WorkRally 视频封面
封面的完整生产链路:概念框架 → 人物casting → 场景 → 渲染 → 局部微调 → 文字。
封面归本 skill 管——不要绕过它直接调 canvas_generate_image。
用户给的参考封面只用你自己的眼睛分析,抽取结构化字段来驱动提示词,
永远不要把它放进 input_images。
运行约定
先读 references/workrally-mcp-mapping.md。要点:
- 生成前调
canvas_image_model_list取模型,禁止硬编码 model_id - 每个变体一次
canvas_generate_image,count: 1,各自独立提示词 - 提交后按
task_ids逐个canvas_get_task轮询,间隔 3 秒 - 参考图放
input_images(URL 数组),提示词里用「第一张图片 / 第二张图片」按下标引用 - 本地图片先
upload_file拿 URL - 提示词用中文;图内文字保留用户原文,逐字不改
- 烧字走本地 shell,不要找
sandbox_exec
执行流程(按序执行,带 IF 的步骤条件成立才触发)
1. 收集输入 + 选框架
从用户消息里取:场景描述 · 人脸/角色参考图(0–3 张)· 参考封面(只作风格样例,绝不是人脸来源)· logo · 标题文字与是否烧进图里 · 比例 · 情绪与变体数量。缺的按「字段默认值」补。
读 references/thumbnail-frameworks.md,每个概念都必须制造信息差;
内部至少构思 5 个跨框架方案,把最强的(可以是组合)带进提示词。
图内文字闸门(生成前就要定):默认永远是无文字的干净图。 只有用户明确要求才把文字烧进生成——用户给了标题字符串、说了「加文字」「带标题」, 或点名要一个带文字的框架。探索框架时顺手选中的带文字框架(社交 UI / 新闻条 / Day 角标 / 地图标注)不构成烧字授权,那种概念渲染成无文字版,或者先问一句。 不要从选题或框架推断用户想要文字;拿不准就默认干净版或问一次。
人物闸门(强制,渲染任何东西之前先跑):先定谁在画面里,不要假设,不要拿陌生人顶替, 永远不要把「放个人进去」当默认。
- 有人脸照片或角色图 → 默认锁定:上传拿 URL,放进
input_images, 提示词里按「第一张图片」引用并写身份锁(见下)。绝不在已提供角色时另造一个人 - 概念里会出现人、但没给人脸图 → 停下来问一次: 「封面里要放你自己(或某个特定的人)吗?发张正脸照我来锁身份;还是用生成的人物,或者干脆不要人?」
- 批量渲染(如「把所有框架都跑一遍」)时,只要有任一框架是以人为主,渲染整组之前问这一次
- 明确说要生成的人物 → 用文字描述(只在明确选择时,绝不静默默认)
- 不要人 → 选无人框架(风景 / 产品 / 图示 / 地图俯瞰)
变体数量闸门(生成前就要定):用户或上游流程已给的数量是已答字段,直接用,不要再问。
否则问一次要单张还是一组变体——默认给约 4 个(同一概念,各自不同情绪和/或镜头),
每个都是独立请求,不要用 count:N。变体 = 情绪 × 镜头,硬上限 16。
2. IF 用户给了参考封面
分析之前先问一次:贴近这张参考(默认:尽量保留它的风格、构图与主体)还是独立发挥 (只当松散灵感)。此前已经表达过「照着这张做」就是已答,不要重复问。
选「贴近」时提示词要被参考强驱动;参考里若有真人,仍然要求用户提供那个人的正脸照, 不要生成一个陌生人。选「独立发挥」只取松散视觉灵感,自己写主体与构图。
然后用你自己的视觉能力填「参考分析契约」(见下),抽成严格 JSON,再按已定的匹配模式驱动提示词。 字段 → 区块映射:brief→区块2 · subject→区块4 · elements→区块5 · location→区块7 · composition→区块8 · background→区块9 · split→步骤5 拆分分支 · emotion + emotion_detail→表情槽。
参考的 subject 描述按位置贴到照片人物身上作为其姿态/动作,它不会新增人;
person_count 超过已附照片数量时,多出来的只有在用户要求时才作为文字描述的路人。
参考只用眼睛看,绝不进 input_images,绝不发给生成模型。
3. IF 有人脸/角色/logo 是本地文件
