Beauty Video Gen

Skill: beauty-video-gen

真实感·亲近感美女视频生成

生成超写实、真实感、亲近感的美女时尚竖屏短视频：按《真人时尚短视频提示词写作框架》写提示词， 可选先用人像生图定脸，再用 minimax-h3 技能在云端 GPU 上出片，最后本地归一化与抽帧验收。

触发场景

用户要求"生成美女视频 / 真实感美女 / 亲近感美女视频 / 美女短视频 / 时尚美女视频"， 或用"可爱 / 亲切 / 性感 / 清纯 / 轻熟"等风格词，或用"夸张身材 / 大长腿 / 丰满 / 拉腿"等 身材词要求生成真人女性视频时使用（身材词命中时走 Step 3.5 夸张身材批量配方）。

总流程

用户提需求
  → [用户已自带参考图?] ──是──→ 直接进入 Step 3（Ref2VA 模式）
  → [用户明确要求先生成面部参考图?] ──否──→ 直接进入 Step 3（T2VA 模式，默认不出参考图、不询问）
  →                                  ──是──→ Step 2 生成面部参考图 → 展示 → 询问是否修改（循环直到用户满意）
  → Step 3 按框架写 H3 提示词
  → Step 4 minimax-h3 云端生成（开机→发现→提交→轮询→下载→秒级校验→**立即关机**）
  → Step 5 本地归一化 + 抽帧验收（关机后本地做）
  → Step 5.5 默认提亮 + 皮肤光泽滤镜（关机后本地做）
  → Step 6 交付

Step 0 收集需求

从用户消息中提取；未提及的用默认值并告知用户，不要反复追问：

Step 1 面部参考图：可选流程，仅用户明确要求时执行（2026-08-29 调整）

默认不出面部参考图：用户没有明确要求时，一律直接进 Step 3（T2VA 模式）—— 不扫描生图技能、不发 AskUserQuestion 询问。面部参考从"默认推荐"降级为"按需可选"， 交付报告里说明一句"本次未用面部参考，长相由模型决定，需要定脸可随时补"即可。

仅当出现以下任一信号才进入 Step 2（Ref2VA）：

• 用户明确说"先生成面部参考图 / 先定脸 / 出一张人像确认"；
• 用户自带参考图（图片直接采用，跳过 Step 2 的生成环节）。

Step 2 生成并确认面部参考图（可选流程，Step 1 命中时才执行）

仅在 Step 1 命中可选流程时执行：优先用当前 Agent 自带的生图工具或技能（如 Codex 的 ImageGen， 不要求安装 Cursor）生成一张肩部以上竖构图人像；环境没有自带生图能力，或用户明确点名 用 Cursor 生成时，才改用 cursor-image-gen 生成。 保存到工作目录（建议命名 face_ref.png）。提示词按下方模板填空，风格词映射见表。

参考图提示词模板（素颜哑光逻辑，与视频提示词同源，防止定脸与成片肤色妆感不一致）：

超写实真人肖像摄影，竖屏，一位明确成年的年轻东亚女性，约{X}-{Y}岁，{气质，如甜美亲切}。
人物拥有精致小巧的{脸型}，{下颌线特征}。完全素颜、无妆感：肤色{白皙奶调}通透，
呈现自身自然健康气色与细腻真实纹理，零底妆、零粉，完全无油光、无腻光。
五官精致，眼睛偏{大}，深棕色虹膜，睫毛自然纤长，眉形自然柔和，鼻梁秀气，
嘴唇只保留自身自然血色，{甜美温和地微笑看向镜头}。
她留有{发色}{长度}{卷度}，{刘海样式}。穿{一件简单服装，如奶油白针织衫}。
肩部以上半身构图，浅灰或奶白纯色背景，窗边柔和散射光，皮肤上无硬高光点。
4K超高清，真实手机摄影质感，真实发丝，真实皮肤纹理，轻微景深。
禁止：幼态脸、未成年感、塑料皮肤、过度磨皮、油光、浓妆、夸张修图、多余人物。

风格词 → 视觉要素映射（拼模板时参考）：

生成后用 Read 展示图片给用户，然后 AskUserQuestion：

{"question": "面部参考图是否需要修改？", "header": "参考确认", "multiSelect": false, "options": [
  {"label": "不用修改，开始生成视频（推荐）", "description": "以此定脸进入视频生成"},
  {"label": "需要修改", "description": "说明要调整的长相/发型/气质等，重新生成参考图"}]}

