Install
openclaw skills install @kongzichixiangjiao/mv-sing-opener-skill人物说唱视频制作官
人物说唱视频制作官。用户给一个想拍的人物/主题 ＋ 一条说唱音频（音频可后补）， 本 skill 让图片里的人跟着这条音频开口说唱，产出 9:16 的人物说唱视频； 速度＝音频本身的速度（永不提速），成片长度＝人声长度；单镜 ≤30 秒，超过就按句间切点自动拆镜。 前置创作链固定四站、四个角色、四份记录： ① 任务解读官（把用户原话拆成任务书，标已知/缺口/默认值）→ ② 创意总监（定母题、选点、结构、视觉、音频方案）→ ③ 钩子官（只写第一句，4 分制打分，锁定主钩）→ ④ 词作者（按方案与钩子写全词＋出曲参数）。 不内置任何人物、母题、场景、金句、模板文案：全部按用户本次输入现场规划，推导链写进项目文件。 无音频时：④ 先交付歌词＋出曲参数＋海绵音乐提示词（30s/12bar、40s/16bar 一段式，主版＋备选＋逐字歌词）； 音频回传后才进 ⑤–⑧；禁止从旧项目/其他目录借用音频，没有音频不得进入 ⑥⑦⑧。 核心口径：口型由参考音频驱动；单镜 ≤30 秒，超过就拆镜、绝不提速；各镜用同一张参考图，切点落在信息段； 画面零可读文字、不影射真人/IP/品牌；只支持图片素材。 公共经验（10 条）：概念可行才算成立；代际题材先给边界、不逼原谅；平台硬约束在写词阶段排除； 字秒比按口型打折（40s 140–150 字、每句 6–9 字为主）；结构现代失败先行；钩子用「物+关系+落空」不踩血腥线； 40s 按信息段拆 3–4 镜；视觉锚点低于嘴、反复出现；风险换表达不删情绪。 触发词：人物说唱、照片说唱、让照片里的人说唱、图片人物说唱、30秒说唱、40秒说唱、说唱视频、rap视频、 人物rap、开口说唱、说唱开场、mv-sing-opener、说唱短视频、海绵音乐提示词、出曲提示词。
人物说唱视频制作官（四角色前置 · 图片人物 · 按音频拆镜）
一句话定位：把一个想拍的人物/主题 ＋ 一条说唱音频，变成一条开口就对得上口型的说唱视频—— 人物不换、场景不乱；音频多长成片就多长、速度就是音频的速度；超过 30 秒按句间切点自动拆镜。
本 skill 只做一件事：图片里的人，跟着你给的音频开口（按 30 秒上限自动拆镜）。 不做：整首歌 MV、多镜叙事、镜头切换、自己生成音频、歌曲下载/翻唱、视频素材处理。 要整首多镜 MV →
mv-production（另行提供）；要多镜整首对口型 →mv-concert（另行提供）； 只要说唱词、不要视频 → 直接用 ④ 的产出；封神人物也可走fengshen-rap-30s（另行提供）。
一、总流程（10 站 · 4 个创作角色）
⓪ 建档（项目管家）
↓ 00-项目状态.md / 00-输入/需求卡.md / 00-过程记录.md
① 解读任务（任务解读官）
↓ 01-解读/01-任务书.md
② 出方案（创意总监）
↓ 02-方案/01-方案.md
③ 写钩子句（钩子官）
↓ 02-方案/02-钩子句.md
④ 写歌词（词作者）
↓ 02-方案/03-歌词.md
⑤ 素材与出曲（素材官）
↓ 04-图片/ref_人物.* / 00-输入/音频/S01.wav…
⑥ 上传外网（上传官 · 硬门）
↓ 03-上传/素材外网路径.json
⑦ 时间轴＋提示词（提示词官）
↓ 02-方案/04-时间轴.md / 04-提示词/分镜JSON.json
⑧ 出片＋合成（出片官）
↓ 成片片段/SXX.mp4 → 06-MV成片.mp4
⑨ 质检交付（质检官）
↓ 06-质检/检查报告.md / 交付清单.md
四角色边界（不许串岗）：
| 角色 | 只回答 | 只写 | 不碰 |
|---|---|---|---|
| 任务解读官 | 到底要做什么、做到什么算完成、还缺什么 | 01-解读/01-任务书.md | 不写方案、不写词 |
| 创意总监 | 唱什么、怎么唱、长什么样 | 02-方案/01-方案.md | 不写钩子、不写全词 |
| 钩子官 | 第一句凭什么让人不划走 | 02-方案/02-钩子句.md | 不写第二句 |
| 词作者 | 每一句为什么必须存在 | 02-方案/03-歌词.md | 不改钩子、不改曲 |
用户明确说「跳过前面，直接出片」时：只能跳 ②③④ 的展示，不能跳落盘—— 先把四份记录补齐（可以标「用户授权按默认执行」），再进 ⑤。没有记录的创作＝没有发生。
二、输入与四个硬门
| 输入 | 必需 | 处理 |
|---|---|---|
| 人物/主题描述 | 是（硬门） | 用户原话逐字记进任务书；没描述就不开工 |
| 说唱音频 | 是（音频门） | 有 → ④ 听写核对；无 → ④ 写词＋出曲参数＋海绵音乐提示词，停在 ④ 等回传；未回传不得进 ⑥⑦⑧ |
| 人物图片 | 否 | jpg/png/webp；有 → 校验后用；无 → 按方案风格卡生成一张 |
| 时长 | 否 | 默认 30s / 12 句；可选 40s / 16 句；成片按音频实际长度 |
| 画幅 | 否 | 默认 9:16；可选 16:9 / 1:1 / 3:4 / 4:3 |
| 是否要字幕 | 否 | 默认不烧字幕；要就说，⑧ 生成 .srt（可选烧进画面） |
2.1 四个硬门（顺序不能反）
- 任务门：① 结束必须有
01-解读/01-任务书.md，写明「做什么/给谁看/多长/素材状态/缺口默认值」。 - 图门：⑤ 结束必须有可用人物图（用户图或生成图）。
