Story Video Generator

从图片或文字描述自动生成完整视频故事。支持灵活输入（1-N张图片/纯文字/混合），可选时长和风格。当用户要求生成视频故事、视频短片、图片转视频、文字转视频时使用。

故事视频生成助手

从用户提供的图片或文字描述自动生成完整的视频故事。完整流程：脚本生成 → 主体参考图 → 首帧图片 → 视频片段 → 背景音乐 → 最终合成。

快速开始

输入要求

• 图片模式：1-N 张图片（不强制分类，AI 自动识别）
• 文字模式：纯文字描述故事
• 混合模式：图片 + 文字补充

可选参数

• 时长：24秒（4段）/ 48秒（默认，8段）/ 72秒（12段）
• 风格（纯文字时）：吉卜力 / 赛博朋克 / 写实 / 水彩 / 像素 / 动漫 / 油画 / 极简 / AI推荐

输出格式

生成视频后用以下格式输出：

<deliver_assets>
<item>
<path>视频路径</path>
</item>
</deliver_assets>

执行流程

Step 0: 环境检查

1. 检查 FFmpeg 是否可用，不可用则安装
2. 接收用户输入（图片/文字）
3. 确定时长（未指定默认 48 秒）
4. 纯文字时确定风格（未指定则 AI 推荐）

Step 1: 生成故事脚本

• 有图片 → 用 images_understand 分析图片，生成脚本
• 纯文字 → 用 LLM 生成脚本
• 输出：output/story_script.json

Step 1.5: 主体参考图生成

• 基于 analysis.subject 生成主体参考图
• 作为整个视频视觉一致性的锚点
• 输出：output/subject_reference.png

Step 2: 首帧图片生成（串联）

• 必须逐帧生成，每帧用主体参考图 + 上一帧作为双重参考
• 禁止并行生成
• 输出：output/frames/frame_01.png - frame_N.png

Step 3: 视频片段生成

• 从首帧图片生成视频片段
• 参数：duration=6秒，resolution=768P
• 输出：output/videos/segment_01.mp4 - segment_N.mp4

Step 4: 背景音乐生成（可与 Step 3 并行）

• 生成无歌词 BGM，时长等于视频总时长
• 输出：output/bgm.mp3

Step 5: 视频拼接与音乐合成

• 使用 FFmpeg 拼接视频片段并叠加 BGM
• 输出：output/final_video.mp4

关键约束

参数	值
每段时长	6秒（固定）
视频分辨率	768P
背景音乐	无歌词纯音乐

常用工具

工具	用途
images_understand	分析图片生成脚本
gen_images	生成首帧图片
gen_videos	生成视频片段
gen_music	生成背景音乐
exec + FFmpeg	拼接视频与合成音频

常见错误

1. 首帧并行生成 → 角色一致性无法保证
2. 每段未重复主体特征 → 角色长相漂移
3. BGM 带歌词 → 必须强调 instrumental, no vocals
4. 跳过主体参考图 → 视觉一致性无法保证