| name | video-creation-collaborator |
| description | 影品智创多智能体协同视频创作管理工具,提供11个智能体结构化分工、5阶段协同流程、质量管控标准与数据反馈机制,解决生图失真、视频合成瑕疵等问题,确保输出统一可控 |
| dependency | {"python":["opencv-python>=4.8.0","pillow>=10.0.0","moviepy>=1.0.3","numpy>=1.24.0"]} |
影品智创 - 多智能体协同视频创作管理
任务目标
- 本Skill用于: 规范化和指导10个智能体的协同创作流程,解决生图失真(多肢体/畸形)、视频合成瑕疵等问题
- 能力包含:
- 11个智能体结构化分工(文案创作/故事策划/脚本创作/分镜导演/分镜画师/字幕师/配音师/音效师/视频工程师/质检/数据反馈)
- 5阶段协同流程管理(需求承接→内容创作→生图创作→音频字幕→视频合成→全流程质检→数据迭代)
- 质量管控与闭环反馈(前置质检拦截、数据沉淀迭代)
- 素材生成支持(图片/音频/字幕/音乐)
- 技术检测工具支持(图片质量、视频质量、音画同步)
- 触发条件: 用户需要进行短视频创作,或需要规范化多智能体协同流程
前置准备
- 依赖说明:
opencv-python>=4.8.0
pillow>=10.0.0
moviepy>=1.0.3
numpy>=1.24.0
- 非标准文件/文件夹准备:
mkdir -p ./input/{materials,scripts}
mkdir -p ./output/{drafts,storyboards,final}
mkdir -p ./cache/{images,audio}
操作步骤
标准流程(5个阶段,10个智能体)
第一阶段: 需求承接与内容框架搭建
触发节点: 用户输入核心需求(商品信息+视频需求)
步骤1: 文案创作师智能体(首节点)
- 职责: 基于商品信息提炼核心卖点,生成适配短视频的文案
- 输入: 商品品类、核心卖点、目标受众、视频风格、时长
- 输出:
- 核心Slogan(8-12字,简洁有力)
- 分镜适配文案(3-5句,每句4-8字)
- 质量标准: 无歧义、无夸大,贴合视频调性
- 下一级触发: 立即触发【故事策划师】、【字幕师】(暂存)
步骤2: 故事策划师智能体
- 职责: 基于卖点、文案,设计适配短视频时长的场景化故事线
- 输入: Slogan、分镜文案、商品信息、视频时长、风格
- 输出:
- 场景化故事线(镜头拆分、场景/动作标注)
- 镜头数量(30秒8-10个、45秒12-15个、60秒15-18个)
- 质量标准: 逻辑连贯,时长严格匹配,无无关场景
- 下一级触发: 立即触发【脚本创作师】
步骤3: 脚本创作师智能体
- 职责: 将故事线转化为标准化、可执行的分镜脚本
- 输入: 故事线、文案、视频时长、分辨率、比例
- 输出:
- 标准化分镜脚本(镜头序号、时长、场景描述、画面动作、文案、音效备注)
- 画面动作描述(明确人体肢体姿态,规避模糊表述)
- 质量标准: 时长精准分配,画面动作具体,格式统一
- 下一级触发: 立即触发【分镜导演】、【分镜画师】、【字幕师】、【音效师】
第二阶段: 视觉内容创作与质检
触发节点: 分镜脚本确认
步骤4: 分镜导演智能体
- 职责: 规划每个镜头的画面细节、光影、构图,为分镜画师提供精准依据
- 输入: 分镜脚本、商品细节图(如有)、视频风格
- 输出:
- 镜头画面规范(构图/光影/色调/肢体规范/商品细节)
- 负面规避清单(禁止多余肢体、畸形、虚化等)
- 质量标准: 构图清晰,光影均匀,肢体规范,商品细节明确
- 下一级触发: 立即触发【分镜画师】
步骤5: 分镜画师智能体
- 职责: 基于画面规范,生成高质量、无瑕疵的分镜图片
- 输入: 画面描述、分镜脚本、商品信息
- 输出: 1080P合格分镜图片(单张对应单个镜头,命名规范)
- 质量标准:
- 人体结构正常(无多余肢体/畸形/重影)
- 商品细节精准(无变形/模糊)
- 画质细腻(1080P,无颗粒感)
- 负面规避: 禁止多余肢体、手部畸形、商品变形、画面噪点等
- 下一级触发:
- 图片生成后,触发【视频工程师】素材预处理
- 同时触发【质检智能体】分镜图片专项质检
第三阶段: 音频字幕创作(并行执行)
触发节点: 分镜脚本确认(可并行启动,无需等待视觉内容)
步骤6: 配音师智能体
- 职责: 根据分镜文案生成高质量旁白/配音
- 输入: 分镜文案、视频风格、情感基调
- 输出:
- 旁白文本(与分镜文案对应,可适当口语化)
- 音色建议(活力男声/专业女声/稳重男声/亲切女声等)
- 语速要求(中等/稍快/稍慢)
- 情感标注(积极/专业/沉稳/亲切等)
- 质量标准: 语音自然流畅,情感贴合场景,无明显机械感