每个生成输入调一次 upload_file 拿 URL。按 CHARACTER 顺序保存人物 URL,logo 单独记。
风格参考封面不要上传。
4. IF 有 logo 且用户要 3D 版
先用「3D logo 提示词」(见下)单独生成一张:aspect_ratio: "1:1",resolution: 6(4K),
input_images: [2D logo URL]。等它出结果,主渲染用它的结果 URL 作为 logo 参考。
5. 组装提示词(每个变体一条)
按「房屋提示词结构」区块 1–11 顺序组装。
- 取舍:区块 1 和 11 恒有。2 — 有场景描述或参考
brief时。 3 — 默认恒有那句无文字声明;TEXT / BAKED UI 变体只在用户明确要求文字时触发。 4 — 画面里有任何人或生物时:照片人物各写一条身份锁,文字描述的人物在这里用散文描述 (不要写进区块 5),其散文也要以表情:<情绪短语>结尾。 5 — 有标志性道具,或 KEY ELEMENTS 默认值触发时。6 — 有 logo 时。7 — 已知地点时。 8 和 9 — 恒有(无信息时用默认句)。10 — 画面里有人时;默认平光版, 只有用户点名了轮廓光颜色才用彩色轮廓变体。 <比例说明>= 「<比例>画幅」。9:16 追加竖画幅子句;画面无人时说「主体在上三分之二」 而不是「面孔」。- 表情槽 = 所选情绪预设的括号描述(震惊 →
张嘴倒吸气、瞪大眼睛), 或用户自定义短语原文。参考自带的emotion_detail句子只追加到沿用参考情绪的那些变体上。 - 拆分分支:只按「拆分画面」里的触发规则触发;
X vs Y作为场景时仍是一整幅统一画面。 触发时拆分契约替换区块 1。 - 变体 = 情绪 × 镜头,硬上限 16;画面无人时表情轴为空,变体 = 镜头。 变体之间只差表情短语和/或一条 ALTERNATE TAKE 行。
6. 提交
每个变体一条独立提示词、一次独立调用:
canvas_generate_image({
prompt: "<变体提示词>",
model: "<canvas_image_model_list 返回的 model_id>",
aspect_ratio: "16:9",
resolution: 6, // 4K;模型不支持时退到它 resolution_options 的最高档
count: 1,
input_images: ["<人物图URL>", "<logo URL 或 3D logo 结果URL>"],
task_name: "<选题_变体N>"
})
input_images 顺序:人物在前,logo 在后;为空时省略该字段。
有两个及以上参考图时,提示词第一行写位置清单:
参考图说明:第一张图片是 CHARACTER 1 的脸部参考;第二张图片是品牌 logo。
7. 渲染后检查(每张都查)
- 有人脸/角色参考时,身份与角色设计肉眼可辨地一致
- 没要求烧字 → 画面里没有多余文字或水印
- 要求烧字了 → 渲染出的文字与指定字符串逐字一致
- 表情(有主体时)和主视觉元素在约 120px 宽下仍然读得出来
失败就用同一条提示词重渲,每个变体最多 2 次;仍失败就如实告知,不要闷声交付。
8. IF 用户要局部微调
用「局部微调」里的提示词,走图生图:把选中那张的结果 URL 作为唯一 input_images,
resolution: 5(2K)。每次接受的产物成为下一次微调的输入。
WorkRally 没有 Seedream 那样的专用编辑模型,用同一批 Kontext 模型做图生图即可; 关键在提示词必须写明「除此之外每个像素保持不变」。
9. 导出与交付
把通过第 7 步的变体都拿出来;用户没选就全给。
没有标题文字 → 直接交付干净图。 有标题文字但没有明确要求烧进生成 → 用本地脚本烧一层确定性文字 (路径相对本 skill 目录,按实际安装位置补全):
node <skill 目录>/scripts/bake_text_overlay.mjs \
--image '<选中那张的结果URL>' \
--text '打工人的春天' \
--style beast --position bottom --case preserve \
--out ./thumbnail.png
- 先看图选
