Meitu Video Dance

Overview

从一段参考视频中提取动作轨迹，迁移到用户提供的目标人物/角色图片上，生成该角色执行相同动作的视频。核心工具为 meitu video-motion-transfer（异步任务）。

执行前应让用户清楚知道：本 Skill 会读取 Meitu 凭证、调用本地 meitu CLI、将用户提供的人物图片、参考动作视频及相关提示发送到 Meitu OpenAPI 处理，并把结果写入 ./output/ 或 $VISUAL/output/meitu-video-dance/。涉及人像与动作素材时，应确认对素材中人物具备处理授权。

Dependencies

• meitu-cli (>=2.0.6): npm install -g meitu-cli@latest
  • 首选环境变量：MEITU_OPENAPI_ACCESS_KEY / MEITU_OPENAPI_SECRET_KEY
  • 或预置凭证文件：~/.meitu/credentials.json
  • 如需人工初始化本地凭证，可显式执行 meitu config set-ak --value "..." + meitu config set-sk --value "..."（会写入本地文件）
  • 验证: meitu auth verify --json

路径别名： 下文中 $VISUAL = {OPENCLAW_HOME}/workspace/visual/

Core Workflow

Preflight → [Context] → Execute → Refine → Deliver → [Record]

Preflight

1. meitu --version → 未安装则提示 npm install -g meitu-cli@latest
2. meitu auth verify --json → 凭证无效则引导配置
3. Detect mode: cwd has openclaw.yaml → project mode; else → one-off 检查 $VISUAL 目录 → 确定 capabilities can_record = cwd 有 openclaw.yaml AND $VISUAL 存在（两者缺一即 false）
4. output_dir 解析（Preflight 内 MUST 完成）： Resolve output_dir: openclaw.yaml → ./output/ | else → $VISUAL/output/meitu-video-dance/ mkdir -p {output_dir}

Context（项目模式时执行，一次性模式跳过）

mode = one-off → 跳过此步，直接到 Execute。

逐步读取：

1. 读 DESIGN.md → 提取 Context References（quality, preferences, brand_refs）
2. 尝试读全局资产：quality.yaml → global.md → scenes/{type}.md（scene 文件来源：从 openclaw.yaml 的 project.types（数组优先）或 project.type 读取类型）
3. 读不到用内联兜底值（均 skip if missing） → quality forbidden list 过滤 prompt 元素，preferences 增强创意方向

Execute

这是 skill 的核心。 动作迁移的质量 80% 取决于输入素材，15% 取决于 prompt，5% 取决于参数。

1. 收集与验证输入

用户必须提供两项输入：

输入质量预检 — 在调用 API 前主动评估，避免浪费额度：

对目标图片检查：

• 全身可见（至少到膝盖，舞蹈类必须含脚部）→ 不满足则提醒用户换图
• 人物轮廓清晰，不与背景融合 → 背景杂乱建议先用 meitu image-cutout 抠图换干净背景
• 手部可见且未遮挡面部 → 手遮脸会导致严重伪影
• 正面或微侧角度（非纯侧面/背面）→ 极端角度生成质量差
• 分辨率短边 ≥ 300px → 太小则建议先用 meitu image-superres-enhance 提升清晰度
• 紧身衣物优于宽松衣物 → 宽松衣物（长裙、大衣）模糊关节导致畸变

对参考视频检查：

• 时长 3-10 秒为最佳 → 过长则建议截取核心片段
• 单人画面 → 多人画面会导致动作混淆
• 镜头稳定（固定机位）→ 手持晃动/快速变焦会引入噪声
• 全身在画面内 → 人物出画会导致动作丢失
• 动作速度适中 → 极快动作（如breaking）容易产生肢体重影
• 背景简洁 → 复杂背景干扰姿态估计

