动漫成片制作 Skill

任务目标

• 本 Skill 用于：将创意输入转化为完整的动漫成片，涵盖从剧本创作到最终自动拼接的全流程
• ⚠️ 硬性要求：所有图片生成、视频生成、TTS语音生成只能使用Vidu API！绝对不能使用任何其他模型！
• 能力包含：剧本创作、场景大分镜设计、小分镜表生成、Vidu API集成（生图/视频/TTS）、自动视频音频拼接
• 触发条件：用户需要制作动漫/动画视频，提供创意主题或详细剧本需求

前置准备

• 依赖说明：需要安装ffmpeg进行视频音频拼接

```bash

apt-get update && apt-get install -y ffmpeg

```

• Vidu API凭证：需要在 Skill 执行前配置 Vidu API Key（已通过凭证系统集成）

操作步骤

• 标准流程：

1. 剧本创作
• 根据用户输入的创意主题、角色设定、故事背景等，生成完整的剧本
• 剧本应包含：故事梗概、角色介绍、场景列表、对白、动作描述
• 智能体完成此步骤，使用自然语言创作
• ⚠️ 确认点：向用户展示剧本内容，等待用户确认或修改

1. 风格确认
• 根据剧本内容和用户偏好，确定整体美术风格
• 提供风格的文本形式的选项：3d动漫风格、二次元动漫风格、中国古风、赛博朋克、写实风等
• ⚠️ 确认点：向用户展示整体风格设定，等待用户确认或调整，如果用户在前面的对话中已经交代了风格，不需要让用户再确认
• 记录确认后的风格配置，用于后续所有生成任务的首句提示词

1. 场景、大分镜设计
• 将剧本拆解为多个场景，每个场景设计大分镜
• ⚠️ 所有场景图只能使用Vidu API生成！
• 为每个场景生成完整的场景资产包：
• 基础场景图：使用 scripts/vidu_generate_image.py，基于确认的风格和剧本描述
• 人物站位图：使用 scripts/vidu_generate_image.py，基于场景图+当前场景的所有单个角色图，参考剧本内容，生成角色在场景中的位置关系
• 场景四宫格图：使用 scripts/vidu_generate_image.py，- 使用提示词：“基于场景图，生成该场景不同角度的四宫格图（正面、反打、左侧面、右侧面镜头）”
• 场景描述（大致剧情、出镜角色、相对位置）
• ⚠️ 确认点：向用户展示每个场景的三张图（场景图、站位图、四宫格图）和设计方案，等待用户确认或修改
• 智能体指导场景拆解，调用脚本生成场景资产包
• 记录确认后的场景资产（三张图URL），用于后续所有分镜生成

1. 角色资产确认（含三视图检测）
• 检查用户上传的角色图是否是三视图
• ⚠️ 如果不是三视图，只能使用Vidu API生成角色三视图！
• 使用 scripts/vidu_generate_image.py
• 使用提示词："参考图角色，中心区域生成全身三视图以及一张面部特写（最左边占满三分之一的位置是超大的面部特写，右边三分之二放正视图、侧视图、后视图），角色比例适中，清晰可见。严格按照比例设定，包括身高对比和头身比，线条简洁明了，线条流畅自然，色彩搭配协调，保持整体风格统一和原图一致，背景与角色形成对比，视觉焦点集中在角色身上，确保角色比例准确，表情动作自然流畅，如果角色没有服装，服装设计需要符合角色背景，角色为自然站立状态，比例16:9"
• 参考文档详见 references/character-three-views.md
• ⚠️ 所有TTS只能使用Vidu API！
• 为每个角色匹配TTS音色（参考 references/voice-list.md）
• 为每个角色的音色生成试听音频（使用 scripts/vidu_generate_audio.py）
• ⚠️ 确认点：向用户展示每个角色的三视图、音色名称和试听音频，等待用户确认或调整
• 记录确认后的角色资产配置（角色三视图URL + 音色ID）

1. 资产整合
• 校验每个场景的资产完整性：
• 角色图及对应音色（已确认，包含三视图）
• 场景图（已确认，包含三张图）
• 整体风格（已确认）
• 输出镜头n的资产包（结构见 references/storyboard-format.md）
• 智能体完成资产校验与整理
• ⚠️ 确认点：向用户展示完整的资产清单（角色、场景、风格），等待用户最终确认后进入生成阶段

