅），但暴露出 3 个新问题——这些是 v11 设计的起点：
1. BGM 收势位置错误：v9 模板给每个 clip 都生成 quiet warm chime settles 收势词，v10 范式下只有最后 1 clip 才用收势，中间 clip 用 BGM continues softly into the next moment 软延续。v11-α 修复：加 is_final_clip: bool 字段 + build_v11_prompt() 区分中间/末尾。
2. 画面缺动感：v10 4 clip 比 v7/v8/v9 缺动感，可能根因：①稳态描述 holds the X pose for the rest of this shot 占比过高 ②v10 范式副作用（同 BGM + 稳态画面 + AI 偏安全输出）③continues throughout the entire clip 关键词副作用。v11-β 修复：段 2/3 加微动作（eyes widen with excitement）+ 改 hold pose 为 slight natural movement。
3. v10 范式边界：领读型绘本（I eat X / Pete the cat / Dear Zoo / Brown Bear 等重复句式）适合 v10；单一 clip 内多情绪用 v8；静默治愈用 v7；8-10s 静态画面要靠 prompt 写出动感（v11 修问题 3 后可解）。
- 详细 v11 方向（4 种修复方向 A/B/C/D）见 references/分镜时序-prompt范式-v10.md §13。
- v11 路线图：v11-α（修 BGM 收势，10 分钟出结果）→ v11-β（加微动作，对比 v10 看是否改善）→ v11-γ（可选 camera drift 运镜）。两个问题独立可分开调，不必同时上。
v10 → v11-α 真实路线（2026-06-03 失败沉淀）：v11-α（加微动作）实测失败（用户反馈"几乎没有什么变化"）——见 references/分镜时序-prompt范式-v11.md §10。真正解法是 v11-δ（多帧输入工作流）：跑 Seedance 前用即梦生成 4 帧中间动作图，作为 --ref-images 多图输入，让 AI 在多帧间做插值。核心教训：
- "画面动感"症状描述指向输入端（图片限制），不是 prompt 端
- 改 prompt 是相邻概念——v11-α 失败后必须把方向切到输入增强
- 未来不要重复跑 v11-α——它已死，v11-δ 才是 P0 真正方向
- 完整 v11 路线图见 references/分镜时序-prompt范式-v11.md §10 + 主 SKILL.md §工作流原则探索式迭代
- v11-δ 工作流（4 步）：
  1. 拿原绘本 N 张图（如 eat 1-8.jpg）
  2. 对每张图用即梦生成"动作中间帧"（如 eat 1-mid1.jpg, 1-mid2.jpg, 1-mid3.jpg）
  3. 把"原图 + 中间帧"作为 --ref-images 传给 Seedance（多图必须空格分隔，逗号会报错）
  4. prompt 引导 AI"在这些帧之间做平滑插值"

参考文档

文档	说明
`lark-cli/SKILL.md`	飞书 CLI 使用规范（访问云盘/文档的官方路径）
`seedance2.0-tool/SKILL.md`	即梦 CLI 命令格式（必读）
`references/video-prompt-narrative.md`	Prompt 叙事设计技能——连续运镜 vs 时间轴分镜写法详解
`references/narrative-closure-design.md`	叙事单元收势设计三种模式（含错误示例 vs 正确示例对比）
`references/lark-cli-drive-access.md`	飞书云盘素材获取 SOP（Phase -1：把云盘文件下载到本地）
`references/official-docs-token-mapping.md`	官方 SOP 文档 token → 内容映射表
`references/分镜时序-prompt范式-v7.md`	v7 范式完整文档（静默氛围型，Cactus 实测通过；8 段固定结构 + 11 项必跑自检 + 5 件套句式。2026-06-02 Cactus 4 段实测通过）
`references/分镜时序-prompt范式-v8.md`	v8 范式完整文档（调性匹配型，每 Clip 配相符 BGM；段 5 加 BGM 调性词 + throughout this shot + 段 6 删 No background music。2026-06-03 Ok 好的绘本 4 Clip 实测通过；已知 clip 内部 BGM 断层问题，被 v9 取代）
`references/分镜时序-prompt范式-v9.md`	v9 范式完整文档（整 Clip 一致 BGM，段 5 整 Clip 一段 BGM 主题 + `continues throughout the entire clip` + mood shift 软描述；段 6 删 No background music。2026-06-03 Eat 吃绘本 4 Clip 实测通过，3.5s shot 边界无 BGM 断层；AI 量化 -22~-34dB 持续平滑曲线）
`references/绘本音效-prompt写法.md`	绘本音效 prompt 写法的三铁律 + v3 vs v7 对比（2026-06-02 Red v1→v2→v3 + Cactus v6→v7 修复沉淀）
`references/leading-reading-4clip-pattern.md`	领读绘本 4-Clip 切分 + 时长公式 + 单测门 SOP（指向 v7 范式）
`templates/v7-prompt-template.md`	v7 范式 Python f-string 模板（ShotV7/AudioSegmentV7/ClipV7 dataclass + render_prompt() + 11 项自检脚本）
`assets/example-prompts/cactus-clip1-v7.txt`	Cactus Clip 1 v7 实际跑通 prompt（标题页+绿色仙人掌 · 任务 ID cgt-20260602171645-s5fq6 · 8s · 用户"里程碑"反馈）
`assets/example-prompts/cactus-clips-2-3-4-v7.txt`	Cactus Clip 2-4 v7 实际跑通 prompt（刺/花/手臂/家庭 · 9+10+10s · 4 种动作模式泛化性验证）
`assets/example-prompts/ok-clips-1-4-v8.txt`	Ok 好的 Clip 1-4 v8 实际跑通 prompt（舞台+门口+森林+共读+餐桌+户外+卧室+彩虹 · 8+9+9+10s · 8 段不同 BGM 调性）
`assets/example-prompts/eat-clips-1-4-v9.txt`	Eat 吃 Clip 1-4 v9 实际跑通 prompt（餐桌+苹果+香蕉+胡萝卜+鱼+面包+蛋糕+盛宴 · 8+9+9+10s · 整 Clip 一段 BGM + mood shift 软调性变化）
`scripts/build_clip_prompts.py`	v3 范式模板拼接脚本（被 v8 范式取代，保留作历史参考）
`scripts/build_v8_clips.py`	v8 范式自动拼接脚本（含 11 项自检 + clips-prompt.json 自动化输出 + 默认 --watermark false · 2026-06-03 Ok 好的绘本实测）
`scripts/build_v9_clips.py`	v9 范式自动拼接脚本（含 v9 专属 11 项自检 + 必检 `continues throughout the entire clip` + `mood shift` 软描述 · 2026-06-03 Eat 吃绘本实测通过）
`test-prompts.json`	达尔文 8 维评估用 3 个测试 prompt（happy/复杂/边界）
`results.tsv`	达尔文优化循环历史记录（baseline + 各 round keep/revert）
`results.tsv`	达尔文优化循环历史记录（baseline + 各 round keep/revert）