用户选"需要修改"时，按其描述改模板重新生成，再次询问，循环直到用户点头。 用户点击不修改后立即进入 Step 3，不再追问其他问题。

Step 3 按框架写 H3 提示词

先读 references/fashion-framework.md（完整框架：M0–M14 模块、人物/Look/机位/动作四个参数库、 防翻车规则、疫苗句、实测复盘），再按 h3-prompt-writing 技能的格式规范写英文提示词。

要点浓缩（细节以框架文档为准）：

1. 模式：有参考图 → Ref2VA（<Subject 1> 定义人物身份，声明"参考图中的同一人、全片仅一人"）； 无参考图 → T2VA。负面清单在 H3 里不单列，改为正文正向点名（"completely free of oily shine…" / "remain completely identical from the first frame to the last"）。
2. 六个保命句任何情况不删：①显式成年年龄（约20–24岁，防幼态）②自然协调的比例 ③保留自然肌肤纹理 ④第一帧到最后一帧完全一致 ⑤人物身份全程一致 ⑥结尾定格+看向镜头。
3. 结构：全局规格 → 人（体型→脸→发→饰→装→鞋六件套）→ 景 → 机位 → 秒级脚本 → 氛围 → 光色 → 画质标签 → 一致性锁。所有数字用区间（俯拍30–45°、24–28mm、8–10cm 跟高）。
4. 素颜哑光三锁（防油光+防浓妆，光/料/词三层必须同时在场）： 皮肤：completely bare-faced and makeup-free … zero visible foundation, zero powder, completely free of oily shine, greasy glow or plastic smoothing； 光线：默认高调明亮窗光（2026-08-28 实测：亮与哑光可兼得）—— bright airy high-key daylight, glowing white walls, sheer white curtains, abundant soft morning daylight， 同时保留疫苗句 absolutely no harsh specular hot spots，亮而不油； 面料：fully matte with no sheen（忌缎面/微光泽）；配饰≤1–3件。 禁词：粉感/雾面底妆/powder/foundation（会被当成化妆指令出全妆脸）。
5. 从参数库选卡：Look 卡（L-AL-F）× 机位（C1C7）× 动作三拍整套取用不混搭； 当前默认配方（2026-08-28 实测，用户对比后明确认可，动作更自然、画面更亮）： 高调明亮白墙纱帘晨光场景 × C1 高机位自拍俯拍 × 修身裙 × 7 拍快节奏 （快步入画→撩发别耳歪头→凑近眨单眼→退步展裙→一次 90° 转身甩发→碎步左右移动+踮脚→凑近定格看镜头； 这只是节拍骨架，血肉由第 7 条微动作层填充）。 机位与视线必须物理自洽（俯拍配抬头看镜头）；一条视频只允许一个大转向动作。
6. 秒级脚本按 "From 0 to about 1.2 seconds …" 连续叙事写入 detailed_description/integrated_multimodal_description，结尾必须是清晰可暂停的定格+眼神落镜头。 节奏铁律（2026-08-28 实测，必写）：每拍 1.2–1.5 秒、10 秒 6–8 拍，主动作之间用 quickly / briskly / one quick step 连接；正文必须含一句 Every movement in this video runs at brisk, natural real-life speed, quick and energetic, with absolutely no slow-motion or dreamy pacing.——缺这句动作极易被模型拖成慢动作， 是"动作很慢、不像正常人"差评的直接根因。
7. 微动作与物理反馈层（防 AI 呆板的核心，每条提示词必写满）：呆板感来自"只写主动作"—— 模型拿到什么密度就生成什么密度。每个秒级段落按公式填充： 1 个主动作 + 2–3 个微动作 + 表情渐变 + 物理联动，并遵守：
   • 表情渐变三段式：唇角先动 → 眼睛跟上（眼角微弯、睫毛半垂再抬起）→ 头部微配合 （倾 10–15°）。用 first/then/finally 写明先后，禁止表情瞬跳；表情自然不夸张， 禁用 exaggerated / dramatic / sudden。
   • 笑容幅度锁（2026-08-29 新增，防"咧嘴诡异感"）：笑容写得太满（bright open smile / big smile / showing teeth）会把嘴咧到耳根，近景俯身定格尤其诡异。锁法：唇角只上提 a few millimeters，唇轻闭或只微开一条缝，正面写 small / soft / gentle / natural smile， 并点名 never stretching into a wide grin, no exaggerated grinning； 禁用 bright / big / wide / open 修饰 smile，露齿最多 a hint of teeth。
   • 眨眼有分布：10 秒 2–4 次，绑定在动作转换点（转头后立刻眨一次），禁止全程不眨或高频眨眼。
   • 物理联动每 2–3 秒至少一处：转头→发丝滞后半拍甩动再落肩；迈步→裙摆轻摆+高跟点击地； 凑近→衣料褶皱加深；抬臂→袖口下滑堆在腕部；释放发丝→发丝回弹贴颊；转头→耳钉反光一闪。
   • 生命感永不停：呼吸贯穿全片（胸口肩部轻微起伏）；收尾定格是构图定格不是生命定格—— 定格中仍保留呼吸起伏、碎发余摆、衣料微沉。
   • 幅度量词压住 AI 夸张感：slowly / gently / a few millimeters / 10–15 degrees / a beat， 微动作都是厘米级、秒级的小事（只约束微动作的幅度；主动作的整体节奏按第 6 条铁律保持轻快， 两者不冲突——v2 实测"quickly tucks + hair springs back"式的快主动作+小微动作组合最自然）。 可直接复用的英文短语库（按需选用、改写，不要整段照抄到每条提示词）： her chest and shoulders rise and fall gently with relaxed breathing（呼吸）； the corners of her mouth lift a few millimeters into a small, soft, natural smile, her lips staying gently closed or barely parted（唇；勿用 bright open smile / wide grin 类放大词）； her eyes narrow slightly and crinkle at the corners as the smile reaches them（眼）； her gaze drops shyly for a beat, then lifts back to the lens（眼神）； she blinks naturally, once right after each head turn（眨眼）； tilts her head about 10 to 15 degrees to her right（头）； her fingertips slide slowly through the strand and release it, letting it spring back against her cheek（手）； strands sway with a slight lag behind each turn and settle softly over her shoulder（发）； the knit hem sways gently with each step and settles against her thighs（裙摆）； fabric folds deepen as she leans closer to the lens, then smooth out as she straightens（衣褶）； the off-shoulder neckline slips a few millimeters and she nudges it back with her thumb（领口）； her earrings catch the window light and glint as her head turns（饰品）。
8. H3 三段齐备：正文描述 + overall_soundscape（环境声+动作声）+ non_diegetic_music（配乐淡出）。

