// 完美复刻原视频的完整内容（画面+声音），通过智能体分析原视频的视觉风格和音频特征，生成风格提示词，使用TTS复刻配音，基于原画面重新生成相似视频并合成；当用户需要完美复刻视频内容、语音克隆、视频风格迁移时使用
| name | video-style-analysis |
| description | 完美复刻原视频的完整内容（画面+声音），通过智能体分析原视频的视觉风格和音频特征，生成风格提示词，使用TTS复刻配音，基于原画面重新生成相似视频并合成；当用户需要完美复刻视频内容、语音克隆、视频风格迁移时使用 |
| dependency | {"python":["opencv-python","numpy","moviepy","Pillow","openai-whisper","edge-tts","aiohttp","pyyaml","insightface","onnxruntime"]} |
opencv-python
numpy
moviepy
Pillow
openai-whisper
这套 Skill 不应该一上来就把视频压缩成一句 prompt。
无论有没有 ASR，都必须先完成一个逐层收敛的分析过程：先判断视频属于什么内容机制，再判断画面里发生了什么，再抽取能帮助进一步判定的证据，最后才生成复刻约束。
强制顺序：
原则：
我看到了什么、这说明什么、还缺什么证据媒体规格：分辨率、比例、横竖屏、时长、帧率、清晰度音频角色：无人声 / 解说 / 对话 / 环境音 / 音乐主导 / 混合内容类型：剧情、纪实、教程、舞台、训练、广告、旅行、产品、纯氛围叙事驱动力：ASR 驱动、视觉驱动、字幕驱动、音乐驱动，或混合驱动地点与空间：室内/室外、建筑类型、空间用途、景深与站位关系时间与光线：白天/夜晚、自然光/人工光、冷暖、硬光/漫射主体规模：单人、双人、小群体、大型群像主体组织关系：对话、协作、对抗、列队、围观、表演、教学核心行为：走、跑、跳、练、演、讲、做、展示、互动、操作动作结构：静态、重复动作、连续动作链、强爆发动作、同步动作外观线索：年龄段、性别倾向、服装类别、制服程度、发型、妆造道具/器材/鞋服细节：最能帮助子类判断的具体物件或穿着细节文字与符号线索：字幕、招牌、屏幕 UI、墙面文字、衣物印字、徽标构图与摄影：景别、机位、构图、运镜、节奏风格与氛围：色调、质感、真实度、年代感、文化风格、情绪气候复刻硬约束：哪些必须保留，哪些不能错，哪些允许近似示例（抽象方法，不是写死舞蹈模板）：
关键洞察：ASR语音识别不仅仅是"语音转文字"，更是理解视频叙事的关键步骤。
对比：
| 方法 | 只看图像 | 图像+ASR |
|---|---|---|
| 角色数量 | 可能误判（如数出7个） | 准确（如实际2个） |
| 主角识别 | 不确定 | 立刻知道 |
| 叙事线 | 需要猜测 | 文本直接说明 |
| 角色关系 | 不清楚 | 明确 |
因此：当 ASR 有效时，ASR结果指导角色识别和叙事理解；但它不替代视觉语义分析，更不能跳过“粗分类 → 证据提取 → 子类收敛”。
执行方式：ASR步骤如主session环境无法安装Whisper，会自动启动sub-agent session执行。
问题：不是所有视频都有音频，也不是所有音频都能提取到有效的叙事线。
解决方案：三级容错机制，自动降级处理。
触发条件：
处理方式：
示例：完整剧情类短视频（含明确角色关系与叙事线）
触发条件：
处理方式：
示例场景：
触发条件：
处理方式：
character_detection.json（InsightFace人脸嵌入聚类，即使换装也能匹配同一角色）风险提示：
示例场景：
def analyze_with_fallback(video_path):
"""
带容错的视频分析流程
"""
# 尝试提取音频
audio = extract_audio(video_path)
if audio is None:
# Level 3: 无音频
return pure_visual_analysis(video_path)
# 尝试ASR
asr_result = perform_asr(audio)
if asr_result is None or not asr_result["full_text"]:
# Level 3: ASR失败
return pure_visual_analysis(video_path)
# 尝试叙事线分析
narrative = analyze_narrative(asr_result["full_text"])
if narrative["clarity_score"] < 0.5:
# Level 2: 叙事线不清晰
return hybrid_analysis(video_path, asr_result, narrative)
# Level 1: 完整流程
return full_analysis_with_narrative(video_path, asr_result, narrative)
输出标识：
analysis_level 字段（"level_1" / "level_2" / "level_3"）confidence_warning 字段，提示用户验证执行方式：调用Python脚本
python scripts/smart_keyframe_extractor.py \
--video_path <原视频路径> \
--output_dir output/keyframes/ \
--min_fps 2.0
核心功能：
输出：
output/keyframes/*.jpg - 关键帧图像output/keyframes/extraction_result.json - 提取结果（场景列表、关键帧列表、视频信息）执行方式：调用Python脚本（InsightFace）
python scripts/character_detector.py \
--keyframes_dir output/keyframes/ \
--output_path output/analysis/character_detection.json \
--extraction_result output/keyframes/extraction_result.json \
--similarity_threshold 0.4
核心功能：
--narrative_path 重新运行以将视觉角色与文本角色名关联为什么需要这一步：
输出：