- 音频门：进入 ⑥ 前必须有一条可用说唱音频，已按 ASR 原速切分（末字完整、末段淡出），且不是纯伴奏。 音频只能来自用户本次提供或按 ④ 的海绵音乐提示词出曲后回传；禁止从历史项目/其他目录复制旧音频。
- 上传门：⑥ 图与音频都必须拿到公网直链且 HEAD 200，才允许进入 ⑦ 与后续出片。
任一门没过就停住，如实报错；不要假装已上传，也不要先出片再补链。
2.2 音频状态决定路线
| 状态 | ① 任务书要写 | 后续 |
|---|---|---|
| 有音频 | 文件路径、时长、是否 30s 内 | ④ 听写核对（不改词）→ ⑤ 切音频 |
| 无音频 | 「本阶段交付到歌词＋出曲参数＋海绵音乐提示词」 | ④ 写词＋参数＋海绵音乐提示词 → 停在 ④；用户出曲回传后才进 ⑤ 切音频；未回传不得进 ⑥⑦⑧ |
不许因为没音频就停摆，也不许假装音频已在手，更不许从旧项目复制音频。
三、铁律（违反即返工）
① 四角色前置链固定：① 任务解读 → ② 方案 → ③ 钩子 → ④ 歌词，一站一角色、一站一文件。 不许一个人一口气写完全部内容再补记录；每站完成停下等确认。
② 不内置任何信息：不调用预设人物库、母题库、场景库、金句库、示例文案。 所有内容必须从本项目用户原话推导；每个名词都要能回答「它从哪来」。 推导链写进对应记录文件，不能只在对话里说。
③ 速度＝音频本身的速度，长度＝人声长度，按 30 秒上限自动拆镜：
- 一个字都不改速：
atempo永远不用、不改采样率改速； - 音频只用
scripts/cut_audio.py切（没有变速参数），只做裁区间 + 补齐 + 末段淡出； --end必须 ＝ 最后一个字的结束时间 + 0.5~0.8s； ⚠️ 拿句子的「开始时间」当结尾，会把最后一个字整段切掉；- 末段强制 0.25–0.3s 淡出；
- 先按信息段拆镜：40s 拆 3–4 镜、30s 可 1–2 镜；更长的音频再用
ceil(人声长度 / 30)兜底；每镜seconds ≤ 30、duration = ceil(seconds)； 切点必须落在句与句之间（不切词），各镜音频首尾相接； - 不做帧接续、不做视频延长。
- 音频来源硬门：音频只能来自用户本次提供或按 ④ 提示词出曲后回传；禁止从
assets/output旧项目、其他目录、样例里复制音频；没有音频不得进入 ⑥⑦⑧，发现旧音频一律删除并回到 ④。
④ 口型由音频驱动：顶层 generate_audio: false，单镜 ref_audio_urls 恰 1 条。
⑤ 必须用用户传的图：图片是唯一人物锚点，不重绘脸、不美化、不换装、不换发型。 只有用户没传图时，才按方案里锁定的风格卡生成一张。
⑥ 正面、嘴部全程可见；镜头要动，但动在节奏上：正面平视或 3-4 侧脸；不遮嘴、不甩头、不转身、不走位。
- 镜头跟着拍子动（每 2 拍一次极轻推开/回拉，幅度 <2%；重拍处顿一下）；
- 允许开场快速推近：前 3 秒从全景/全身推到半身，之后锁在半身；
- 禁止：快速甩镜、横向摇移、变焦跳动、推到位后继续乱推。
⑦ 歌词与音频逐字一致：音频定稿后一个字都不许改；每句用双引号包裹，带 [起-止s] 相对时间轴；
不引号＝场景描述，模型不会按字对口型。
⑧ 时间轴写整数秒：[0-2s]、[2-5s]…末块 end 必须等于该镜 seconds。
小数时间戳会被静默四舍五入。
⑨ 人物锁定：提示词必须逐项锁住脸型、发型、服装、配饰、背景关系；refs_urls 是人物参考图绝对直链，
提示词里用 @图片1 指代。
⑩ 说不是念：提示词必须显式写「说唱 / Rap / 有 beat 有 flow」，并给 BPM、鼓组、flow 类型； 不要写成「朗读 / 念白 / 朗诵」。
⑪ 必须有律动，且不能只有人物在动：提示词 ④ 段必须写五层——镜头（卡拍）/ 人物律动 / 手部 / 饰品（本人物符号持续动、发丝动）/ 环境（本场景元素流动、光屑飘）；再挑 3–5 个与歌词对应的秒点做「画面事件」， 其余保持轻动态。底线：不甩头、不转身、不走位；饰品与环境动效不进入面部区域。
⑫ 零可读文字：画面不出现文字、数字、字母、logo、水印、二维码；歌词只作可选后期字幕。
⑬ 合规：不影射在世真人/明星/IP/品牌；真人图片需本人/授权/AI 生成；未成年人默认健康表达； 交付提示加 AI 生成标识。
⑭ 成本纪律：先 --dry-run 看请求体，再出 1 条；不连出、不批量抽卡。
⑮ 确认门：① 任务书、② 方案、③ 钩子＋主题，每站都要把摘要展示给用户； ③ 结束给一张四合一确认卡（任务解读＋方案＋钩子＋主题；开头一句「以下方案是否适合现代社会年轻人？给出优化修改建议。」），用户一次确认后才进 ④； 未确认前，④ 不得定稿；已写歌词只算草稿，不得进 ⑤； 用户没说「确认/可以/生成」之前，不调付费出片。 也允许逐站确认：① 停一次、② 停一次、③ 停一次。
三·五、公共经验（10 条硬口径）
详细展开见
references/08-公共经验.md。与其它文件冲突时，以这 10 条为准。
| # | 口径 | 落地动作 |
|---|---|---|
| 1 | 概念成立 ≠ 表达成立 | 先判目标人群/文案/时长/画面/平台，再把文学母题翻成目标人群口语；不做父辈独白 |
| 2 | 代际题材先定边界 | 不替沉默父亲解释，让他承认「不会说」；不逼年轻人原谅，给「可以不原谅」的出口 |
| 3 | 平台硬约束前置 | 零文字下，聊天记录/朋友圈/字幕/弹幕一律改成声音、震动、反光、手势、剪影、口播 |
| 4 | 字秒比按口型打折 | 40s 优先 140–150 字、每句 6–9 字为主；主歌一辙，Bridge 换辙；不用纯文案字数判断 |
