Unicom Longvideo

联通元景长视频生成服务

⚠️ 重要：仅在用户明确提到"长视频"时使用此技能。

普通短视频生成需求请直接使用 mediaclaw 的工具。

基于 mediaclaw，实现 9-15 秒长视频生成，通过 3 个视频镜头串联而成，严格保证主体一致性和动作连贯性。

LLM输出规则

• 每个镜头生成完成之后，需要输出当前镜头的保存路径，必须在路径前添加MEDIA:前缀，例如：MEDIA:/path/to/video.mp4，以便后续工具正确识别和处理。
• 尾帧提取完成之后，需要输出尾帧图片的保存路径，必须在路径前添加MEDIA:前缀，例如：MEDIA:/path/to/image.jpg，以便后续工具正确识别和处理。

生成策略

• 镜头1：使用文生视频直接生成（mediaclaw_text_to_video）
• 镜头2、3：使用图生视频生成（mediaclaw_image_to_video），以前一镜头的尾帧作为起始图片
• 对于镜头2和镜头3，在生成视频前，使用 mediaclaw_image_qa 工具，将初步分镜 + 当前镜头起始图片一起输入，让视觉模型根据图片实际内容润色分镜提示词。

这样可以避免分镜描述与图片内容不符的问题，提升视频生成质量。

核心设计理念

三镜头串联策略

为了保证视频的连贯性，必须严格遵循以下策略：

1. 主体锁定原则：三个镜头的主体描述、场景、光影必须完全一致
2. 动作递进原则：
   • 镜头1（起）：微小动作引入，固定镜头或极慢推镜头
   • 镜头2（承）：核心动作发生，镜头配合动作平移或跟随
   • 镜头3（合）：动作高潮或收尾，镜头拉开展示全貌或特写定格
3. 尾帧衔接原则：使用前一个镜头的最后一帧作为下一个镜头的起始帧
4. 运镜连续性原则：运镜必须保持方向和速度的连贯性，避免突变
5. 动作连续性原则：动作必须从上一镜头的结束状态自然延续，避免状态突变

运镜连续性原则

运镜方向连续性规则

运镜速度连续性规则

• 镜头1：固定或极缓慢（速度等级：0-1）
• 镜头2：缓慢到中等（速度等级：1-2），不超过镜头1速度的2倍
• 镜头3：可适度加快（速度等级：1-3），不超过镜头2速度的2倍
• 严禁：从固定/缓慢直接跳到快速旋转

推荐运镜组合

动作连续性原则

动作状态传递机制

在生成每个镜头后，必须提取并记录以下信息：

动作连续性规则

规则1：姿态延续性

• 下一镜头的起始姿态 = 上一镜头的结束姿态
• ❌ 禁止：镜头2结束站立 → 镜头3起始坐下
• ✅ 正确：镜头2结束站立 → 镜头3起始站立，继续动作

规则2：动作递进性

• 动作应该是一个连续的过程，而不是三个独立的动作片段

规则3：方向一致性

• 如果主体在移动，方向应该保持一致或自然转向
• ❌ 禁止：镜头2向左跑 → 镜头3突然向右跑

规则4：动作完整性

• 一个完整的动作可以跨多个镜头
• 整个长视频是一个完整的故事，三个镜头共同完成一个动作序列

推荐动作组合示例

示例1：猫咪伸懒腰

镜头1：猫咪趴在沙发上，微微抬起头，眼睛慢慢睁开
       [起始：趴着] → [结束：趴着，抬头]
       
镜头2：猫咪前腿向前伸展，身体逐渐抬起，背拱起
       [起始：趴着，抬头] → [结束：站立中，前腿伸展]
       
镜头3：猫咪后腿蹬直，尾巴翘起，全身舒展完成后抖抖身体
       [起始：站立中，前腿伸展] → [结束：站立，放松]

示例2：人物行走

镜头1：人物站在门口，手放在门把手上，开始转动
       [起始：站立门前] → [结束：站立，手握门把]
       
镜头2：人物推开门，迈出一步，身体前倾
       [起始：站立，手握门把] → [结束：行走中]
       
镜头3：人物继续走出，转身回望，停在门外
       [起始：行走中] → [结束：站立门外]

禁止的动作组合

分镜提示词设计

分镜提示词格式统一为：

[锁定主体描述]，[锁定场景]，[锁定光影]，[动态动作描述]，[运镜描述]