output/analysis/character_detection.json - 角色检测与聚类结果output/analysis/characters/char_N_face.jpg - 每个角色的代表性面部裁切人数字段的正确理解：
unique_characters = 跨帧人脸聚类数，它表示底层检测里聚成了多少张“可能是不同人”的脸，不能直接当成现场人数frame_visible_people = 对步骤1提取出的每张关键帧做一次 单帧可见人数估计visible_people_stats.stable_visible_people_estimate = 复刻链路默认使用的 稳定可见人数估计scene_visible_people_stats = 每个场景的人数统计，后续判断主体规模、群像策略、prompt 人数关系时优先用它输出示例：
{
"total_keyframes_analyzed": 10,
"total_faces_detected": 15,
"unique_characters": 2,
"visible_people_stats": {
"stable_visible_people_estimate": 2,
"min_visible_people": 1,
"max_visible_people": 2
},
"scene_visible_people_stats": [
{
"scene_id": 0,
"time_range": "0.0-5.0s",
"stable_visible_people_estimate": 2
}
],
"characters": [
{
"character_id": 0,
"label": "char_0",
"matched_name": null,
"appearance_count": 7,
"keyframe_indices": [0, 2, 3, 5, 6, 8, 9],
"scene_ids": [0, 1, 2, 3],
"face_bboxes": {"frame_0000.jpg": [120, 50, 220, 180]},
"body_bboxes": {"frame_0000.jpg": [80, 50, 260, 440]},
"representative_face_path": "output/analysis/characters/char_0_face.jpg",
"avg_det_score": 0.92
}
]
}
执行方式：调用Python脚本
python scripts/video_analyzer.py \
--video_path <原视频路径> \
--output_path output/analysis/color_analysis.json
分析内容：
输出：
output/analysis/color_analysis.json - 色彩分析结果执行方式：调用Python脚本（自动提取音频+语音识别）
python scripts/asr_transcriber.py \
--video_path <原视频路径> \
--output_path output/analysis/asr_result.json \
--model_size base \
--language zh \
--word_level
自动执行流程：
⚠️ 重要说明：
分析内容：
输出：
output/audio/extracted_audio.wav - 提取的音频文件output/analysis/asr_result.json - ASR识别结果输出示例：
{
"video_path": "原视频.mp4",
"language": "zh",
"full_text": "大家好，今天要分享的是...",
"duration": 45.2,
"segments": [
{
"id": 0,
"start": 0.0,
"end": 3.5,
"text": "大家好，今天要分享的是",
"words": [
{"word": "大家好", "start": 0.0, "end": 0.8, "confidence": 0.95}
]
}
],
"voice_style": {
"speed": {"chars_per_second": 3.2, "level": "中等"},
"pause": {"count": 5, "frequency": 1.1},
"estimated_tone": "温柔",
"estimated_emotion": "温暖"
}
}
执行方式：审核初稿 + 智能体补充
初稿已自动生成：
output/analysis/narrative_analysis.json由draft_generator.py在阶段1结束时自动生成，包含从ASR文本提取的人名和按时间三等分的叙事弧线骨架。Claude 只需阅读 ASR 文本后，补充所有[TODO]占位符。
核心理念：先判断这条视频是“什么类型的内容”，再用 ASR 文本识别角色和叙事线，指导后续图像验证。
分析内容：
输出：
output/analysis/narrative_analysis.json - 叙事线分析结果示例输出（中性占位示例，仅演示结构）：
{
"narrative_theme": "都市人物关系变化故事",
"narrator": "第一人称主角（女性）",
"characters_from_text": [
{
"name": "角色甲",
"role": "主要对手戏角色，表面身份普通",
"identity": "隐藏真实背景"
},
{
"name": "叙述者（我）",
"role": "第一人称主角",
"identity": "故事推动者"
}
],
"narrative_arc": {
"act_1": {"name": "建立关系", "time_range": "0-15s"},
"act_2": {"name": "冲突发展", "time_range": "15-35s"},
"act_3": {"name": "结果揭示", "time_range": "35-49.5s"}
}
}
重要：此步骤完成后，应先完善步骤3.6的 semantic_analysis.json，再进行步骤4的角色视觉验证。
执行方式：审核初稿 + 智能体补全行为、证据、子类判断
初稿已自动生成：
output/analysis/semantic_analysis.json已自动写入媒体基线，并为每个场景生成 6 棱镜骨架。Claude 应优先完善这个文件，再进入步骤4-6。