| 5 | 结构先让目标人群听进去 | 现代失败 → 神话关系 → 边界出口；不要一上来全是父辈苦衷 |
| 6 | 钩子狠但不踩线 | 用「物 + 关系 + 落空」；血腥/剔骨/还骨头慎用，口播抽象成「还清/还命」，画面不血腥 |
| 7 | 单镜按信息段拆 | 40s 拆 3–4 镜，每镜 8–12s；主镜微侧、中景、塔低于嘴 |
| 8 | 视觉母题一个锚点反复出现 | 风格词落到可反复拍的具体物件；塔在腰前掌心或胸腹侧，低于嘴 |
| 9 | 风险控制换表达不删情绪 | 保留复杂情绪，把审判性画面换成承认性口播；不拍剔骨、不说教、不烧字幕 |
| 10 | 可复用检查清单 | 十项见 references/08 §10；一项不过就停在当前站改 |
概念可行性五问（② 方案前必答）：
- 目标人群是谁？他们平时怎么说这句话？
- 这个母题能不能用一句他们的口语说清？
- 时长/画幅/零文字/平台，允许这个表达吗？
- 有没有第二个人、具体场景、可拍动作？
- 会不会变成人物独白/判词？
五问有一问答不上，回 ① 重写任务书，不许直接出方案。
四、制作步骤（10 站 · 逐站确认）
| 站 | 角色 | 做什么 | 记录文件（交接物） |
|---|---|---|---|
| ⓪ 建档 | 项目管家 | new_project.py 建目录 ＋ 状态 ＋ 需求卡 ＋ 过程记录 ＋ 登记 | 00-项目状态.md、00-输入/需求卡.md、00-过程记录.md |
| ① 解读任务 | 任务解读官 | 原话归档 → 5W2H → 素材状态 → 缺口＋默认值 → 任务书；展示摘要，停下等确认 | 01-解读/01-任务书.md |
| ② 出方案 | 创意总监 | 事实清单 → 母题 → 只选一件事 → 三个当代场景 → 结构/视觉/音频方案；展示摘要，停下等确认 | 02-方案/01-方案.md |
| ③ 写钩子句 | 钩子官 | 找原数字 → 落生活成本 → 3–5 候选 → 4 分制 → 锁定主钩＋备选＋主题一句话；停下等用户确认 | 02-方案/02-钩子句.md |
| ④ 写歌词 | 词作者 | 按钩子与结构写全词 → 逐句功能表 → 七问自检 → 出曲参数 → 海绵音乐提示词（无音频时必出） | 02-方案/03-歌词.md、02-方案/05-海绵音乐提示词.md |
| ⑤ 素材与出曲 | 素材官 | 有图校验/无图生成；有音频只切不改速；无音频只交付提示词，不切音频 | 04-图片/ref_人物.*、00-输入/音频/S01.wav… |
| ⑥ 上传外网 | 上传官 | upload_project.py --verify --with-line-audio；图与音频 HEAD 200 | 03-上传/素材外网路径.json |
| ⑦ 时间轴＋提示词 | 提示词官 | ASR 对齐 → 整数秒 → 六段式提示词 ＋ 分镜JSON | 02-方案/04-时间轴.md、04-提示词/分镜JSON.json |
| ⑧ 出片合成 | 出片官 | --dry-run → 逐镜出片 → --merge → assemble.py | 成片片段/SXX.mp4、06-MV成片.mp4 |
| ⑨ 质检交付 | 质检官 | qa.py --require-clip --verify-links；人工看口型/画面/合规 | 06-质检/检查报告.md、交付清单.md |
用户说「继续/下一步」只推进一站；「全过」连跑到 ⑤；「暂停」存进度。 每站结束必须调用
log_step.py写过程记录，否则视为未完成。
五、项目制总则
每次输入＝一个项目；进度全部落盘，换会话也不丢。
5.1 输入路由
- 继续已有项目：带项目 ID（MV01）/名字 +「继续 / 下一步 / 到第X站」→ 读
assets/output/项目登记.md→ 读项目00-项目状态.md与00-过程记录.md→ 从当前步骤只推进一站 → 停下等确认。 - 新项目：用户给人物/主题/图片/音频/描述 → 建档 → 从 ① 开始。
- 修改当前站：只改当前待确认站产物 → 重新展示确认门 → 补一条过程记录（写「修改」）。
- 其他：
项目列表、暂停。
5.2 项目登记表（assets/output/项目登记.md）
| 项目ID | 项目名 | 时长 | 当前步骤 | 状态 | 输出目录 |
|---|---|---|---|---|---|
| MV01 | <短名> | 30s/40s/按音频 | ③ 钩子句 | ⏸待确认 | assets/output/MV01-<短名>/ |
- 项目 ID 自动
MV01、MV02…；目录名＝MVxx-<短名>（英文/拼音/中文均可，无空格）。 - 状态值：⏸待确认 / ▶进行中 / ⏹已暂停 / ✅已完成。
5.3 项目状态文件（00-项目状态.md）
【项目】MV01-<短名> — 人物说唱视频（9:16 · 按音频拆镜）
【输入】人物/主题：<一句话>
【输入】人物图：有 / 无
【输入】说唱音频：有（路径）/ 无（待出曲）
【目标】成片＝音频原速长度；口型由参考音频驱动
【当前步骤】③ 钩子句（等待用户确认）
【已完成】⓪ 建档 ✅ ① 任务 ✅ ② 方案 ✅
【待执行】④ 歌词 → ⑤ 素材/出曲 → ⑥ 上传 → ⑦ 提示词 → ⑧ 出片 → ⑨ 质检
【最近更新】YYYY-MM-DD HH:MM
【用户最近意见】-
5.4 过程记录（00-过程记录.md · 强制）
每一站一行块，由 scripts/log_step.py 追加（不要手写，避免漏字段）：
python3 scripts/log_step.py assets/output/MV01-xxx \