- 下一级触发: 输出同步至【音效师】,调用
audio_generator.py生成音频文件
步骤7: 字幕师智能体
- 职责: 创作适配画面的字幕,确保显示效果与可读性
- 输入: 分镜文案、分镜脚本、视频风格、画面比例
- 输出:
- 字幕信息包(文本+对应镜头时长+叠加位置)
- 格式规范(字体/字号/颜色/位置)
- 质量标准: 无错别字,字数适配(每秒1-2字),避开商品主体
- 下一级触发: 输出同步至【视频工程师】
步骤8: 音效师智能体
- 职责: 推荐适配的背景音乐与场景音效,确保音画协调
- 输入: 分镜脚本、视频风格、时长、核心场景
- 输出:
- 音效方案包(背景音乐+场景音效+时间节点+音量参数)
- 音效名称、风格描述、时长、音量建议
- 质量标准: 风格贴合,节奏匹配,音量适中,无版权问题
- 下一级触发: 输出同步至【视频工程师】
第四阶段: 视频合成与成品质检
触发节点: 分镜图片质检合格
步骤9: 视频工程师智能体
- 职责: 基于各智能体输出素材,完成高质量视频合成
- 输入: 合格分镜图片、字幕信息、音效方案
- 输出: 合成后的MP4成品视频
- 质量标准:
- 素材预处理(调用质量检测脚本,识别瑕疵)
- 合成参数(1080P, 25fps, 8Mbps,无黑边/卡顿)
- 转场效果(淡入淡出,0.3-0.5秒,过渡自然)
- 音画同步(音频偏移≤0.1秒)
- 下一级触发: 成品输出后立即触发【质检智能体】
步骤10: 质检智能体(全流程穿插)
- 职责: 对各智能体输出物进行全环节质检,拦截瑕疵,推动整改
- 输入: 各环节输出物、质量标准、负面规避清单
- 输出:
- 分环节质检报告(合格/不合格,瑕疵类型,整改建议)
- 质检台账(瑕疵数据、整改结果、合格率)
- 质检维度:
- 内容层(文案/故事线/脚本/字幕)
- 视觉层(分镜图片/成品视频)
- 音频层(背景音乐/音效/音画同步)
- 格式层(比例/脚本格式/视频参数)
- 处理规则:
- 轻微瑕疵(文案语序微调)→直接反馈优化
- 重大瑕疵(多肢体/画面撕裂)→拦截输出,要求重制
- 前置质检→分镜图片/成品视频强制质检,不合格驳回
- 下一级触发:
- 不合格→触发对应智能体重做
- 合格→触发【数据反馈智能体】
第五阶段: 数据沉淀与迭代优化
触发节点: 全流程质检合格
步骤11: 数据反馈智能体
- 职责: 收集分析全流程数据,输出迭代建议,优化智能体提示词与协同逻辑
- 输入: 质检台账、创作耗时数据、用户反馈
- 输出:
- 数据统计报告(合格率、高频瑕疵、创作耗时、整改率)
- 迭代优化建议(针对高频瑕疵优化提示词、调整协同流程)
- 数据沉淀(瑕疵类型-优化方案-效果验证闭环)
- 分析维度:
- 瑕疵分析(TOP3高频瑕疵,定位根因)
- 效率分析(识别流程瓶颈)
- 优化效果(验证迭代有效性)
- 下一级触发: 输出同步至技能开发端,更新智能体配置,完成迭代闭环
并行协同与闭环管控
并行执行
- 字幕师、音效师可在脚本创作师输出分镜脚本后并行启动,无需等待视觉内容完成
- 效率提升: 减少等待时间,整体创作周期缩短
闭环管控
- 所有输出物需经质检智能体校验合格后方可进入下一环节
- 重大瑕疵直接拦截,避免问题流转
- 跟踪整改结果,确保100%解决
迭代联动
- 数据反馈智能体的优化建议直接作用于各智能体底层配置
- **形成"创作-质检-优化"**持续迭代机制
质量检测工具使用
图片质量检测
python scripts/image_quality_checker.py --image ./cache/images/shot_001.jpg --resolution 1920x1080
检测维度:
- 肢体异常(多余肢体/畸形/重影)
- 画面质量(模糊/噪点/变形)
- 商品细节(纹理/轮廓/按键)
- 分辨率/比例
视频质量检测
python scripts/video_quality_checker.py --video ./output/final/video.mp4 --resolution 1920x1080 --duration 30 --fps 25
检测维度:
- 分辨率/时长/帧率/码率
- 画面质量(卡顿/撕裂/转场瑕疵)
- 音频质量(清晰度/杂音)
- 音画同步(偏移≤0.1秒)
- 字幕遮挡检测
素材生成与视频合成流程
素材生成流程
1. 图片素材生成
触发时机: 分镜画师智能体完成画面设计后
执行步骤:
cat > ./scripts/storyboard.json << 'EOF'
{
"shots": [
{
"shot_id": "L01",
"description": "智能手表特写,手指滑动屏幕",
"duration": 3.0,
"resolution": "1920x1080"