核心理念：这一步不是单纯写分析报告，而是要产出复刻主脑。先用固定提问框架把视频看清楚，再把分析结论直接写成后续步骤必须继承的统一生成约束。
6棱镜固定提问框架：
narrative_prism：这段在讲什么？这镜只完成什么？当前属于什么内容类型？允许 unknownsubject_prism：谁是主体？人数规模如何？主体之间是什么关系？谁必须出现？action_prism：主体在做什么？动作是静态、重复、同步还是连续动作链？scene_prism：空间是什么？灯光如何？有哪些服装、鞋子、道具、文字、环境证据？camera_prism：这镜怎么拍？景别、角度、运镜、镜头关注点是什么？constraint_prism：哪些事实必须保留？哪些可以近似？哪些绝不能生成错？这一步还必须把 4 类高价值判断单独结构化：
narrative_prism.subtype_judgmentaction_prism.behavior_judgmentscene_prism.evidence_chainconstraint_prism.negative_constraints必须完成的内容：
narrative_prism / subject_prism / action_prism / scene_prism / camera_prism / constraint_prismgeneration_contract：在步骤3.6就先锁定整项目最终视频形态与参考图策略。后面步骤8和步骤9只能继承，不能再各自决定style_consistency：它不是独立脑子，而是对 generation_contract 的展开描述。后面步骤8和步骤9必须直接继承，不允许各自发挥label_status = unknown，但不允许跳过行为、证据、约束constraint_prismgeneration_contract + style_consistency 至少必须回答这些点：
live_action / stylized_live_action / animesource_visual_mode 明确为真人时统一走 pseudo_realistic_human_illustration 这类写实人物插画桥接方案target_visual_mode 一致，不能被参考图介质带偏visible_characters 提供身份锚点，哪些核心角色还要补 full_body_outfit原则：
generation_contract 和 style_consistency 一起构成复刻主脑generation_contract + style_consistencyvisible_characters 和全身服装锚点，步骤9很容易出现整队同脸和主角换衣，这必须在步骤6先避免输出：
output/analysis/semantic_analysis.json - 6棱镜语义分析骨架重要：
semantic_analysis.json 还没补完整，不要急着写 scene_prompts.jsonfinal_label 可以是 unknown执行方式：审核初稿 + 智能体用 read_image 验证
初稿已自动生成：
output/analysis/coherence_analysis.json包含从 character_detection.json 映射的角色骨架。Claude 需要用 read_image 查看关键帧和角色代表面部，填写外貌描述，并补充“主体在做什么、为什么这样判断、还有哪些证据支撑”。
⚠️ 核心要求：
character_detection.json：该文件包含跨帧角色聚类、单帧可见人数、场景人数统计。人数判断先看 visible_people_stats / scene_visible_people_stats，不要直接拿 unique_characters 当现场人数# 读取叙事线分析
with open("output/analysis/narrative_analysis.json") as f:
narrative = json.load(f)
# 读取ASR时间戳
with open("output/analysis/asr_result.json") as f:
asr_data = json.load(f)
segments = asr_data["segments"]
# 根据ASR时间戳和叙事弧线，分配关键帧到对应角色
for segment in segments:
start_time = segment["start"]
end_time = segment["end"]
text = segment["text"]
# 根据文本内容判断这段属于哪个角色
# 例如："我第一次见到角色甲" → 角色甲
# "那时我才明白真相" → 叙述者（我）
# 找到对应时间的关键帧
keyframes_in_range = [kf for kf in keyframes
if start_time <= kf["time"] <= end_time]
除了看“是谁”，还必须回答：
必须主动检查以下证据，而不是只写“看起来像”：
# 选择要检查的帧（每个角色的代表性帧）
frames_to_check = []
# 对于每个角色，选择其出现的关键帧
for char in narrative["characters_from_text"]:
char_frames = get_keyframes_for_character(char, segments, keyframes)
frames_to_check.extend(char_frames[:5]) # 每个角色最多5帧
# 用read_image检查
result = read_image(frames_to_check)
# 从read_image结果提取角色外貌特征
# 注意：要和叙事线中的角色对应
必须基于叙事线 + read_image结果
示例角色定义表（中性占位示例）：
| 角色 | 文本识别（叙事线） | 关键帧验证 | 年龄 | 外貌 | 服装 | 出现场景 |
|---|---|---|---|---|---|---|
| 角色甲 | "我第一次见到角色甲" | frame_005,010,015 | 25-35岁 | 东亚男性，黑色短发，五官立体 | 浅色衬衫→深色外套 | 1-5 |