--station "①" --role "任务解读官" \
--output "01-解读/01-任务书.md" \
--decision "用户授权按默认值执行；时长 30s；无音频，先写词" \
--pending "母题待确认 / 人物图待补"
落盘格式：
## ① 解读任务 · 2026-11-06 14:30
- 角色：任务解读官
- 输入：<用户原话摘要 / 附件>
- 产出：01-解读/01-任务书.md
- 关键决策：<…>
- 待确认：<…>
- 下一步：② 出方案
没有过程记录 = 这一站没做。换会话继续时，先读
00-过程记录.md最后一块。
5.5 确认门话术（每站固定）
📤 已落盘：<记录文件路径>
✅ 步骤 <X> <站名> 完成
📁 <项目名>（assets/output/<项目名>/）
🔎 本站结论：<一句话>
⏭ 下一步：<Y> <下一站>
回复「确认/继续」推进；要改就说「改<站名>：…」；「暂停」存进度。
没有收到确认之前，绝不调用付费出片接口。
六、⓪ 建档
python3 scripts/new_project.py --slug <短名> --duration 30
python3 scripts/new_project.py --slug <短名> --duration 40 --image ~/Desktop/me.jpg
--duration只是目标档位（30/40），成片长度永远＝音频实际长度；- 有图：原图归档到
00-输入/素材/<原文件名>，复制一份到04-图片/ref_人物.<ext>； - 扩展名跟随原图（
.jpg/.jpeg/.png/.webp），JSON 里不要硬写.png； - 脚本同时创建
01-解读/、02-方案/、03-上传/、04-图片/、04-提示词/、成片片段/、06-质检/， 并写00-项目状态.md、00-输入/需求卡.md、00-过程记录.md，更新项目登记。
七、① 解读任务
详细规则见 references/01-任务解读与方案.md 第一部分。最小动作：
- 把用户原话逐字贴进
01-解读/01-任务书.md（不许总结掉限定词）； - 做 5W2H 提取，缺的标「缺口」；
- 判素材状态：有图/无图、有音频/无音频（决定 ④ 是写词还是听写核对）；
- 缺口 ≤6 条，每条带默认值，一次问清；用户说「你定」就按默认并把授权写进记录；
- 写硬约束、不做什么、成功标准；
- 在对话里展示任务书摘要（一句话任务/已知项/默认值/缺口/硬约束/不做什么），
log_step.py记一条，停下等确认。
任务门判据：任务书里没有「一句话任务」或没有「素材状态」→ 不合格，重写。
任务门判据：任务书里没有「一句话任务」或没有「素材状态」→ 不合格，重写。
八、② 出方案
详细规则见 references/01-任务解读与方案.md 第二部分。最小动作：
- 先答概念可行性五问（见三·五）：目标人群、他们的口语、平台约束、有没有第二个人/具体场景、会不会变成独白；
- 列事实清单（身份/关键事件/物证/关系/争议选择/原数字），只写可核对的事实，不写形容词；
- 压成一句母题：
这个人在 <处境> 里，用 <动作>，换了 <代价>；再用目标人群的口语说一遍； - 只选一件事（普遍处境／今天有人在经历／有 3–5 个物证），并写明「为什么是这件事」的推理链；
- 配三个当代场景（失败现场／关系冲突／社会比较），每个都过「删句测试 + 推得出来吗」； 顺序必须是：现代失败先出现 → 神话关系后置 → 最后边界出口；
- 定结构（30s/12 句 或 40s/16 句）、人物卡、唯一符号、镜头、风格、音频方案； 40s 目标 140–150 字、每句 6–9 字为主；视觉锚点只选一个，位置固定、低于嘴；
- 方案必须写一句**「不逼原谅」的出口**（不逼叫爸/不逼回家/不逼和解）；
- 方案里不许出现完整歌词，只留槽位；
- 在对话里展示方案摘要（母题/一件事/三场景/结构/视觉/音频），
log_step.py记一条，停下等确认。
方案自检：概念五问答得上吗？删掉人物名还成立吗？现代场景在前吗？有「不逼原谅」出口吗？唯一符号挡不挡嘴？
九、③ 写钩子句
详细规则见 references/02-钩子句.md。最小动作：
- 先从事实清单里找可核对的原数字（年龄/年数/数量/次数/期限/命数/背负时长），查不到就换类型，不许编；
- 把数字落到今天的生活成本（工作/工资/房租/首付/道歉/催婚/名单…）；
- 用「换不来／变不出／才第一次／一句都没／输给」造自嘲式损失；
- 结构优先用「物 + 关系 + 落空」：一个具体物件、一个关系称呼、一个换不回的落点；
- 出 3–5 个候选，每个按 4 分制打分（有数字／有生活落点／有自嘲式损失／≤12 字不解释）； 风险线：血腥/剔骨/还骨头/剖腹慎用；口播抽象成「还清/还命」，画面不血腥；
- 4 分才用，3 分改，≤2 分重写；只留 1 条主钩 + 1 条备选；
- 目标人群语感检查：把这句念给一个不知道人物背景的人听，他能不能立刻懂？不懂就改成他们的口语；
- 同时压出主题一句话（≤30 字、从方案母题压缩、删掉人物名仍听得懂）；
- 写
02-方案/02-钩子句.md（含打分表、主题、定稿理由、确认状态），log_step.py记一条； - 输出四合一确认卡（任务解读＋方案＋钩子＋主题），停下等用户确认； 未确认不得进 ④，已写歌词只算草稿。用户说「一起确认」时，①②③连做但每站仍落盘，最后只给这一张卡。
钩子与主题锁定后，词作者不得改写第一句，也不许跑题。
十、④ 写歌词
详细规则见 references/03-歌词写作.md。最小动作：