示例：

• 镜头1：一只可爱的橘猫，阳光明媚的花园，午后柔和光线，慵懒地眨了眨眼睛，固定镜头
• 镜头2：一只可爱的橘猫，阳光明媚的花园，午后柔和光线，慢慢地站起身子伸懒腰，镜头缓慢跟随
• 镜头3：一只可爱的橘猫，阳光明媚的花园，午后柔和光线，欢快地向前奔跑，镜头拉开展示全貌

关键：前三个部分（主体、场景、光影）在三个镜头中必须字毫不差、完全一致！运镜必须遵循连续性原则！动作必须从上一镜头结束状态自然延续！

输出目录规则

所有生成结果必须写入同一个统一根目录 {task_id}/：

• 如果用户指定了保存目录，则根目录为 {用户指定目录}/{task_id}/；
• 如果用户未指定目录，则根目录为 workspace/unicom-longvideo/{task_id}/。

所有工具调用中传入根目录作为 output_dir，后续路径从根目录派生，不要依赖自由文本解析路径。

使用流程

长视频生成完整步骤

当用户要求生成长视频时，严格按照以下步骤执行：

步骤 1：生成初步分镜脚本

使用 LLM 生成初步分镜（如果用户提供了参考图，也可以用 mediaclaw_image_qa 工具，mode=storyboard）。

初步分镜生成提示词：

你是一位专业的AI视频分镜导演。请将用户的视频创意拆解为3个连贯的分镜提示词。

# 核心原则

## 1. 主体锁定原则（绝对严格）
从用户的视频创意中提取【锁定常量】，三个镜头必须完全相同：
- 锁定主体：详尽的主体描述（物种、颜色、特征、服装、材质等）
- 锁定场景：场景描述（地点、环境元素、背景细节）
- 锁定光影：光影描述（时间、光线方向、色调、天气）

## 2. 动作递进原则
- 镜头1（起）：展示初始状态，微小动作引入
- 镜头2（承）：核心动作发生，增加动作细节
- 镜头3（合）：动作的高潮或收尾

## 3. 动作连续性原则
- 每个镜头标注【起始状态】和【结束状态】
- 镜头2起始 = 镜头1结束，镜头3起始 = 镜头2结束
- 禁止姿态突变（站立→坐下、趴着→站立无过渡）
- 动作可跨镜头，一个完整动作分布在多个镜头

## 4. 运镜协调原则
- 方向连续：左移→继续左移或固定，禁止左移→右移
- 速度渐变：固定→缓慢→中等，禁止固定→快速
- 推荐：固定→缓慢推→继续推

# 分镜格式
每个分镜提示词必须严格遵循以下格式：
[锁定主体]，[锁定场景]，[锁定光影]，[动作描述]，[运镜描述]

# 输出格式（JSON）
{
  "镜头1": "分镜提示词",
  "镜头2": "分镜提示词",
  "镜头3": "分镜提示词",
  "运镜设计说明": "运镜连续性逻辑",
  "动作状态说明": "镜头1结束状态→镜头2起始继承→镜头2结束→镜头3起始继承→镜头3结束"
}

用户创意：{{用户的提示词}}

如果用户提供了参考图片：

使用 mediaclaw_image_qa 工具，mode=storyboard，传入参考图片和以下提示词：

"将这个视频创意拆解为3个连贯的分镜提示词。

# 核心原则（最高优先级）

## 1. 主体锁定原则（绝对严格）
你必须首先从图片和视频创意中提取出【锁定常量】，这三个部分在三个镜头中必须字毫不差、完全相同：
- 锁定主体：详尽的主体描述（物种、颜色、特征、服装、材质等）
- 锁定场景：场景描述（地点、环境元素、背景细节）
- 锁定光影：光影描述（时间、光线方向、色调、天气）

## 2. 动作递进原则
- 镜头1（起）：以展示图片初始状态为主，微小动作引入
- 镜头2（承）：核心动作发生，增加动作细节
- 镜头3（合）：动作的高潮或收尾

## 3. 运镜协调原则
- 镜头1：固定镜头或极缓慢的推镜头
- 镜头2：配合动作方向进行平移或跟随
- 镜头3：拉开展示全貌或特写定格

# 分镜提示词格式
每个分镜提示词必须严格遵循以下格式：
[锁定主体]，[锁定场景]，[锁定光影]，[动态动作描述]，[运镜描述]

# 输出格式要求
- 必须且只能输出合法的 JSON 格式数据
- JSON 键名为："镜头1"、"镜头2"、"镜头3"

用户的视频创意：{{用户的提示词}}"