| 叙述者 | "那时我才明白真相" | frame_050,070,080 | 25-30岁 | 东亚女性，黑色短发 | 白色上衣→正式礼服 | 5-7 |
对比：错误做法 vs 正确做法
| 错误做法 | 正确做法 |
|---|---|
| 从图像识别出7个角色 | 从ASR文本识别出2个主角 |
| 每个场景独立分析 | 用ASR时间戳分配场景到角色 |
| 猜测叙事线 | 文本直接说明叙事线 |
| 不知道主角是谁 | 文本明确说明主角 |
输出：
output/analysis/coherence_analysis.json - 场景分析 + 角色定义执行方式：审核初稿 + 智能体补充语义评分
初稿已自动生成：
output/analysis/audio_visual_correlation.json包含 ASR 文本与场景时间的自动映射。Claude 需要补充语义匹配、情感一致性评分，并完成“从粗分类到子类”的最终收敛判断。
分析内容：
输出：
output/analysis/audio_visual_correlation.json - 音画关联分析结果执行方式：审核初稿 + 智能体补充场景描述和角色外貌
初稿已自动生成：
output/prompts/scene_prompts.json包含从 character_detection 映射的角色列表、从场景数据推导的场景骨架（scene_id/duration/main_character 已填充）、从色彩分析推导的 visual_style_prompt、以及realistic photo style提示词前缀。Claude 需要把步骤3.5-5得到的“内容类型、行为、证据、子类判定、负约束”真正落实到 prompt，而不是只补几个形容词。
数据来源：
output/analysis/color_analysis.jsonoutput/analysis/coherence_analysis.json写 prompt 前必须先写清 4 件事：
还必须继承步骤3.6的复刻主脑：
scene_prompts.json 必须同时携带 generation_contract 和 style_consistencygeneration_contract.character_reference_mode，再套用 style_consistencygeneration_contract.scene_generation_mode，再套用 style_consistencyscenes[] 里补 visible_characters，不能只写 main_characterscene 必须带 semantic_anchor，把步骤3.6的内容类型 / 子类判断 / 行为摘要 / 关键证据 / 负约束直接挂到生成层character_ref_prompts 不能只有胸像身份图；至少主角色和关键服装角色要补 full_body_outfitPrompt 组成顺序建议：
target_visual_mode 一致的统一前缀 + 原视频尺寸比例示例输出（中性占位示例，仅演示结构）：
视觉风格提示词：
电影感，warm_yellow色调，缓慢推拉镜头，流畅转场
场景1提示词：
[按 target_visual_mode 填写统一前缀], 9:16 vertical, 540x960, 校园入口外景，日间自然光，角色甲（东亚男性，25岁，黑色短发，浅色衬衫）
场景4提示词：
[按 target_visual_mode 填写统一前缀], 9:16 vertical, 540x960, 室内餐桌场景，暖色灯光，角色乙（东亚男性，35岁，短发，米白衬衫）
输出：
output/prompts/visual_style_prompt.txt - 视觉风格提示词output/prompts/scene_prompts.json - 每个场景的提示词⚠️ scene_prompts.json 必须严格遵守以下 JSON schema，步骤8-9的脚本依赖这些字段：
{
"global_style": "电影感，warm_yellow色调，缓慢推拉镜头",
"generation_contract": {
"source_visual_mode": "live_action",
"target_visual_mode": "live_action",
"mode_lock_reason": "原视频是真人，最终视频仍统一保持真人出镜；但平台对真人参考图有限制，因此步骤8统一使用写实人物插画参考图桥接",
"fallback_policy": "如果模型能力不足，只允许整项目统一降级，不允许局部混用",
"character_reference_mode": "pseudo_realistic_human_illustration",
"scene_generation_mode": "live_action",
"required_keywords": ["live action", "realistic photo style", "真人出镜"],
"forbidden_keywords": ["anime", "illustration", "角色设定图", "live action 与动漫词混用"],
"consistency_rules": [
"步骤8和步骤9都必须服从同一份 generation_contract",
"scene_generation_mode 必须与 target_visual_mode 一致",
"如果 character_reference_mode 与 target_visual_mode 不同，只允许整项目统一采用写实人物插画桥接方案，且 source_visual_mode 必须是真人"
]
},
"style_consistency": {
"style_family": "统一项目风格名称",
"character_render_mode": "角色参考图必须完全服从 character_reference_mode；真人项目走桥接时，也必须是写实人物插画参考图，并保持真人比例、真实皮肤明暗和布料褶皱",
"scene_render_mode": "场景视频必须完全服从 scene_generation_mode，不能被参考图介质带偏",
"lighting_rule": "统一光线逻辑",
"palette_rule": "统一主色倾向和服装配色",
"background_rule": "角色参考图必须单人、纯净浅色背景、不带第二个人",
"framing_rule": "角色参考图默认平视胸像；核心角色还要补全身服装锚点图",