}
],
"style": "科技风,冷色调,清晰锐利"
}
EOF
python scripts/image_generator.py \
--storyboard ./scripts/storyboard.json \
--output ./output/images \
--style "科技风,冷色调"
输出规范:
- 路径:
./output/images/shot_{shot_id}.jpg
- 格式: JPG, 1080P (1920x1080)
- 质量要求: 无肢体异常,商品细节清晰,画质细腻
参考: references/asset-specifications.md - 图片素材规范
2. 音频素材生成
触发时机: 配音师智能体完成旁白文本,音效师智能体完成音效方案后
执行步骤:
python scripts/audio_generator.py \
--mode narration \
--text "腕上未来,触手可及" \
--voice "professional_male" \
--output ./output/audio/narration_S01.wav
python scripts/music_generator.py \
--style "科技风,轻快" \
--duration 30 \
--output ./output/audio/background_music.wav
python scripts/audio_generator.py \
--mode mix \
--narration ./output/audio/narration_S01.wav \
--background ./output/audio/background_music.wav \
--effects ./output/audio/sound_effects/ \
--output ./output/audio/merged_audio.wav
输出规范:
- 路径:
./output/audio/
- 格式: WAV (44.1kHz, 16bit/24bit)
- 质量要求: 无杂音,音量平衡,音质清晰
参考: references/asset-specifications.md - 音频素材规范
3. 字幕素材生成
触发时机: 字幕师智能体完成字幕设计后
执行步骤:
cat > ./scripts/storyboard.json << 'EOF'
{
"shots": [
{
"shot_id": "L01",
"duration": 3.0,
"text": "腕上未来"
},
{
"shot_id": "L02",
"duration": 3.0,
"text": "触手可及"
}
]
}
EOF
python scripts/subtitle_generator.py \
--storyboard ./scripts/storyboard.json \
--format srt \
--output ./output/subtitles/subtitle.srt
输出规范:
- 路径:
./output/subtitles/subtitle.srt 或 .ass
- 格式: SRT/ASS (UTF-8编码)
- 质量要求: 无错别字,字数适配,位置无遮挡
参考: references/asset-specifications.md - 字幕素材规范
视频合成流程
触发时机: 所有素材(图片/音频/字幕)准备完成并质检合格后
执行步骤:
cat > ./scripts/project_config.json << 'EOF'
{
"images_dir": "./output/images",
"audio_file": "./output/audio/merged_audio.wav",
"subtitle_file": "./output/subtitles/subtitle.srt",
"shots": [
{
"shot_id": "L01",
"duration": 3.0,
"transition": "fade"
},
{
"shot_id": "L02",
"duration": 3.0,
"transition": "cut"
}
],
"width": 1920,
"height": 1080,
"fps": 25,
"duration": 30,
"bitrate": "8000k"
}
EOF
python scripts/video_compositor.py \
--config ./scripts/project_config.json \
--output ./output/temp/validate.mp4 \
--validate_only
python scripts/video_compositor.py \