- 锁三样：钩子（逐字照用）、结构（30s/12 或 40s/16）、主辙（只选开口音：江阳/遥条/言前/发花）；
- 按结构写全词；每句必须挂功能（钩子/反差/失败现场/关系冲突/社会比较/自嘲/发慌/强硬/签名）； 结构顺序：现代失败 → 神话关系 → 边界出口；前 2–4 句必须先让目标人群听见自己；
- 字秒比按口型驱动打折：40s 目标 140–150 字、每句 6–9 字为主；30s 目标 100–115 字； 主歌统一辙口，Bridge 可换一个开口辙制造转折，签名句收回主辙；
- 规则：写物写动作不写情绪；意象 ≤3；现代场景连续 ≤2 句； 现代句＝原话＋可拍场景＋具体数字；自嘲 1–2 处；反差 1–2 处；
- 零文字约束在写词阶段排除：凡是依赖聊天记录/朋友圈/字幕/弹幕的信息，改成声音、震动、反光、手势、剪影、口播；
- 必须写**「不逼原谅」的出口**：不逼叫爸、不逼回家、不逼和解；可用「我不逼你……你也别逼自己……」；
- 签名句本项目生成（回扣主钩的物件/动作），不用固定句式；结尾给动作或回答，不给道理；
- 过「七问 + 六刀」（时间线、三本账、时空跳档、结尾唱完、古物落现代动作、代词给身份）；
再加「公共经验十问」（见
references/08§10）； - 输出全词 ＋ 逐句功能表 ＋ 自检 ＋ 出曲参数（BPM、曲风、人声、字数、咬字要求、逐字歌词）；
无音频时必出
02-方案/05-海绵音乐提示词.md（主版＋备选＋逐字歌词，写法见references/09-海绵音乐提示词.md）； log_step.py记一条。
有音频时：④ 不写词，改为「听写核对」——以音频为准，逐字记录，标出与词稿差异； 然后直接进 ⑤ 切音频。
无音频时：④ 交付到「歌词＋出曲参数＋海绵音乐提示词」就停；用户出曲回传后才进 ⑤， 未回传不得进 ⑥⑦⑧。不许拿旧项目的音频顶上。
十一、⑤ 素材与出曲
见 references/05-素材与上传.md。两条线：
11.1 图
- 有图：按 05 的 1.1 校验（正面 ≤10°、嘴部完整、短边 ≥768px），不合格就退回，不静默凑合；
- 无图：按方案里的风格卡写
文生图提示词.json，先--dry-run，再--yes出一张； 出图后04-图片/ref_人物.png是唯一人物锚点。
11.2 音频
- 有音频：ASR 定首字
start、每句start、末字end；用cut_audio.py只切不改速：bash python3 scripts/cut_audio.py "00-输入/音频/原声.wav" \ --start <首字start> --end <末字end + 0.6> -o "00-输入/音频" # 超 30 秒：加句间切点 python3 scripts/cut_audio.py "00-输入/音频/原声.wav" \ --start 0.72 --end 31.12 --split-at 15.54 -o "00-输入/音频" - 无音频：把 ④ 的
02-方案/05-海绵音乐提示词.md（主版＋备选＋逐字歌词）交给用户；到此为止——不切音频、不传图、不做时间轴/提示词/出片。用户回传音频后才按上面流程切。 本 skill 不生成音频，不要假装已经出曲；禁止从旧项目或其他目录复制音频。
音频门判据：S01.wav 存在、末字完整、末段有淡出、不是纯伴奏、速度未改。
十二、⑥ 上传外网（硬门）
# ⑥ 先上传（图 + 音频）——必须带 --with-line-audio，否则只传图
# 此时 JSON 还没写？先写一个「占位 JSON」（只含 refs_urls + ref_audio_urls），再上传
python3 scripts/upload_project.py assets/output/MV01-xxx --verify --with-line-audio
# ⑦ 写完 04-提示词/分镜JSON.json 后，用已保存的清单回填直链，不重传
python3 scripts/upload_project.py assets/output/MV01-xxx --fill-only
python3 scripts/upload_project.py assets/output/MV01-xxx --verify-json
- 命名空间＝项目文件夹名（如
MV01-xxx）； - 公网直链形如：
https://your-static-host.example.com/public/mv/MV01-xxx/04-图片/ref_人物.png、…/MV01-xxx/00-输入/音频/S01.wav； - 图与音频都要 HEAD 200，缺一条就不放行；
- 本机没有
/var/www/public/mv时如实报错，不静默降级。
⚠️ 用
material-uploader时注意：overwrite_dir:true会先整目录删除再写。 只传音频子目录会把远端的04-图片/一起删掉。要么整项目一起传，要么加--no-overwrite-dir。
十三、⑦ 时间轴 ＋ 提示词 ＋ 分镜 JSON
13.1 时间轴（02-方案/04-时间轴.md）
- 全部片段内相对秒，从
0起；整数秒；首尾相接、不重叠、不跳段； - 末块
end= 该镜seconds； - 时间点跟音频真实断句：ASR 的句首
w.start吸附到整数秒； - 起势块可无词（
text: ""），但保留； - 密字段拆 1–4 秒小块，一块最多 4 字；
- 拆镜按信息段，不按秒数硬切：40s 拆 3–4 镜，每镜 8–12s；30s 可单镜或 2 镜；
- 切点落在信息段之间（Hook / 现代失败 / 神话关系 / 边界出口）；