"costume_rule": "服装材质、颜色、版型沿用原视频",
"character_prompt_block": "步骤8每次生角色图都必须先读取 character_reference_mode；只有 source_visual_mode 为真人时，才能走写实人物插画桥接；多人场景至少给核心角色补 identity_portrait + full_body_outfit",
"scene_prompt_block": "步骤9每次生场景都必须先读取 scene_generation_mode；输入参考图只锁定身份、发型、服装和鞋子，最终画面仍必须服从 scene_generation_mode；多人场景必须用 main_character + visible_characters 的多张参考图防止同脸",
"must_keep": ["scene_generation_mode 与 target_visual_mode 一致", "多人场景的人脸和发型必须分开", "核心角色的裤型和鞋型必须稳定"],
"negative_constraints": ["角色参考图不要画成漫画脸、二次元大眼或赛璐璐阴影", "不要只喂一张参考图去生成多人场景", "不要局部换风格"]
},
"video_generation": {
"source_resolution": "540x960",
"source_aspect_ratio": "9:16",
"target_resolution": "540x960",
"provider_ratio": "9:16",
"provider_resolution": "720p",
"prompt_prefix": "[按 target_visual_mode 填写统一前缀], 9:16 vertical, 540x960"
},
"characters": [
{
"id": "char_0",
"name": "角色甲",
"gender": "男性",
"age": "25-35岁",
"appearance": "东亚男性，黑色短发，五官立体",
"clothing": "浅色衬衫→深色外套"
}
],
"character_ref_prompts": [
{
"character_id": "char_0",
"reference_type": "identity_portrait",
"prompt": "先读取 character_reference_mode，再按唯一目标形态写身份参考图提示词，锁定脸型和发型"
},
{
"character_id": "char_0",
"reference_type": "full_body_outfit",
"prompt": "先读取 character_reference_mode，再按唯一目标形态写全身服装锚点提示词，锁定长裤和鞋子"
}
],
"scenes": [
{
"scene_id": 1,
"prompt": "[按 target_visual_mode 填写统一前缀], 9:16 vertical, 540x960, 校园入口外景，日间自然光，char_0（东亚男性，25岁，黑色短发，浅色衬衫），自然站立",
"duration": 5.2,
"main_character": "char_0",
"visible_characters": ["char_0", "char_1", "char_2"],
"semantic_anchor": {
"content_type": "训练 / 表演 / 仪式 / 课堂 / 比赛 / 商品展示 / 剧情 / unknown",
"subtype_judgment": "更细的子类判断，如：女子舞踊基础练习 / 课堂示范 / 队列排练",
"behavior_summary": "一句话说明主体到底在做什么，不能只写抽象词",
"evidence_to_preserve": ["必须在生成中保留的证据，如鞋型 / 字样 / 道具 / 队形"],
"negative_constraints": ["最容易生成错的点，如不要把训练生成成演出 / 不要把分趾鞋生成成运动鞋"]
},
"time_range": "0-5.2s"
}
]
}
字段说明：
video_generation：从原视频自动继承的尺寸与比例信息，步骤9必须优先遵循此配置generation_contract：步骤3.6锁定的统一生成形态，步骤8和步骤9都必须先消费它，不能绕过style_consistency：项目级统一风格模板，是 generation_contract 的展开描述，步骤8和步骤9必须强制消费characters：角色定义列表（id, gender, age, appearance, clothing），用于步骤8自动生成角色参考图character_ref_prompts：角色参考图的提示词；支持 reference_type=identity_portrait/full_body_outfitscenes：场景列表（scene_id, prompt, duration, main_character, visible_characters），用于步骤9生成视频semantic_anchor：场景级语义锚点，强制把步骤3.6的本体 / 子类 / 行为 / 证据 / 负约束穿透到生成层main_character：值必须对应 characters[].id，用于查找角色参考图visible_characters：多人场景里真正要喂给步骤9的人物锚点；如果缺失，极容易出现同脸大型现场模式（crowd mode）：
character_detection.json 中的 visible_people_stats.stable_visible_people_estimate > 10 时，默认判定为大型群像场景unique_characters 仍然保留在分析结果里，作为底层聚类参考；但角色数量、队形关系、场景规模，必须优先使用 单帧可见人数 与 稳定可见人数估计visible_characters 复刻多人现场关系：前景主体、背景人群、站位层次、活动氛围，而不是给每个路人单独生成参考图执行方式：仅在 ASR 有有效文本时执行
执行前检查：如果
output/analysis/asr_result.json的full_text为空，或segments为空，说明该视频没有可复刻的有效解说文本。此时跳过步骤7和步骤10，进入纯视觉复刻模式，不再生成或消费tts_guide.json。