步骤 2：生成第一个镜头（文生视频）

使用 mediaclaw_text_to_video 提交文生视频任务

• prompt: 镜头1分镜提示词
• output_dir: 输出目录
• 从"动作状态说明"中提取镜头1的【结束状态】和【运镜状态】并记录下来

步骤 3：生成第二个镜头（图生视频）

子步骤 3.1：提取镜头1尾帧

ffmpeg -i {{视频路径}} -vf "select=eq(n\,$(($(ffprobe -v error -count_packets -select_streams v:0 -show_entries stream=nb_read_packets -of csv=p=0 {{视频路径}})-1)))" -vsync vfr -update 1 -y {{尾帧路径}}

子步骤 3.2：润色镜头2分镜

• 使用 mediaclaw_image_qa工具
  • image_paths: [尾帧图片路径]
  • prompt: 分镜润色提示词（见下方模板，填入镜头2原始分镜、上一镜头运镜状态和动作状态）
  • mode: general
• 将返回结果作为镜头2最终分镜提示词

润色提示词模板：

请根据这张图片，润色以下分镜提示词，使其更符合图片的实际内容。

【原始分镜】：{{原始分镜提示词}}

【上一镜头状态】：
- 运镜状态：{{如：固定镜头}}
- 结束姿态：{{如：趴着，抬头}}
- 动作进行中：{{如：已完成抬头动作}}

【润色要求】：
1. 仔细观察图片中的主体特征（颜色、穿着、姿态、表情等）、场景细节、光影效果
2. 主体、场景、光影部分要根据图片实际内容进行优化，使其更准确生动，但必须保持与原始分镜描述一致的锁定常量
3. **动作连续**：
   - 当前镜头起始状态 = 上一镜头结束状态
   - 禁止姿态突变（站立→坐下、趴着→站立无过渡）
4. **运镜连续**：
   - 方向一致，禁止反向
   - 速度渐变，禁止突变

【输出格式】：
第一行：润色后的分镜提示词，输出格式保持：[场景描述]，[光影描述]，[主体描述]，[动作描述]，[运镜描述]
第二行：【起始状态】：{{继承的状态}}
第三行：【结束状态】：{{当前结束状态}}

子步骤 3.3：视频生成

• 使用 mediaclaw_image_to_video 提交图生视频任务
  • image_path: 尾帧图片路径
  • style: 用户选择的风格（默认"通用"）
  • prompt: 镜头2最终分镜提示词（润色后的）
  • output_dir: 输出目录
  • 从"动作状态说明"中提取镜头2的【结束状态】和【运镜状态】并记录下来

步骤 4：生成第三个镜头（图生视频）

与步骤3相同，使用镜头2的尾帧和状态信息。

步骤 5：拼接视频

echo "file '{{视频1路径}}'" > concat.txt
echo "file '{{视频2路径}}'" >> concat.txt
echo "file '{{视频3路径}}'" >> concat.txt
ffmpeg -f concat -safe 0 -i concat.txt -c copy {{输出路径}}

告诉用户最终视频的路径。

分镜提示词最佳实践

锁定部分（三个镜头完全一致）

主体描述：应该足够详细，包含物种、颜色、特征、服装等

• ❌ 不好：一只猫
• ✅ 好：一只橘白相间的胖胖的猫咪，戴着蓝色的项圈

场景描述：包含地点、环境元素

• ❌ 不好：在外面
• ✅ 好：在种满向日葵的花园里，背景是白色的木栅栏

光影描述：时间、光线方向、色调

• ❌ 不好：白天
• ✅ 好：夏日午后，金色阳光从右上方斜照，温暖的色调

动态部分（每个镜头递进）

快速参考

mediaclaw 工具使用索引

状态记录模板

【镜头1】结束姿态：{{}} | 动作：{{}} | 运镜：{{}}
【镜头2】起始：{{继承镜头1}} → 结束：{{}} | 运镜：{{}}
【镜头3】起始：{{继承镜头2}} → 结束：{{}} | 运镜：{{}}

常见问题

• ffmpeg不可用：将三段视频分别提供给用户手动拼接
• 运镜不连续：检查方向是否反转、速度是否突变
• 动作不连续：检查姿态是否突变、状态是否正确继承