scene-video-generator

name	scene-video-generator
version	1.0.0
description	根据分镜描述生成视频片段。支持多个 AI 视频生成后端：即梦 Jimeng、Kling 可灵、Runway、Pika、Vidu。输入场景描述+可选的数字人口播，输出视频片段。触发词：AI视频、生成视频、分镜视频、scene video、text to video、图生视频。

分镜视频生成

功能

将分镜描述转换为 AI 场景视频（不含数字人）：

• 纯 AI 生成场景
• 图生视频（从参考图扩展）

⚠️ 与 digital-avatar 的分工

需求	用哪个 skill
数字人口播视频	→ digital-avatar
纯 AI 场景（无人/路人/产品展示等）	→ scene-video-generator（本 skill）

数字人相关的视频生成请用 digital-avatar skill，确保后端一致性。

支持的后端

后端	特点	时长限制	适用场景
Jimeng 即梦	国内，快，中文理解好	5s	国内平台
Kling 可灵	国内，质量高	5-10s	高质量需求
Runway	国际，Gen-3 质量顶级	5-10s	高端制作
Pika	快速，风格化强	3-5s	风格化内容
Vidu	国内，性价比高	4-8s	一般需求

默认使用 Jimeng（如已配置）。

输入参数

参数	必填	说明
backend	-	jimeng / kling / runway / pika / vidu
prompt	✓	场景描述（英文效果更好）
duration	-	目标时长（秒）
aspect_ratio	-	16:9 / 9:16 / 1:1
reference_image	-	参考图（图生视频）
style	-	realistic / anime / cinematic
motion	-	low / medium / high
seed	-	随机种子（复现用）

输出格式

video:
  id: "scene_001"
  backend: kling
  url: "https://..."
  duration: 5.0
  resolution: "1920x1080"
  aspect_ratio: "16:9"
  prompt: "原始 prompt"
  seed: 12345
  status: completed

工作流程

流程 A：纯 AI 生成

输入: prompt + 参数
  ↓
翻译/优化 prompt（如需要）
  ↓
调用后端 API
  ↓
等待渲染（30s-3min）
  ↓
输出: 视频 URL

流程 B：图生视频

输入: reference_image + prompt
  ↓
上传参考图
  ↓
调用 image-to-video API
  ↓
输出: 视频 URL

💡 需要数字人口播？ 请使用 digital-avatar skill。

Prompt 优化技巧

结构

[主体] + [动作] + [场景] + [镜头] + [风格]

示例

原始：女生在办公室看电脑

优化：A young professional woman sitting at a modern office desk, 
looking at computer screen with focused expression, 
soft natural lighting from window, 
medium shot, shallow depth of field, 
cinematic color grading

镜头术语

中文	英文	说明
特写	close-up	脸部/细节
中景	medium shot	半身
全景	wide shot	全身+环境
跟拍	tracking shot	跟随移动
推镜	dolly in	推进
拉镜	dolly out	拉远

详见 references/prompt-guide.md

使用示例

生成场景

用户：生成一个5秒的视频，内容是：一个人在咖啡厅用笔记本工作

执行：
1. 优化 prompt
2. 调用 Kling API
3. 等待渲染
4. 返回视频 URL

批量生成分镜

用户：根据这个分镜列表生成视频 [附 YAML]

执行：
1. 解析分镜列表
2. 逐个生成（或并行）
3. 返回视频列表

与上下游对接

上游输入：

• video-script-generator 的 scenes[].shot_description（非口播场景）

下游输出：

• video-stitcher 消费视频片段

并行 skill：

• digital-avatar 负责口播场景视频
• 本 skill 负责 AI 场景视频
• 两者输出都汇入 video-stitcher

注意事项

1. 不同后端对 prompt 长度有限制（通常 500 字符内）
2. 复杂动作/多人场景效果不稳定
3. 建议先小批量测试再批量生成
4. 保存 seed 以便复现满意的结果
5. 渲染时间可能较长，使用异步处理