初稿已自动生成：
output/prompts/tts_guide.json已从 ASR 结果自动填充 reference_text（完整解说文本）、duration_target、以及从 voice_style 映射的 TTS 参数。只有在 ASR 文本非空时，Claude 才需要审核这些字段。
数据来源：
output/analysis/asr_result.jsonTTS复刻参数：
{
"tts_parameters": {
"gender": "女性",
"tone": "温柔亲切",
"speed": "中等",
"emotion": "温暖鼓励",
"rhythm": "平稳节奏"
},
"reference_text": "大家好，今天要分享的是...",
"duration_target": 45.2
}
输出：
output/prompts/tts_guide.json - TTS复刻指导（仅在 ASR 有有效文本时生成并消费）⚠️ tts_guide.json 必须严格遵守以下 JSON schema，步骤10的脚本依赖这些字段：
{
"tts_parameters": {
"gender": "女性",
"tone": "温柔亲切",
"speed": "中等",
"emotion": "温暖鼓励",
"rhythm": "平稳节奏"
},
"reference_text": "大家好，今天要分享的是...",
"duration_target": 45.2
}
字段说明：
tts_parameters.gender：性别（男/女），用于 voice 映射tts_parameters.tone：语调（温柔/激昂/平静），用于 voice 映射tts_parameters.speed：语速（慢/较慢/中等/较快/快速），用于 rate 调整tts_parameters.emotion：情感（温暖/严肃/轻松），用于 voice 映射reference_text：完整解说文本，用于 TTS 输入执行方式：调用Python脚本（ApiMart Gemini 图片生成）
python scripts/image_generator.py \
--prompts_json output/prompts/scene_prompts.json \
--output_dir output/角色参考图/ \
--config config/api_config.yaml
脚本读取 scene_prompts.json 中的 generation_contract、style_consistency 与 character_ref_prompts / characters 列表。先确认 scene_generation_mode == target_visual_mode，再按 character_reference_mode 生成角色参考图。只有当 source_visual_mode 明确为真人时，步骤8才允许统一改用 pseudo_realistic_human_illustration 作为写实人物插画桥接参考图。动漫源视频必须继续走动漫角色参考图模板。
强制规则：
generation_contract 还没锁定，步骤8必须直接报错停止refs_manifest.json 必须记录本次 generation_contract，供步骤9核对角色参考图策略：
stable_visible_people_estimate <= 10）：按稳定可见人数估计选择主要主体生成参考图identity_portraitfull_body_outfit，专门锁定长裤、鞋子和服装版型stable_visible_people_estimate > 10）：默认不做“全员逐个建模”，但仍要保留少量前排主体锚点，不能只剩 1 张主角图去硬带全场scene_prompts.json 的场景描述中，而不是依赖大量单角色参考图配置要求：
config/api_config.yaml 中配置 models.image（默认 provider: apimart）config/api_keys.yaml 或环境变量 APIMART_API_KEY / VOLCENGINE_API_KEY 设置输出：
output/角色参考图/*.jpg - 每个角色的统一形态参考图output/角色参考图/refs_manifest.json - 参考图清单执行方式：调用Python脚本（Seedance 2.0 API）
python scripts/video_generator.py \
--prompts_json output/prompts/scene_prompts.json \
--refs_dir output/角色参考图/ \
--output_dir output/videos/ \
--config config/api_config.yaml \
--parallel 1
脚本为每个场景：
visible_characters 的参考图（从 refs_manifest.json）refs_manifest.json 与当前 generation_contract 是否一致；不一致则直接停止@图片N 调用语句的提示词generation_contract 和 style_consistency多人场景强制要求：
main_character 只能解决“主角是谁”，解决不了“整队不要同脸”visible_characters 必须列出真正需要喂给步骤9的人物锚点full_body_outfit，极容易出现“裤子、鞋子、下装版型漂移”强制参数（优先由 scene_prompts.json.video_generation 决定，config 为兜底）：
尺寸规则：
540x960，则生成后的场景视频也必须落盘为 540x960）断点续传：已存在的 scene_*.mp4 自动跳过。
输出：
output/videos/scene_*.mp4 - 每个场景的视频片段output/videos/videos_manifest.json - 视频清单执行方式：仅在步骤7已确认存在有效解说文本时执行
跳过条件：如果
asr_result.json没有可用文本（full_text == ""），则该视频视为无 TTS 复刻需求。直接跳过步骤10，进入纯视觉复刻模式。
python scripts/tts_generator.py \