- 主镜微侧、中景，视觉锚点低于嘴；每镜用同一张参考图、同一套风格句。
详细规则见 references/04-时间轴与字幕.md。
13.2 六段式提示词（固定标题，QA 会查）
① 一句话摘要
让参考图中的同一位人物，在<场景>中以半身近景正面面对镜头，跟着参考音频开口说唱（Rap），
一镜到底 <该镜 seconds> 秒；<情绪>；<曲风/BPM>。
② 人物与参考图锁定
以 @图片1（<完整直链>）为唯一人物与造型锚点：同一张脸、同一发型、同一服装、同一配饰、
同一背景关系；<逐项可观察特征>；人物始终位于画面中央偏上，面部受光均匀，
嘴部完整可见、自然开合，全程不遮挡嘴部；不重绘脸、不美化、不换装。
③ 时间轴说唱（相对秒，整数，末块收到该镜 seconds）
[0-2s] 人物看向镜头，吸气、点头找拍，准备开口（不唱）；
[2-5s] 开口说唱："<第一句>"，精准唇形同步音频，每个字都有开合、不吞字；
[5-8s] 继续说唱："<第二句>"，精准唇形同步；
…
[28-30s] 最后一句收尾："<末句>"，尾音落下，看镜头收住。
④ 镜头与表演（镜头卡拍 + 人物律动 + 饰品飘动 + 环境流动，画面不能死）
镜头（跟着节奏走）：开场 0–3s 从全景/全身快速推到半身，之后锁在半身；
之后每 2 拍一次极轻推开与回拉（幅度 <2%），重拍处顿一下；不甩镜、不横摇、不变焦跳动。
人物律动：每拍肩线轻微下沉；每 4 拍一个动作单元（点头→耸肩→抬手比划→收手回胸前）。
手部：胸前到小腹之间做说唱手势，不高于下巴、不经过面部、不遮嘴。
面部：重音句挑眉、眼神钉住镜头，句尾吐气收住；不面瘫。
饰品：<本人物符号>持续动、有褶皱/摆荡/反光；发丝摆动。
环境：<本场景环境>缓慢流动、轻摇、飘落、侧光缓慢明暗推移。
画面事件（只挑 3–5 个与歌词对应的秒点，其余轻动态）：
· <秒点>：<与歌词对应的动作>
边界：不甩头、不转身、不走位、不换景、不换装、不切镜；饰品与环境动效不进入面部区域。
⑤ 声音设计
本镜不生成人声与配乐；口型、咬字、flow 只严格匹配参考音频 @音频1 的人声；
画面节奏跟随该音频的 BPM 与鼓点；成片音轨使用该参考音频本身。
⑥ 画风与强制约束
<风格锁定句>；画面零可读文字、无字幕、无 logo、无水印、无二维码；不出现第二个人；
不出现乐器遮挡面部；不出现畸形手指/五官扭曲/换脸感；不出现画面闪烁/跳帧。
负面：糊嘴、双嘴、吞字、连读含糊、口型滞后、闭嘴不动、唱成旋律腔、念白朗读、
手挡嘴、侧脸背对、大幅转头、换脸、五官变形、镜头晃动
音频：不额外生成人声与背景音乐；口型与咬字只匹配参考音频 @音频1
④ 段里的「饰品」「环境」必须换成本项目方案的具体符号与场景，不许留占位符。
13.3 分镜 JSON（04-提示词/分镜JSON.json）
{
"project": "MV01-<短名>",
"ratio": "9:16",
"generate_audio": false,
"shots": [
{
"id": "S01",
"prompt": "<六段式全文 · 第 1–6 句>",
"refs_urls": ["04-图片/ref_人物.png"],
"ref_audio_urls": ["00-输入/音频/S01.wav"],
"seconds": 16.70,
"duration": 17,
"mode": "reference",
"resolution": "720p",
"lyrics": [
{"start": 0, "end": 3, "text": "<第一句>"},
{"start": 3, "end": 6, "text": "<第二句>"}
]
}
]
}
| 字段 | 规则 |
|---|---|
shots | 1–4 条；30s 可 1–2 镜；40s 按信息段拆 3–4 镜，每镜 8–12s |
seconds | 该镜成片长度（≤30，可小数） |
duration | 整数 = ceil(seconds) |
ref_audio_urls | 每镜恰 1 条，上传后回填直链 |
refs_urls | 每镜都写；多镜时用同一张图 |
lyrics | 挂在 shot 上，相对该镜起点；assemble.py 自动累加偏移 |
generate_audio | 顶层 false |
13.4 写文件与质检
python3 scripts/upload_project.py assets/output/MV01-xxx --fill-only
python3 scripts/upload_project.py assets/output/MV01-xxx --verify-json
python3 scripts/qa.py assets/output/MV01-xxx
错误清零再进 ⑧。
十四、⑧ 出片 ＋ 合成
P=assets/output/MV01-xxx
# 1) 干跑：只看请求体（每镜都应有 audio_url）
python3 scripts/generate_video.py "$P/04-提示词/分镜JSON.json" --dry-run
# 2) 逐镜出片（自动裁到每镜 seconds）→ 成片片段/S01.mp4、S02.mp4
python3 scripts/generate_video.py "$P/04-提示词/分镜JSON.json"
# 3) 多镜时合并成无音轨成片（单镜可跳过）
python3 scripts/generate_video.py "$P/04-提示词/分镜JSON.json" --merge