picturebook-video

Resources

Install

picturebook-video · 绘本动画制作工作流

定位说明

⚠️ 阅读前必须理解的核心差异

⚠️ 启动前检查（Pre-flight）

3a. 素材在飞书云盘怎么办？

3b. 素材接入方式速查表（4 种）

创作整体流程（7个阶段）

自动化原则（用户偏好 · 2026-06-03 Ok 好的绘本实测）

⚠️ 工作流原则 · 探索式迭代（2026-06-03 v9→v10→v11 沉淀 · 类级教训）

用户的实际工作流 ≠ skill 默认工作流

skill 必须支持的工作流特征

探索式迭代工作流的 3 条铁律

范式版本号约定

探索方向归档（园丁 Phase 2 建议 P1，待实施）

Pre-flight · 启动前检查

0. 已知踩坑自查（必做 · 不做会重蹈覆辙）

1. 下载官方 SOP

2. 读取即梦 CLI 工具文档

3. 确认素材就绪

Phase 5 · 分镜设计（四步走）

Step 1 · 叙事单元设计（绘本版分镜切分）

官方 script-chunk 的输出要素

绘本版的核心增强：叙事单元设计

Prompt 写法选择：连续运镜 vs 时间轴分镜

写法 A：连续运镜（单线动作/单一情绪）

写法 B：时间轴分镜（多段节奏/有转折）

选择决策树

「收势」设计的三种模式

输出格式

执行检查清单（Step 1）

Step 2 · 分镜计时（shots-timing）

收势时长分配原则

输出格式

Step 3 · 分镜组合（shots-assembly）

绘本场景的两种 Clip 切分策略

领读型合并的总时长公式（2026-06-02 实测）

输出格式

Step 4 · 连贯性校验（scene-reflection）

绘本场景的特殊检查项

输出格式

执行检查清单（Step 4）

Phase 6 · 需求确认

Phase 7 · 参考素材生成

执行方式

⛔ Phase 8 必读 · 绘本 prompt 三铁律（强制前置 · 不通过不进 Phase 8）

铁律 1 · 句号切分视觉，音效描述必须用分号 / 逗号

铁律 2 · 收势词（final frame / camera locks / holds）放最后一句画面描述，后面是音频/禁令/风格段

铁律 3 · 否定性指令分场景：视觉段不能用，音频段能用

三铁律自检清单（写完 prompt 后必跑）

范式选择决策树（v3 / v7 何时用哪个）

完整 prompt 模板（v3 范式）

Phase 8 · 分镜生视频（video-prompt）

绘本场景音频策略（先于 5 要素看）

绘本音频三件事（互不替代，先分清再写 prompt）

绘本音频决策树（写 prompt 前必跑）

Prompt 编写规范（5要素）

收势写法核心词

⚠️ 旁白写在 Prompt 里——待后续完善

参数默认值

⚠️ BGM 调性策略（2026-06-03 用户实测偏好 · 段 6 禁令分两种风格）

✅ v9 范式 · 整 Clip 一致 BGM（2026-06-03 Eat 吃绘本实测通过）

✅ v10 范式 · 跨 Clip 共享同一 BGM 主题（2026-06-03 Eat 吃绘本 clip2/3 实测通过）

⚠️ v11-α 探索 · 段 2/3 加微动作（2026-06-03 Eat 吃绘本 clip 2 单测）

⚠️ v9 出现的工作方法论教训（2026-06-03 用户反馈驱动）

单测门 SOP（2026-06-02 实测偏好）

并行生成规则

Phase 9 · 视频剪辑/成片

9.1 视频拼接

9.2 BGM 合并

⚠️ 核心原则：实测结果为准 + 分批确认

执行检查清单（完整版）

⚠️ Seedance 内容风控白名单（2026-06-02 用户最终纠正）

信息源等级（写在最前，防脑补）

⛔ 信息源等级 L1-L5（本 skill 写章节前必查 · 2026-06-02 类级教训）

关键教训（{项目名}实战 · 2026-05-26）

参考文档

Categories