--text "<解说文本>" \
--output_path output/audio/tts_narration.wav \
--tone "温柔" \
--speed "中等" \
--emotion "温暖" \
--service edge_tts
支持的服务：
--custom_api_url 指定）Voice 映射（tone + emotion → voice）：
| 语调+情感 | edge_tts voice |
|---|---|
| 温暖/女性 | zh-CN-XiaoxiaoNeural |
| 平静/中性 | zh-CN-XiaoyiNeural |
| 激昂/男性 | zh-CN-YunxiNeural |
可通过 --voice 直接指定 voice 名称覆盖自动映射。
输出：
output/audio/tts_narration.wav - TTS配音音频output/audio/tts_narration_tts_result.json - TTS参数记录执行方式：根据是否存在 TTS 分为两种模式
# 11a 拼接场景视频
python scripts/scene_concat.py \
--video_dir output/videos/ \
--output_path output/videos/merged_video.mp4 \
--order_json output/prompts/scene_prompts.json
# 11b 合成音视频（使用ASR时间戳精确对齐）
python scripts/audio_video_mixer.py \
--video_path output/videos/merged_video.mp4 \
--audio_path output/audio/tts_narration.wav \
--output_path output/复刻视频.mp4 \
--asr_json output/analysis/asr_result.json
默认规则：当 ASR 为空时，最终交付物定义为无复刻配音版本。即只拼接视频片段，不执行
audio_video_mixer.py。
# 11a 拼接场景视频（此时 merged_video.mp4 即最终交付物）
python scripts/scene_concat.py \
--video_dir output/videos/ \
--output_path output/videos/merged_video.mp4 \
--order_json output/prompts/scene_prompts.json
当前 Skill 的默认定义：纯视觉复刻模式下，最终输出是
merged_video.mp4。
不默认保留原视频音轨；“保留原音轨”属于额外需求，需用户明确提出，并应通过单独的音频策略实现，而不是复用 TTS 替换链路。
# 11a 拼接场景视频
python scripts/scene_concat.py \
--video_dir output/videos/ \
--output_path output/videos/merged_video.mp4 \
--order_json output/prompts/scene_prompts.json
# 11b 合成音视频（使用ASR时间戳精确对齐）
python scripts/audio_video_mixer.py \
--video_path output/videos/merged_video.mp4 \
--audio_path output/audio/tts_narration.wav \
--output_path output/复刻视频.mp4 \
--asr_json output/analysis/asr_result.json
输出：
output/复刻视频.mp4 - 最终视频（有 TTS 文本时）output/videos/merged_video.mp4 - 纯视觉复刻的最终视频（无 TTS 文本时）| 阶段 | 步骤 | 内容 | 执行方式 | 输出 |
|---|---|---|---|---|
| 阶段1 | 步骤1 | 智能关键帧提取 | Python脚本 | keyframes/ |
| 阶段1 | 步骤1.5 | 角色检测与跨帧聚类 | Python脚本（InsightFace） | character_detection.json |
| 阶段1 | 步骤2 | 色彩与运动分析 | Python脚本 | color_analysis.json |
| 阶段1 | 步骤3 | ASR语音识别 ⭐ | Python脚本 | asr_result.json |
| 阶段2 | 步骤3.5 | 叙事线分析 ⭐ | Claude分析 | narrative_analysis.json |
| 阶段2 | 步骤3.6 | 通用语义分析骨架 ⭐ | Claude分析 | semantic_analysis.json |
| 阶段2 | 步骤4 | 深度视觉分析（基于叙事线）⭐ | Claude+Read工具 | coherence_analysis.json |
| 阶段2 | 步骤5 | 音画关联分析 | Claude分析 | audio_visual_correlation.json |
| 阶段2 | 步骤6 | 生成视觉提示词 | Claude生成 | scene_prompts.json |
| 阶段2 | 步骤7 | 生成TTS指导（可选） | Claude生成 | tts_guide.json |
| 阶段3 | 步骤8 | 生成角色参考图 | Python脚本（ApiMart Gemini 图片生成） | 角色参考图/ |
| 阶段3 | 步骤9 | 生成视频片段 | Python脚本（Seedance 2.0 API） | videos/scene_*.mp4 |
| 阶段3 | 步骤10 | 生成TTS配音（可选） | Python脚本（edge_tts） | tts_narration.wav |
| 阶段3 | 步骤11 | 音视频合成 / 纯视觉交付 | Python脚本 | 复刻视频.mp4 / merged_video.mp4 |
原视频.mp4
│
├─→ [步骤1] smart_keyframe_extractor.py → keyframes/*.jpg
├─→ [步骤1.5] character_detector.py → character_detection.json + characters/*.jpg