# 4) 贴回音轨 + 精确裁秒 + 字幕 → 06-MV成片.mp4
python3 scripts/assemble.py "$P"
python3 scripts/assemble.py "$P" --subtitle
python3 scripts/assemble.py "$P" --subtitle --burn
- 出片落点：
成片片段/SXX.mp4；合并：06-MV成片_无音轨.mp4；合成落点：06-MV成片.mp4； - 出片后先看一遍：开口时机、口型、有没有多余人/文字；
- 不满意只重出 S01，不批量抽卡。
1 镜实测门：30 秒密字说唱是这套模型最难的一档，若糊嘴/对不上， 按顺序最多调 2 次：① 时间轴切更碎（1–3 秒一块）；② 提示词加强「逐字开合、不吞字、不连读」。 仍不行 → 停止批量，如实告诉用户，给三条路：① 换更清晰正面图；② 换慢一点的成曲（BPM 85–90）； ③ 改走
mv-concert（另行提供）。不要假装已对上口型。
常见故障 → 处理
| 现象 | 处理 |
|---|---|
| 完全不动嘴 | 查 ref_audio_urls 是否 1 条、generate_audio 是否 false、audio_url 块是否存在 |
| 嘴动但整体早/晚 | 时间轴起点没对齐音频首句；把第一块起点挪到真实首声 |
| 节奏对、字不对 | 歌词没引号 / 一块塞太多字；补引号、拆 1–3 秒小段 |
| 后半段越来越飘 | 末块没收到该镜 seconds；原速重切、末块对齐 |
| 糊嘴/双嘴 | 重出同一条；负面加「糊嘴、双嘴、连读」 |
| 人物不像 / 换脸感 | ② 逐项锁死；确认用的是用户传的图；降低推近幅度 |
| 唱成旋律腔 | ⑥ 写「说唱，不是唱旋律、不是念白」；负面加「旋律唱腔」 |
| 画面出现文字/logo | ⑥ 加「零可读文字、无 logo」；重出 |
| 上传 404 | 命名空间＝项目文件夹名；图与音频都重跑 --verify --fill-json |
十五、⑨ 质检与交付
python3 scripts/qa.py assets/output/MV01-xxx --require-clip --verify-links
必须全过：
-
shots1–4 条；30s 1–2 镜、40s 3–4 镜；每镜seconds ≤ 30、duration = ceil(seconds) - 多镜时：切点落在信息段之间（不切词）、音频首尾相接、用同一张参考图
-
generate_audio: false；每镜ref_audio_urls恰 1 条 - 六段式标题齐全；含「说唱/Rap」且不含「念白/朗读」
- 每镜时间轴末块 == 该镜
seconds；中间断点为整数；每句歌词都在 prompt 里且带引号 -
refs_urls与ref_audio_urls全是绝对直链，HEAD 200 -
成片片段/SXX.mp4逐镜存在且时长 ≈ 该镜 seconds -
06-MV成片.mp4存在；时长 ≈ Σ seconds（±0.35s）；有音轨 - 人工：抽开头/中间/结尾 3 帧看嘴部；开口时机、逐字开合、无糊嘴双嘴
- 人物与参考图一致（脸、发型、服装、配饰），背景全程没换
- 公共经验：前 2–4 句是现代失败；40s 140–150 字、每句 6–9 字为主；钩子无血腥/剔骨直写
- 公共经验：有「不逼原谅」出口；零文字信息都有声/光/动作替代；视觉锚点低于嘴
- 合规：真人授权、无真人/IP/品牌影射、未成年人健康表达、已提示 AI 生成标识
- 无音频项目：不得存在
02-方案/04-时间轴.md、04-提示词/、成片片段/、06-MV成片.mp4；如存在，说明用了旧音频，返工 - 过程记录完整：①–④ 四份角色文件齐全，
00-过程记录.md有对应记录 -
06-质检/交付清单.md已写
06-质检/交付清单.md 固定写：项目名、时长、画幅、音频来源与时长、参考图直链、成片路径、
走的档位（是否字幕）、四个创作角色与对应记录文件、已知瑕疵（含 lip_sync 是否达标）、AI 生成标识提示。
十六、目录产出
assets/output/MV01-xxx/
├── 00-项目状态.md
├── 00-过程记录.md # ★ 每站一块：角色/输入/产出/决策/待确认
├── 00-输入/
│ ├── 需求卡.md
│ ├── 素材/<用户原文件名> # 原图归档（有图时）
│ └── 音频/
│ ├── S01.wav # ★ 第 1 镜音频（≤30s）
│ ├── S02.wav # ★ 第 2 镜音频（多镜时）
│ └── 原声-原始.wav # 原始整轨（留档）
├── 01-解读/
│ └── 01-任务书.md # ★ ① 任务解读官
├── 02-方案/
│ ├── 01-方案.md # ★ ② 创意总监
│ ├── 02-钩子句.md # ★ ③ 钩子官
│ ├── 03-歌词.md # ★ ④ 词作者（含出曲参数）
│ ├── 05-海绵音乐提示词.md # ★ ④ 无音频时必出（主版＋备选＋逐字歌词）
│ └── 04-时间轴.md # ⑦ 提示词官
├── 03-上传/
│ └── 素材外网路径.json
├── 04-图片/
│ └── ref_人物.png # 出片唯一人物锚点
├── 04-提示词/
│ ├── 分镜JSON.json # ★ 出片唯一输入（shots[] 1–4 条）
│ └── 提示词-S01.md …
├── 成片片段/
│ └── S01.mp4 …
├── 06-MV成片_无音轨.mp4
├── 06-MV成片.mp4 # ★ 交付成片