详细评估标准: 当需要更细致的输入评估时，读取 references/input-quality-guide.md

如果输入质量问题严重（如半身图 + 全身舞蹈视频），直接告知用户问题并建议更换素材，不要勉强调用 API。

2. 构建 Prompt

关键原则：prompt 描述角色外观和场景，不描述动作。 动作来自参考视频，prompt 中写动作描述会与视频信号冲突。

Prompt 构建策略：

{角色外观描述}, {场景/背景描述}, {画面质量修饰}

角色外观 — 从目标图片中提取或由用户补充：

• 性别、年龄范围、体型
• 服装描述（颜色、款式、材质）
• 发型、发色
• 显著特征（饰品、纹身等）

场景/背景 — 默认与目标图片一致，用户可指定：

• "white studio background"（干净万能背景）
• "city street at sunset"（场景化）
• 保持简洁，不超过一句

画面质量 — 固定后缀：

• high quality, detailed, natural proportions, realistic hands

Prompt 示例：

禁忌：

• 不描述具体动作（"hip-hop dance"、"waving hands"）→ 动作由视频决定
• 不用平台特定语法（--no、(keyword:1.5)、<lora:xxx>）
• 不用否定描述 → 正面表达（"clean background" 而非 "no clutter"）

3. 调用 meitu-cli

meitu video-motion-transfer \
  --skill_name skill_meitu-video-dance \
  --image_list "{image_url}" \
  --reference_video_list "{video_url}" \
  --prompt "{composed_prompt}" \
  --download-dir "{output_dir}"

异步任务说明：

• 该命令为异步任务，CLI 会自动轮询直到完成（内部调用 meitu task wait）
• 生成时间通常 30s-120s，取决于视频时长和服务器负载
• 返回 JSON：ok: true → 结果在 downloaded_files[0].saved_path（因使用了 --download-dir）；ok: false → 先检查 CLI 原始字段 code、hint、error_name、action_url，再按 meitu-tools 归类为 error_type

4. 质量判断与错误降级

成功时检查生成质量：

• 角色身份一致性 — 面部、服装、发型是否与原图匹配
• 动作完整性 — 是否完整复现了参考视频的动作
• 肢体自然度 — 有无多余肢体、关节扭曲、手指异常
• 时间连贯性 — 帧间是否流畅，有无闪烁/跳变

失败时错误降级策略：

常见错误码处理：

• 原始错误经 meitu-tools 归类为 ORDER_REQUIRED → 余额不足，告知用户充值，提供 action_url
• 原始错误经 meitu-tools 归类为 CREDENTIALS_MISSING → AK/SK 未配置，优先提示使用环境变量或预置 ~/.meitu/credentials.json；仅在用户明确要求写入本地凭证时，再提示 meitu config set-ak/set-sk
• 超时 → 视频过长或服务器繁忙，建议缩短视频或稍后重试

Refine

呈现结果： 向用户展示生成的视频，说明：

• "动作来源于您提供的参考视频"
• 指出可能的质量问题（如手部细节、面部一致性）
• 如有明显瑕疵，主动提出修复建议

反馈分类与对应调整：

迭代节奏： 建议最多 3 轮。超过后主动建议：

• 更换输入素材（换图或换视频）
• 将需求拆分（如先生成满意的角色图，再做动作迁移）
• 降低期望并说明当前技术局限

Deliver

直接使用 Preflight 解析的 output_dir。

mv {file} {output_dir}/{date}_{name}.mp4

命名规范： {date}_{描述性名称}.mp4，如 2026-03-23_girl-hip-hop-dance.mp4

Record（项目模式 MUST / 一次性模式跳过）

can_record = false → 跳过。一次性模式下反馈仅当前对话有效。

can_record 定义：can_record = cwd 有 openclaw.yaml AND $VISUAL 存在（两者缺一即 false）

User approved style → read $VISUAL/memory/observations/observations.yaml → scan similar key → merge or append → write back. len(projects) >= 2 → propose promotion (non-blocking). 提议晋升（非阻塞：在回复末尾提及，不打断主流程） → confirmed → write target + delete observation entry

User rejected ("不要 XX") → has openclaw.yaml → ask scope → project: DESIGN.md Constraints / universal: quality.yaml no openclaw.yaml → current task only

No feedback → skip entirely.

Output