├─→ [步骤2] video_analyzer.py → color_analysis.json
└─→ [步骤3] asr_transcriber.py
├─→ extracted_audio.wav
└─→ asr_result.json
│
↓
[步骤3.5] Claude分析 → narrative_analysis.json
│
↓
[步骤3.6] Claude分析 → semantic_analysis.json
│
↓
[步骤4] Claude Read(keyframes) + 叙事线 → coherence_analysis.json
↓
[步骤5] Claude分析 → audio_visual_correlation.json
↓
[步骤6-7] Claude生成提示词
├─→ scene_prompts.json（视觉风格+场景提示词+角色参考图提示词）
└─→ tts_guide.json（TTS参数+文本）
↓
[步骤8] image_generator.py（ApiMart Gemini 图片生成）→ 角色参考图/*.jpg
↓
[步骤9] video_generator.py（Seedance 2.0 API + 角色参考图）→ videos/scene_*.mp4
↓
[步骤10] tts_generator.py（edge_tts，可选）→ tts_narration.wav
↓
[步骤11a] scene_concat.py → merged_video.mp4
├─→ 若无有效 ASR / 无 TTS 需求：merged_video.mp4 即最终输出
└─→ 若有有效 ASR / 需要 TTS：进入步骤11b
[步骤11b] audio_video_mixer.py → 复刻视频.mp4
perfect_replication_workflow.py 或单独脚本）image_generator.py、video_generator.py，通过 API 生成）config/api_config.yaml 定义 provider，config/api_keys.yaml 存放密钥（或用环境变量）character_detection.json）semantic_analysis.json 中的主体规模、行为、证据、子类判断char_0, char_1）是全管线统一的角色 IDscene_prompts.json 时，characters[].id、scenes[].main_character、scenes[].visible_characters[] 必须使用相同的 ID{character_id}.jpg，全身服装锚点图为 {character_id}__full_body_outfit.jpgmain_character 和 visible_charactersscene_prompts.json 中真正进入生成链路的 characters 列表，应按 稳定可见人数估计 做收敛，不能把 unique_characters 原样当成人数抄下去perfect_replication_workflow.py 一次性完成，含步骤1.5）scripts/schema_validator.py），步骤8-9入口会自动校验scene_prompts.json；步骤10-11b仅在存在有效 tts_guide.json 时依赖 TTS 相关文件config/api_keys.yaml 或环境变量 VOLCENGINE_API_KEY）assets/schema_templates/scripts/schema_validator.py 可独立运行校验任意中间文件：
python scripts/schema_validator.py --file output/analysis/semantic_analysis.json --type semantic
image_generator.py）和步骤9（video_generator.py）入口已集成自动校验，缺字段时会报明确错误asr_result.json 中 full_text 为空时，应切换到纯视觉复刻模式，不再强行生成 TTSoutput/videos/merged_video.mp4visible_people_stats.stable_visible_people_estimate > 10 时，默认进入 crowd mode：保留全部角色检测结果，但步骤8不做全员逐个建模，只保留少量前排主体与关键服装锚点所有场景提示词和角色参考图提示词，都必须先服从 generation_contract。
允许的最终视频目标形态只有 3 种：
live_actionstylized_live_actionanime允许的桥接参考图形态：
pseudo_realistic_human_illustration兼容说明：旧项目里的
safe_stylized_human视为历史命名；新生成的文件统一不要再写这个值。
规则：
scene_generation_mode 必须和 target_visual_mode 完全一致character_reference_mode 通常与 target_visual_mode 一致；如真人项目受平台限制不能直接使用真人参考图，可整项目统一改成 pseudo_realistic_human_illustrationpseudo_realistic_human_illustration 的含义是：写实人物插画参考图，不是漫画，不是二次元，不是卡通脸source_visual_mode = anime，则 character_reference_mode 不得使用 pseudo_realistic_human_illustration示例前缀：
live_action
realistic photo style, live action, 9:16 vertical, 540x960,
stylized_live_action
stylized live action, realistic human proportions, 9:16 vertical, 540x960,
anime
anime style, clean cel shading, 9:16 vertical, 540x960,
步骤6生成提示词时必须检查：
target_visual_mode 一致live action 和 插画角色设定图 混在一起）