mv-generator

name	mv-generator
description	MediaClaw 内置的音乐视频端到端生成技能。

MV Generator — 音乐视频生成管线

MediaClaw 内置的音乐视频端到端生成技能。

触发词

• 生成MV
• MV制作
• 音乐视频
• mv generator
• 虚拟歌手MV

管线流程

音频文件 + 歌词 + 角色卡
        │
        ▼
┌────────────────────────────┐
│  Step 1: 音频分析            │
│  scripts/audio-analyzer.py  │
│  → 时长、BPM、场景时间线     │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 2: 歌词解析            │
│  scripts/lyrics-parser.py   │
│  → 段落结构、情绪曲线        │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 3: 场景+帧设计         │
│  scripts/scene-design.py    │
│  → 场景类型、运镜、首尾帧prompt │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 4: 帧图像生成          │
│  qingyun gpt-image-1 API    │
│  → 每场景 first+last frame  │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 5: 视频片段生成        │
│  kling-2 / veo-3.1 / etc    │
│  → 首帧→尾帧 5s 视频片段    │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 6: 最终合成            │
│  FFmpeg merge               │
│  → 音轨对齐+转场+字幕       │
└────────────────────────────┘

输入

参数	必填	说明
audio_file	✅	音频文件路径 (.mp3/.wav/.m4a)
lyrics	✅	歌词文本
character_card	✅	角色卡 JSON（外貌、声音、风格）
style	❌	cinematic / realistic / anime / ethereal
num_scenes	❌	分镜数（默认 9）
output_dir	❌	输出目录（默认: MediaClaw/output/<project>/）

输出目录结构

output/<project-name>/
├── README.md              ← 项目概要 + 时间轴
├── frames/                ← 首尾帧图像
│   ├── 01_first.png
│   ├── 01_last.png
│   └── ...
├── audio/                 ← 音频文件（多版本）
│   └── song_v1.mp3
├── script/                ← MV 剧本
│   ├── mv_final.json      ← 精准时间轴 JSON
│   ├── mv_final.md        ← 人类可读剧本
│   └── character.json     ← 角色卡
├── docs/                  ← 文档和参考素材
│   └── avatar.png
└── video/                 ← 生成的视频片段（Step 5 产出）
    ├── scene_01.mp4
    └── ...

经验总结（来自 Chloe《樱花落尽时》项目）

图像生成最佳实践

项目	推荐	备注
模型	qingyun gpt-image-1	成功率最高
API	/v1/images/generations	比 edits 更稳定
尺寸	1024x1536（竖版）	必须用规定尺寸
并发	2-3 并发	过多会 SSL EOF
重试	失败单独重试	不整批重跑

角色一致性技巧

• 统一 prompt prefix: 包含角色核心外貌特征
• 参考图: 用 edits API 传入角色头像（但成功率低）
• 场景限定词: 每帧 prompt 固定前缀 + 场景变量

音频同步

• 用 mutagen 读 MP3 时长（无需 ffprobe）
• 场景时间按歌曲结构比例分配
• BPM 检测需 librosa（可选）

视频模型选择

情绪	模型	场景类型
≤ 6.0	kling-1.6	静态/自然/国风
6.0-8.0	kling-1.6 或 kling-2	过渡
≥ 8.0	kling-2	爆发/力量
360°旋转	veo-3.1	特殊运镜

依赖

• Python: mutagen, requests
• 外部 API: qingyun (图像), xingjiabi (视频), Google (veo-3.1)
• 可选: librosa (BPM), ffmpeg (合成)

参考

• audio-analyzer.py — 音频分析
• Chloe 项目完整输出
• virtual-singer-mv-script — 独立 MV 剧本 skill