top/bottom/left/right/center,让标题占一块空区且不压脸 - 风格五选一:
beast(默认)·fire·neon-lime·clean-glass·marker - 中文标题用
--case preserve(upper只对西文有意义),2–14 字;西文 2–6 词 - 依赖 Playwright + Chromium:缺失时提示
npm i -g playwright && npx playwright install chromium, 装不上就降级——交付干净图或经用户明确同意后改走「烧进生成」, 不要把浏览器预览说成已导出的 PNG - 脚本
--image可直接吃 WorkRally 短链(5 小时有效);产物是本地 PNG, 需要入媒资库时走upload_file+asset_create
提交前检查清单(任一为否先改提示词)
- 模型来自
canvas_image_model_list,不是写死的名字 - 区块 1(或其拆分替换)是提示词第一块,区块 11 GRADE 是最后一块
- 画面里有人 → 布光区块在场 + 每张人脸照片各一条身份锁
- 参考封面不在
input_images里 - 每次调用只渲染一个变体,
count恒为 1 - 没要求烧字 → 提示词里有「画面中没有任何文字、UI 标签或水印。」
字段默认值(用户和参考都没给的字段)
- 比例
16:9· 镜头 1 个 · 有人时情绪取「震惊」;无人时表情轴为空,变体 = 镜头 - 背景:
大胆浓烈的饱和色场渐变,高对比撞色呼应主体配色,柔和暗角,边缘衰减 - 构图:
主体渲染得大而强势——胸部以上/中近景,占画面约 40–60%,推到前景、落在三分线上, 相机平视,与背景强分离让主体跳出来,浅景深并带一个前景点缀元素 - 主视觉元素:用户选题里最具体可画的那个名词,放大、朝镜头飞来——与主体重复时省略
- 地点:省略该区块
概念框架
「画什么」这一层在 references/thumbnail-frameworks.md:16 个封面框架、信息差原则、
组合方式与真实性法则。在步骤 1 按需读取并选定框架。
大多数框架直接映射到下面的房屋结构;需要图内可读文字的那几个走区块 3 的 BAKED UI 子句。
模型与分辨率
| 用途 | 选型 | 参数 |
|---|---|---|
| 主渲染 | 从 canvas_image_model_list 里选 max_input_images 足够、支持 4K(枚举 6)的一档 |
resolution: 6,每个变体独立提示词 |
| 2D logo 转 3D | 同上,图生图 | aspect_ratio: "1:1",resolution: 6 |
| 成品局部微调 | 同上,图生图 | resolution: 5 |
比例只能用模型列表返回的那些(常见 21:9 16:9 4:3 2:1 1:1 1:2 3:4 9:16)。
没有 4:5——Instagram 竖版用 3:4,需要精确 4:5 时生成后本地 ffmpeg 裁切并告知用户。
房屋提示词结构(按此顺序组装)
- 画幅契约 —
大胆有冲击力的视频封面合成图——海报级、写实、高冲击力,不是灰调的电影剧照,<比例说明>,单幅统一画面——不要分屏、不要对角切分,所有元素在同一个连续镜头里自然融合。9:16 追加主体构图适配竖画幅,面孔位于上三分之二。框架 8「图示表达」用干净的图表/图形简报替换本块,并去掉写实与布光区块。 - 场景简报(用户描述了确切内容时):
场景简报(必须精确呈现):<文本>。 - 文字契约 — 默认:
画面中没有任何文字、UI 标签或水印。只有明确要烧字时:文字:把封面标题文字烧进画面,逐字读作"<TEXT>"——超大、极易读的无衬线字体,带干净描边/发光处理,位置绝不压住主体面部。除此之外没有其他文字,没有水印。用户点名要带 UI 元素的文字框架(社交 UI / 新闻条 / Day 角标 / 地图标注)时改用:BAKED UI:一个<通用聊天气泡 / 私信行 / 星级评价卡 / 突发新闻下三分之一条 / DAY N 角标 / 地图标注>,读作"<短文本>",干净的通用平台样式——不要出现真实品牌名、应用名或平台 logo。文字要短且与视频内容相符。只是被自动选中的带文字框架改渲无文字版。这是除标题外唯一被许可的可读文字,其余道具一律无字无标识。 - 主体 — 见下方身份锁。最多 3 个角色,照片人物按位置对应