1. 小分镜表生成
• 根据场景大分镜生成详细的小分镜表
• 每个分镜包含：输入图（使用已确认的角色图、场景图、人物站位图、场景四宫格图）、分镜提示词、说话人、情绪、台词、时长
• 在某场景下，每个分镜的输入图必须包含该场景人物站位图和该场景四宫格
• 分镜提示词必须遵循规范：风格/景别/机位/构图/运镜 + 画面描述 + 图片强调
• ⚠️ 时长规划规则（2-8秒）：
• 按剧情节奏：
• 紧张/冲突/追逐/打斗场景：2-4秒，快速切换营造紧迫感
• 舒缓/情感/回忆/独白场景：4-6秒，让观众沉浸情绪
• 关键转折/高潮镜头：可延至6-8秒，强调戏剧张力
• 过渡/空镜/环境交代：3-4秒，节奏适中
• 按镜头类型：
• 全景/建立镜头：4-6秒，需时间交代环境信息
• 中景/对话镜头：3-5秒，视台词长度调整
• 近景/特写镜头：2-4秒，快速传递情绪或信息
• 反应镜头：2-3秒，简洁有力
• 按台词长度（有台词的分镜）：
• 短句（<10字）：2-3秒
• 中句（10-20字）：3-5秒
• 长句（>20字）：5-8秒（或拆分为多个分镜）
• 组合计算：以上三个维度综合考虑，取中间值。例如"紧张场景的特写反应"取最短2秒，"舒缓场景的全景建立"取最长6秒。
• 特别注意：
• 若使用 viduq3 模型（默认）：提示词中必须包含台词内容，例如 "他说：'xxxx'"。每句提示词必须以"（不要背景音乐，保留音效和环境音）"结尾。
• 若使用 viduq2 模型（备选）：提示词仅包含画面描述，不含台词。
• 图片强调必须参考人物站位图中的角色位置关系。
• 特别注意：对于双人对话镜头，必须参考 references/camera-shots.md 中的机位描述，选择合适的镜头类型（如内反拍、外反拍等）来丰富画面语言。
• 风格部分使用已确认的整体风格词
• 参考 references/storyboard-format.md 中的格式规范
• 智能体生成结构化的小分镜表
• ⚠️ 确认点：向用户展示小分镜表（关键分镜的预览），等待用户确认或调整

1. 生成分段TTS
• ⚠️ 所有TTS只能使用Vidu API！
• 默认方案：使用 viduq3 模型直出（推荐）
• viduq3 支持在生视频时直接生成对话和音效，无需单独生成TTS
• 一站式生成，效率更高
• 备选方案：viduq2 模型 + TTS（仅在用户明确要求时使用）
• 遍历小分镜表，为每个有台词的分镜生成语音
• 调用 scripts/vidu_generate_audio.py，传入：text（台词）、voice_id（已确认的音色）、emotion（情绪）
• 脚本执行，返回音频文件URL

1. 生成视频片段
• ⚠️ 所有视频只能使用Vidu API！
• 模型选择：
• viduq3（默认推荐）：支持长达16秒视频，支持对话和音效直出，一站式生成效率高。
• viduq2（备选）：仅生成画面，需配合TTS使用。
• 遍历小分镜表，为每个分镜生成视频片段
• 调用 scripts/vidu_generate_video.py
• 通用参数：images（参考图）、duration（时长）
• viduq3 参数（默认）：model="viduq3"、audio=True、prompt（包含台词的提示词，必须以"（不要背景音乐，保留音效和环境音）"结尾）
• viduq2 参数（备选）：model="viduq2"、audio=False、prompt（仅画面描述）
• 脚本执行返回task_id，使用 scripts/vidu_query_task.py --task_id {task_id} --wait 轮询等待任务完成
• 智能体管理任务状态并收集视频片段
• ⚠️ 确认点：每生成一个视频片段，向用户展示预览，等待用户确认后继续下一个

1. 根据剧情、时间轴自动拼接成片 (第9个确认点)
• ⚠️ 我会直接执行：根据剧本剧情和小分镜表的时间轴，将生成的视频片段和语音文件整合，自动调用脚本进行拼接
• 生成时间轴配置JSON（见 references/timeline-config.md）
• 调用 scripts/merge_video_audio.py 拼接视频和音频，生成最终成片
• 支持转场效果、背景音乐混合
• ⚠️ 确认点：向用户展示拼接完成的成片，等待用户确认或调整

1. 最终交付
• 交付最终成片（MP4格式）
• 交付时间轴配置文档
• 提供素材清单（所有视频片段、音频片段的来源信息）

• 可选分支：
• 当需要仅生图：只能使用Vidu API！ 调用 scripts/vidu_generate_image.py 生成场景图，使用 scripts/vidu_query_task.py --task_id {task_id} --wait 获取结果
• 当需要仅生视频：只能使用Vidu API！ 调用 scripts/vidu_generate_video.py 生成视频片段，使用 scripts/vidu_query_task.py --task_id {task_id} --wait 获取结果
• 当需要仅生语音：只能使用Vidu API！ 调用 scripts/vidu_generate_audio.py 生成TTS语音（同步接口，直接返回结果）