--config ./scripts/project_config.json \
--output ./output/final/final_video_$(date +%Y%m%d).mp4
输出规范:
- 路径:
./output/final/final_video_{日期}.mp4
- 格式: MP4 (H.264编码)
- 参数: 1080P, 25fps, 8Mbps
- 质量要求: 无卡顿,音画同步≤0.1秒,字幕同步无延迟
参考: references/asset-specifications.md - 视频输出规范
质量检测流程
1. 图片质量检测
python scripts/image_quality_checker.py \
--image ./output/images/shot_L01.jpg \
--resolution 1920x1080 \
--check_limb_anomaly \
--check_blur \
--check_deformation
2. 音频质量检测
python scripts/audio_quality_checker.py \
--audio ./output/audio/narration_S01.wav \
--sample_rate 44100 \
--check_noise
3. 视频质量检测
python scripts/video_quality_checker.py \
--video ./output/final/final_video_20240122.mp4 \
--resolution 1920x1080 \
--duration 30 \
--fps 25 \
--check_sync
参考: references/quality-standards.md - 质检标准
资源索引
注意事项
- 智能体协同: 严格按照11个智能体的触发顺序和协同规则执行
- 素材规范: 所有素材生成必须遵循asset-specifications.md中的规范
- 视频合成: 合成前必须确保所有素材(图片/音频/字幕)就位并质检合格
- 质量优先: 所有输出物必须经质检智能体校验,重大瑕疵直接拦截
- 闭环迭代: 数据反馈智能体的优化建议必须应用于下一轮创作
- 技术检测: 视频合成前必须调用质量检测脚本,素材不合格不得合成
- 数据沉淀: 质检台账和创作数据必须完整记录,用于迭代优化
使用示例
示例1:完整创作流程
1. 文案创作师: 输出Slogan "腕上未来,触手可及" + 分镜文案
2. 故事策划师: 输出9个镜头的故事线
3. 脚本创作师: 输出标准化分镜脚本(时长、场景、动作、文案)
4. 分镜导演: 输出9个镜头的画面规范 + 负面规避清单
5. 分镜画师: 生成9张1080P分镜图片(调用质量检测脚本)
6. 字幕师: 输出字幕信息包(并行执行)
7. 音效师: 输出音效方案包(并行执行)
8. 质检智能体: 检测分镜图片,发现第3张图片肢体异常,反馈分镜画师重绘
9. 分镜画师: 重新生成第3张图片,质检合格
10. 视频工程师: 合成视频(调用视频质量检测脚本)
11. 质检智能体: 检测成品视频,音画同步0.08秒,合格
12. 数据反馈: 输出数据统计报告 + 迭代建议
示例2:图片质量检测
from scripts.image_quality_checker import check_image_quality
result = check_image_quality(
image_path="./cache/images/shot_003.jpg",
expected_resolution=(1920, 1080),
check_limb_anomaly=True,
check_blur=True,
check_deformation=True
)
if not result['overall']:
print(f"发现瑕疵: {result['issues']}")
else:
print("图片质量合格,可用于合成")
示例3:质检闭环示例
质检智能体检测:
- 分镜图片: 合格率92%(10张图片,8张合格,1张轻微瑕疵,1张重大瑕疵)
- 重大瑕疵: shot_007.jpg 发现多余肢体,驳回分镜画师重绘
- 轻微瑕疵: shot_003.jpg 轻微模糊,反馈优化
成品视频: 合格
- 分辨率: 1920x1080 ✓
- 帧率: 25fps ✓
- 音画同步: 0.08秒 ✓
- 字幕遮挡: 无 ✓
数据反馈智能体:
- 高频瑕疵TOP3:
1. 肢体异常(占比8%) → 优化分镜导演/画师提示词
2. 轻微模糊(占比6%) → 调整画质标准
3. 字幕位置偏差(占比4%) → 优化字幕师模板
- 效率瓶颈: 分镜画师重绘耗时过长 → 调整前置质检规则