├── 06-歌词字幕.srt # 可选
├── 06-成片音轨.wav
└── 06-质检/
├── 检查报告.md
└── 交付清单.md
十七、详细文档
references/01-任务解读与方案.md—— ★ ① 任务解读官 ＋ ② 创意总监：原话归档、5W2H、缺口与默认值、任务书模板；概念可行性、平台硬约束、事实清单、母题、选点、三场景、边界出口、人物卡、辨识符号、口型可做性、方案模板references/02-钩子句.md—— ★ ③ 钩子官：原数字、生活落点、自嘲式损失、物+关系+落空、风险线、4 分制、候选与定稿references/03-歌词写作.md—— ★ ④ 词作者：现代先行的结构、押韵、字秒打折、逐句功能、七问＋三问、六刀、边界出口、出曲参数references/09-海绵音乐提示词.md—— ★ ④ 无音频时必出：一段式模板、30s/12bar、40s/16bar、人物风格库、反例、音频门references/04-时间轴与字幕.md—— ⑦ 整数秒、ASR 对齐、时间轴模板、字幕核对references/05-素材与上传.md—— ⑤⑥ 图片校验、音频只切不改速、上传与直链核验references/06-提示词与出片.md—— ⑦⑧ 六段式模板、JSON 契约、dry-run/出片/重出references/07-排障与质检.md—— ⑧⑨ 故障表、QA 清单（含公共经验十项）、交付口径、诚实降级references/08-公共经验.md—— ★ 10 条硬口径：概念可行性、代际边界、平台约束、字秒打折、结构顺序、钩子风险、信息段拆镜、视觉锚点、换表达、检查清单references/风格-重彩水墨轻鎏金.md—— 默认风格卡（固定节逐字照抄）references/合规红线.md—— 真人授权、IP/品牌、未成年人、AI 标识references/画面动态与感染力.md—— 通用：三层动态 / 画面事件 3–5 个 / 道具互动三档 / 负面四组references/对口型经验总结.md—— 口型三要素（参考音频 / 参考图 / 时间轴）与实测复盘
十八、快速开始（复制即用）
cd mv-sing-opener-skill
pip install -r requirements.txt
# 准备：所有 key / 本地地址放 .env，不要把 .env 提交到仓库
cp env.example .env
# 0) 建档（有图带 --image；无图先空着）
python3 scripts/new_project.py --slug <短名> --duration 30
# 1) ① 解读任务 → 写 01-解读/01-任务书.md → 记过程
python3 scripts/log_step.py assets/output/MV01-<短名> \
--station "①" --role "任务解读官" --output "01-解读/01-任务书.md" \
--decision "<…>" --pending "<…>"
# 2) ② 出方案 → 02-方案/01-方案.md
# 3) ③ 写钩子 → 02-方案/02-钩子句.md
# 4) ④ 写歌词 → 03-歌词.md；无音频时再出 05-海绵音乐提示词.md，然后停在这里等回传
# 5) ⑤ 素材：只有「用户已回传音频」才切；无音频停在 ④，按 05-海绵音乐提示词出曲
python3 scripts/cut_audio.py "00-输入/音频/原声.wav" \
--start <首字start> --end <末字end+0.6> -o "00-输入/音频"
# 以下 6–9 仅在音频已经回传、音频门通过后执行
# 6) ⑥ 上传（硬门）
python3 scripts/upload_project.py assets/output/MV01-<短名> --verify --with-line-audio
# 7) ⑦ 时间轴 + 六段式 + 分镜JSON → 回填 + 质检
python3 scripts/upload_project.py assets/output/MV01-<短名> --fill-only
python3 scripts/upload_project.py assets/output/MV01-<短名> --verify-json
python3 scripts/qa.py assets/output/MV01-<短名>
# 8) ⑧ 出片 → 合并（2 镜）→ 贴音轨
python3 scripts/generate_video.py assets/output/MV01-<短名>/04-提示词/分镜JSON.json --dry-run
python3 scripts/generate_video.py assets/output/MV01-<短名>/04-提示词/分镜JSON.json
python3 scripts/generate_video.py assets/output/MV01-<短名>/04-提示词/分镜JSON.json --merge
python3 scripts/assemble.py assets/output/MV01-<短名> --subtitle
# 9) ⑨ 质检
python3 scripts/qa.py assets/output/MV01-<短名> --require-clip --verify-links
- Downloads
- Security audit
- Review
- Last updated
- 1w ago
- Current version
- v3.1.4
- License
- MIT-0