资源索引

• 必要脚本：
• scripts/vidu_generate_image.py（用途：生成场景图，参数：prompt、images、aspect_ratio、resolution）
• scripts/vidu_generate_video.py（用途：生成视频片段，参数：images、videos、prompt、duration、model等）
• scripts/vidu_generate_audio.py（用途：生成TTS语音，参数：text、voice_id、speed、volume、pitch、emotion）
• scripts/vidu_query_task.py（用途：查询异步任务状态和结果，参数：task_id，支持--wait轮询）
• scripts/merge_video_audio.py（用途：拼接视频和音频生成最终成片，参数：config、output）
• 领域参考：
• references/storyboard-format.md（何时读取：生成小分镜表时，包含分镜提示词编写规范）
• references/camera-shots.md（何时读取：生成小分镜表时，处理双人对话镜头时参考）
• references/voice-list.md（何时读取：选择TTS音色时）
• references/async-task-flow.md（何时读取：处理Vidu异步任务时）
• references/asset-confirmation-flow.md（何时读取：处理资产确认流程时）
• references/timeline-config.md（何时读取：生成时间轴配置和拼接视频音频时）
• references/scene-assets-generation.md（何时读取：生成场景资产包时）
• references/character-three-views.md（何时读取：生成角色三视图时）

注意事项

• ⚠️ 绝对禁止使用任何非Vidu的图片、视频、TTS模型！所有生成任务只能使用Vidu API！
• ⚠️ 视频模型支持 viduq3 和 viduq2！
• viduq3 提示词规范：使用 viduq3 生成视频时，每句提示词必须以"（不要背景音乐，保留音效和环境音）"结尾，以确保音频效果符合预期。
• 所有 Vidu API 调用需要配置 API Key 凭证，凭证已通过 skill_credentials 集成
• 小分镜表格式必须严格遵循 references/storyboard-format.md 的规范
• 分镜提示词编写规范：必须按三部分结构编写（风格/景别/机位/构图/运镜 + 画面描述 + 图片强调），详见参考文档
• 分镜时长规划：每个分镜时长必须在 2-8 秒范围内，按剧情节奏、镜头类型、台词长度三维度综合计算。紧张场景切快（2-4s），舒缓场景切慢（4-6s），全景建立较长，特写反应较短。
• 资产确认流程：每个关键环节都需要用户确认，包括剧本、风格、角色图、音色试听、场景图、小分镜表、TTS音频、视频片段
• TTS 支持情绪控制，可根据台词内容自动选择合适的情绪
• 视频生成支持参考图和参考视频，建议使用场景图作为参考
• 生图、生视频为异步任务：调用后获得task_id，需使用 vidu_query_task.py --task_id {task_id} --wait 轮询等待完成，结果URL有效期24小时
• TTS 为同步接口，直接返回音频文件 URL
• 风格一致性：确认后的整体风格必须在所有后续生成任务中保持一致
• 角色一致性：确认后的角色图必须在所有分镜中作为参考图使用
• 质量把控：每个生成环节都需要用户确认后才进入下一环节，确保质量可控
• ⚠️ 我会直接执行拼接：在视频音频拼接环节，我会直接调用脚本按时间轴拼接素材，不需要额外指导

使用示例

示例1：完整动漫短片制作

• 功能说明：从创意到成片的完整制作流程，包含所有确认环节，最终自动拼接成片
• ⚠️ 所有图片、视频、TTS只能使用Vidu API！
• 执行方式：混合模式（智能体+脚本）
• 关键步骤：

1. 用户输入："制作一个关于少年冒险的3分钟动漫短片"
2. 智能体生成剧本 → ⚠️ 等待用户确认剧本
3. 智能体确定风格并使用Vidu API生成参考图 → ⚠️ 等待用户确认风格
4. 智能体使用Vidu API生成场景图 → ⚠️ 等待用户确认场景图
5. 智能体使用Vidu API生成角色图并匹配音色 → ⚠️ 等待用户确认角色图和音色试听
6. 智能体展示资产清单 → ⚠️ 等待用户最终确认
7. 智能体生成小分镜表 → ⚠️ 等待用户确认小分镜表
8. 调用 vidu_generate_audio.py 生成所有TTS语音（若使用viduq2）→ 无需用户确认，直接下一步
9. 调用 vidu_generate_video.py 逐个生成视频片段（默认使用viduq3模型，提示词以"（不要背景音乐，保留音效和环境音）"结尾）→ ⚠️所有片段生成完毕后等待用户确认
10. ⚠️ 我会直接执行：自动生成时间轴配置，调用 merge_video_audio.py 拼接成片 → ⚠️ 等待用户确认成片
11. 交付最终成片