input_images下标。主体渲染得大而强势——明确的主角,占画面约 40–60%,胸部以上或中近景,推到前景并与背景干净分离;绝不是缩在下三分之一的小主体,绝不是远景视频截图感。 以所有面孔锐利清晰,作为整幅画面的锚点。结尾。 - 主视觉元素 — 让画面跳出来的标志性道具与特效。
- LOGO(有则写) — 2D:
把参考图里的 logo 原样放进构图——形状、颜色、比例一律不动,干净的 2D 放置在强焦点位,轻微投影以作分离,绝不遮挡主体面部。3D:把参考图里的 3D logo 渲染件作为实体体积物融入场景——光泽立体材质,承接场景的主光与轮廓光,投下柔和接触阴影,合成在强焦点位且不遮脸。 - 地点 — 场所、时间、天气、氛围。
- 构图 — 主体大而占据前景(约 40–60%,胸部以上/中近景)落在三分线,主体与背景强分离;尺度层次、机位角度、纵深分层。
- 背景处理(融合,不是切分) — 大胆饱和色场、浓烈渐变、强撞色、质感、虚化、边缘衰减。
- 布光(有人时强制) —
标志性视频封面布光——强主光雕刻面部,高光清脆、衰减受控;柔和的梦幻补光提亮阴影带来微妙电影感辉光;明确的背光与发丝光沿头发、肩线和轮廓勾出干净明亮的边缘,把主体从背景中锐利分离。彩色轮廓变体:把最后一句换成明确的<颜色>背光与发丝光勾出鲜明的彩色轮廓……并带同色系微妙辉光。轮廓色板:冰蓝#4DA6FF、霓虹品红#FF3DBE、毒性青柠#C8FF2E、琥珀金#FFB63D、纯白。主光与补光永不变色,只改背光与发丝光。 - 调色 —
鲜明高冲击的调色,高对比,明亮干净的曝光,饱和度高到能从屏幕上跳出来,深黑与亮部分明,清脆有光泽,海报般的冲击力,整体作为一幅画统一。<比例>。只有明确要求平静/高级/低饱和/氛围感时才收敛。
身份锁(防脸部漂移,每个有照片的人物必写)
软性说法(「保持脸和身份一致」)不够,模型会漂。每个带脸部照片的角色写:
CHARACTER N:第 K 张图片里的那个人——身份锁定:以照片级身份一致度还原这个人—— 与参考照片相同的骨相、眼型、鼻子、嘴唇、下颌线、肤色、发际线与发质。 不要美化、不要与其他面孔平均、不要改造脸部;必须一眼就认得出是同一个人。 表情:
<情绪短语>。
漂移仍会偶发(随机性),处置是重渲,不是道歉。
情绪预设(11 种)
震惊(张嘴倒吸气、瞪大眼睛)、亢奋(狂喜咧嘴、眼里放光)、恐惧(惊恐凝视、屏住呼吸)、 困惑(挑眉、一脸不解)、决心(咬紧下颌、目光如炬)、得意(心知肚明的坏笑)、 魅力(平静有磁性的注视、眉头放松、极淡的从容微笑——有领袖气场,自信但不具攻击性; 这是平静正向的选项,单用「决心」会显得太硬)、厌恶(后仰的嫌弃表情)、 惊叹(下巴掉了、眼里闪光)、暴怒(呲牙的怒火)、大笑(头向后仰)。
表情槽里用的是预设的括号描述。用户自定义短语原文替换预设(表情:<自定义>)。
用户只给了情绪数量没点名时,按此阶梯取前 N 个:震惊 → 亢奋 → 暴怒 → 惊叹 → 大笑 →
恐惧 → 得意 → 魅力 → 困惑 → 决心 → 厌恶。交互式提供情绪选项时,永远带一个自定义项。
每种情绪的镜头变化
镜头 1 = 设计好的原始取景(无修饰)。镜头 2–4 各追加一行:
ALTERNATE TAKE:改为低角度英雄镜头——相机低于视平线仰拍,主体更具压迫性地耸立,背景透视向上拉伸,场景与布光不变。ALTERNATE TAKE:极端特写推进——面部与表情占据超过半幅画面,背景压缩成柔和虚化的环境,场景与布光不变。ALTERNATE TAKE:更宽的动态镜头带轻微荷兰角——环境露出更多,主体偏置在三分线上,画面扫过更强的运动能量,场景与布光不变。
总变体 = 情绪 × 镜头(硬上限 16),每个变体一条独立提示词、一次独立调用。
拆分画面
触发:只在用户要求拆分/分栏布局时——「分屏」「前后对比」「对决」「并排」——
或参考分析返回了 split=true。X vs Y 作为场景是一整幅画面里出现两个主体,不拆。
N = 点名的对手/状态/侧面数量(前后对比与对决默认 2);N=2 → 左右两半,N≥3 → 竖向分栏。
拆分契约替换区块 1,并原样携带 <比例说明> 与 9:16 竖画幅子句。
把区块 1 换成:拆分式封面,<比例说明>:画面被干净利落的粗分隔线切成 N 个<左右两半|竖向分栏>, 每个分栏是各自完整的小场景,所有分栏共享统一的高级调色。 然后只追加一句模式句:
- 常规:
每个分栏呈现故事的一个侧面:<分栏1:描述;分栏2:描述;…>。 - 前后对比:
左栏:BEFORE 状态——<描述>。右栏:AFTER 状态——<描述>。同一次转变的两个状态之间视觉反差拉到最大。 - 对决:
每个分栏呈现一位对手,像拳赛海报那样布光和取景:<分栏1:A 描述;分栏2:B 描述>。视觉分量对等,跨越分隔线的对抗张力。 - 自定义:
<用户逐栏描述>。
始终追加:分栏之上与之间没有标签、没有说明文字、没有文字、没有数字——对比纯靠视觉传达。 所有分栏作为一幅高级图统一调色。
文字策略
默认:画面里没有文字——交付干净渲染图,标题文字用清晰的排版层叠上去 (零生成额度、永远可读)。只有用户明确要求时才把文字烧进生成, 生成式文字是兜底而不是默认。
五种成熟叠加风格:Beast(Anton 白字 + 厚黑描边 + 投影)、
Fire(黄→橙→红渐变 + 深色描边 + 暖光)、Neon Lime(#D4FF3F + 青柠辉光)、
Clean Glass(Inter 800 落在毛玻璃药丸上)、Marker(黑色 Anton 落在青柠色线框上)。
完整的 HTML/CSS + canvas 烧制配方(描边/阴影/渐变数值、关键的 paint-order: stroke fill、
字体加载后再绘制、4K 导出)在 references/text-overlay-bake.md。
可执行实现随本 skill 分发在 scripts/bake_text_overlay.mjs(已加中文字体栈与中文断行)。
成品局部微调(图生图)
把成品图的结果 URL 作为图生图输入,每条微调提示词都必须声明其余部分保持像素级不变。
- 换表情:
只改变人物的面部表情为:<短语>。身份、脸部结构、头发、姿势、身体、服装、logo、背景、布光与构图全部保持完全不变,像素级忠实——纯表情替换。保持封面布光不变。 - 换背景:
只替换背景为:<描述>。主体、面部、身份、姿势、服装、logo 与所有前景元素保持完全不变。重建主体边缘的光线包裹,让新背景的光向、色彩与轮廓光自然衔接——保持封面布光。 - 背景改色:
只把背景色调偏向以<颜色>为主。背景的结构、内容与纵深完全保持,只改颜色。重建主体边缘的环境色轻微包裹,但面部的主光与补光保持不变。 - 轮廓光改色:
只改变主体上的背光/发丝光(轮廓光)颜色为<短语>——就是勾勒头发、肩线、轮廓的那道亮边。不要改主光与补光;不要改背景、姿势、身份、服装、logo、构图。
微调可以链式进行,每次产物成为新的输入。
3D logo 提示词
把参考图里的 2D logo 转成高级 3D logo 渲染件:将 logo 的确切形状挤出为有光泽的立体体积, 每一个字形、比例和品牌色都保持精确,高端 CGI 产品渲染质感,柔和影棚反射, 细微倒角,边缘清脆,悬浮于干净的深色中性影棚背景上并带柔和接触阴影。 居中,留白充足,没有多余文字,没有水印。
它可以后台先跑,最终渲染等它。
参考分析契约(视觉 → 场景)
用你自己的视觉能力看那张参考封面,产出严格 JSON,键恰好如下、不多不少:
brief(一句密集的概念描述), subject(笼统的姿态/动作,绝不写具体身份), elements,
location, composition, background, split(布尔), split_count, person_count(0-3),
emotion(11 个预设之一或 'other'), emotion_detail(一句生动描述,覆盖眼睛、眉毛、嘴、头部角度)
参考驱动能量/构图/风格——它绝不发给生成模型,绝不进 input_images;
用户没填的场景字段用「从参考推导」的指令补(如「沿用参考的取景逻辑……」)。
常见坑
- 没有
4:5。Instagram 竖版用3:4,需要精确比例就本地裁切并告知用户 - 脸会漂(随机性)——每张都要对着人脸参考检查再拿给用户,处置是重渲不是道歉
- 一次提交一个变体:用
count批量会毁掉每变体独立提示词(情绪/镜头各需自己的提示词) - 最终可读性测试:封面是在侧栏约 120px 宽处竞争的,情绪和主视觉元素在那个尺寸下必须还读得出来; 读不出来是构图问题,不是分辨率问题
- 中文标题烧字要用
--case preserve,upper只对西文有意义