Step 3.5 夸张身材批量配方（2026-08-29 实测定型，v1→v3 三版迭代，用户逐版确认）

用户要求"夸张身材 / 大长腿 / 丰满 / 腿占画面大半"类视频时整卡取用（T2VA 无参考图，U03 文生视频）， 替换第 5 条的默认配方，其余第 1–4、6–8 条照常生效：

• 机位：C3 低机位仰拍——镜头位于膝盖高度、前方约 1.2–1.5m、仰角 15–25°、24–30mm 广角， 正文点明 "classic street-snap stretched-legs effect"；腿+高跟鞋占画面下半主体。 构图优先级（2026-08-29 新增，防鞋被裁）：人物整体在画面中略微上移， 鞋底与画面底边之间必须留约 5–10% 画高的地面空隙，高跟鞋跟尖绝不可贴边或出画； 头部允许贴近甚至略微超出画面顶边（顶部裁掉一点头/脸可接受）——宁可裁头顶，不可裁鞋。 英文构图句（可抄）：her legs and heels stay fully inside the frame with a clear strip of floor beneath her soles — about 5 to 10 percent of the frame height between her heels and the bottom frame edge; the top of her head may sit close to or slightly beyond the top frame edge。 视线物理自洽写"她低头看向镜头"（仰拍配低头，写反眼神必飘）。
• 身材：时尚编辑式夸张体型——extraordinarily long, slim, straight legs / slim cinched waist / full bust / narrow shoulders / exaggerated hourglass S-curve；保命句②在此改写为 her elongated proportions remain graceful, elegant and anatomically coherent（防畸形总闸仍要在）。
• 两条腿解剖锁（必写，v1"三条腿"事故的直接修复）：she has exactly two legs and two arms at every moment — no duplicated, split or extra limbs, the gap between her legs always shows clean background instead of any third leg, the faint floor reflections never read as additional legs, natural five-fingered fingers。禁用膝部交叉腿站姿（肢体复制重灾区），改双脚前后微错开 （one foot slightly in front of the other, ankles almost touching）。
• 俯身互动（必写，用户点名要求的亲近感来源）：至少两次俯身凑近镜头——中段一次 （bends forward at the waist toward the camera ... her face coming down and closer to the lens
  • 挥手 wave near her cheek + bright grin + 一声轻笑），结尾定格也用俯身凑近 + bright eye contact， 让"可暂停封面帧"自带亲近感。物理自洽：俯拍机位下人物俯身=脸靠近镜头，画面自然放大。
• 俯身遮胸锁（必写，用户点名要求的防走光过审项）：the moment she starts to bend, one forearm rises to press lightly over her chest, holding the neckline flat and fully covered against her chest — the camera never looks down inside the dress，并加常驻句 the neckline always sits flat and fully closed against her chest, modest and camera-safe。 措辞只用 cover / flat / closed / modest / camera-safe，不出现敏感部位词。
• Look（已验证组合）：灰蓝挂脖修身哑光针织超短裙（bodycon mini, halter neck, hem mid-thigh, fully matte）+ 超薄深色丝袜（ultra-sheer dark stockings, soft satin sheen along the calves）+ 黑漆皮尖头细高跟（black patent-leather pointed-toe stiletto pumps, fully visible with a clear strip of floor beneath her soles, catching sharp glints）+ 小银耳钉一件 + 亮灰房间/走廊 + 亮面地砖微反射 + 高调柔和窗光。
• 实测参数：1080×1920 / 10s / U03-light2v / speed 档，推理约 345–693s；成片本地归一化 30fps。
• 已知瑕疵与补救：起身换手瞬间（约 0.3s）领口可能短暂松开；需 100% 全程遮盖时在提示词追加 her hand stays on her chest until she is fully upright again, then smooths the neckline once。

提示词保存为工作目录下的 prompt.txt（或 h3_prompt.txt）。

Step 4 minimax-h3 云端生成

执行引擎是 minimax-h3 技能（其 SKILL.md 有完整规则），本技能固定走以下已实测链路。 整个批次只开一次机，try/finally 保证最终关机；实例按秒计费，等待窗口做本地活，不干等。

source ~/.zshrc   # AUTODL_TOKEN 在 ~/.zshrc，非交互 shell 需先加载

# 1) 开机（整个批次一次；记下输出的 SEETACLOUD_BASE_URL）
python3 ~/.zcode/skills/autodl-app-instance/scripts/autodl_app.py boot --uuid <UUID>

export SEETACLOUD_BASE_URL=<面板地址>

# 2) 工作流发现（有参考图用 --kind u06；纯文字用 --kind u03）
#    ⚠ 必须核对自动选中的是 H3 生成工作流（U03/U06/U02 系列）。
#    若选成 InfiniteTalk/U11/U09 等对口型/其他工作流，用 --workflow-id 强制指定，例如：
python3 ~/.zcode/skills/minimax-h3/scripts/discover_workflow.py --kind u06 \
  --workflow-id "U06-9图3音频-V5" --out slot_map.json

# 3) 提交（submit_video.py 自动上传参考图、给空图槽/音频槽填占位，防模板素材污染）
python3 ~/.zcode/skills/minimax-h3/scripts/submit_video.py \
  --prompt prompt.txt --slot-map slot_map.json \
  --seconds 10 --width 720 --height 1280 --preset speed \
  --image face_ref.png --out-json task_info.json

# 4) 轮询下载（只认 history；运行中绝不取 result 接口，会拿到旧视频）
python3 ~/.zcode/skills/minimax-h3/scripts/poll_video.py <PROMPT_ID> --download raw.mp4
# 720p/10s 实测约 195s；1080p/10s 实测约 417s

# 5) 下载落盘 + ffprobe 秒级校验通过 → 立即关机（同批次全部完成时；唯一例外：用户说保持开机）
python3 ~/.zcode/skills/autodl-app-instance/scripts/autodl_app.py off --uuid <UUID> --wait
#    归一化/抽帧验收/滤镜/调参重跑全是本地活，一律放到关机之后（Step 5/5.5），绝不拖着开机做本地事

参数速记：--width/--height 按用户画幅（720×1280 默认 / 1080×1920 要 1080P 时）； 固定种子下同提示词+同图会生成逐字节相同的视频，重提前必须改提示词或参考图。

下载完立即关机（2026-08-29 铁律，省钱）：所有任务下载落盘并用 ffprobe 秒级校验 （确为视频、时长/分辨率/音轨符合预期）通过后，立刻执行 off --uuid <UUID> --wait。 GPU 空转也按秒计费，而归一化、抽帧验收、滤镜、按用户反馈调参重跑动辄几十秒到几分钟—— 这些全是本地活，必须放在关机之后，Step 5 / 5.5 / 6 全程无服务器。try/finally 保证批次终态 必关机（任务失败/超时/用户中断也一样）。例外只有两个：同批次还有未完成任务； 用户明确说保持开机（或 AUTODL_KEEP_ON=1）。本地验收不达标要重生成时，重新开机走一遍 Step 4 即可——重开机的成本远低于为等本地处理而空转计费。

Step 5 本地归一化 + 抽帧验收（服务器已关机，纯本地）

**本步在 Step 4 关机之后进行，全程不占 GPU。**H3 输出会量化：宽高对齐 32（请求 720 实得 704、 请求 1080 实得 1056；1280/1920 不变）、 时长按 17 帧块取整（10s 实得 10.125s@24fps）。交付前必须归一化：

# 归一到目标规格（W×H=目标分辨率，T=目标秒数）
ffmpeg -y -i raw.mp4 \
  -vf "scale=W:H:force_original_aspect_ratio=increase:flags=lanczos,crop=W:H" \
  -t T -r 24 -c:v libx264 -crf 17 -preset slow -c:a aac -b:a 192k final.mp4

# 抽首/中/尾三帧拼图（n≈帧率×秒：24fps 10s 取 5/120/235）
ffmpeg -y -i final.mp4 -vf "select='eq(n\,5)+eq(n\,120)+eq(n\,235)',tile=3x1" -frames:v 1 check.png

用 Read 查看 check.png，逐项核对：人物身份与参考图/首帧一致、皮肤哑光无油光、 发型服装鞋履全程稳定（用户点名过的物品重点查）、结尾定格看镜头、俯身段遮胸在位 （用了 Step 3.5 配方时，抽俯身区间首/中/尾三帧查手是否按胸、领口是否闭合）、 转身/站姿段无肢体复制（逐帧数腿，见下条排查）、 鞋跟完整且鞋底与画面底边留有明显空隙（约 5–10% 画高；顶部裁掉一点头/脸可接受）； 并通读秒级脚本自查 动作密度与节奏是否达标（表情渐变/眨眼/微动作/物理联动是否写满，每拍是否 ≤1.5s， real-life speed 疫苗句是否在位）。抽多帧（如 5 帧）比对姿态差异，帧间姿态变化小 = 动作太慢。 有问题按框架文档第七节排查表定位根因（脸漂→补特征/身份锁；油光→查光/料/词三层； 妆重→删粉感词改素颜声明；手崩→换机位或动作；画面偏暗→查高调布光句 + 跑 Step 5.5 滤镜； 动作呆板/拖沓 AI 感→回查 Step 3 第 6 条节奏铁律与第 7 条微动作层，加密节拍与表情渐变后重生成； 肢体复制（三条腿等）→ 补两条腿解剖锁句、交叉腿改双脚微错开后重生成； 俯身走光 → 补俯身遮胸锁句后重生成； 鞋贴底边/鞋跟被裁 → 补构图优先级句（鞋底留 5–10% 画高、头顶可贴近或略超顶边）后重生成）， 改提示词后重新走 Step 4，不要凭印象微调。

Step 5.5 默认后期：提亮 + 皮肤光泽滤镜

默认必跑（2026-08-28 实测：提示词层高调布光 + 本滤镜默认档的组合获用户明确认可， 滤镜版作为推荐成片交付）。仅当用户明确说"要原始观感/别加滤镜"时跳过本步； 用户要求"加滤镜 / 更亮 / 皮肤更有光泽 / 更通透 / 更自然"时也走本步。 本步与用户后续的调参重跑都在服务器关机后本地进行，零 GPU 费用。 在归一化之后运行本技能自带的 scripts/beauty_glow_filter.py（Python + OpenCV 逐帧处理，ffmpeg 管道编解码，原音轨无损保留）：

python3 <本技能目录>/scripts/beauty_glow_filter.py 输入.mp4 输出.mp4

五步处理链与参数（都在脚本顶部；按用户反馈调参重跑即可，1080p×10s 约 20 秒）：

跑完后从原片与滤镜片各抽同一帧（如 select=eq(n\,120)）拼左右对比图，用 Read 展示给用户确认； 用户觉得效果不够或过头时，只调对应参数重跑，不要改处理链结构。

Step 6 交付

向用户报告：最终文件路径与规格（分辨率/时长/帧率/音轨）、验收结论、 保留的中间产物（原始未裁切版、提示词 txt、验收帧图）；Step 5.5 滤镜默认跑： 报告滤镜版（推荐成片）与未滤镜版两个文件及所用参数档位，方便后续复调。多条视频按批次汇总。 此时服务器已在 Step 4 末尾关机；若验收发现问题需要重生成，先改提示词或参考图再重新开机走 Step 4 （固定种子+同素材会逐字节复现旧结果，直接重提没有意义）。