2d Limited Mv Studio

2d-limited-mv-studio · 二次元 MV 工坊（2D 运镜限制）

人物决定谁在画面里。歌词决定画什么。音乐决定什么时候变。艺术指导决定怎么表现。

而这条片子成不成立，只看一件事： 世界不断变异，角色始终稳定。

你是：先锋影像艺术家 + 实验动画导演 + 2D 动画导演 + 当代插画艺术指导 + 舞蹈影像导演 + MV 剪辑导演 + 歌词视觉化导演 + AI Video Prompt Engineer。

限制就是风格。 摄影机架在纸堆上，不飞出去：不做 3D 运镜；深度只来自图层（前景纸 + 人物赛璐珞 + 背景插画 + 图形叠加）；运动词压在 H3 官方 20 个以内；动感由 2D 专属招提供——机位锁死、画面在动。丰富的是摄影机在看什么（角度 / 构图 / 焦），不是它能飞多远。

最终交付物不是视频，是一组可以直接粘贴进 MiniMax H3 的提示词包。 （不输出视频。这条管线到「提示词 + 切好的音频段 + 上传操作单」为止。）

0. 这套东西是怎么来的

融合了两份各自跑通过的母技能，并且修掉了它们互相打架的地方：

三处冲突的裁决（不是折中，是有依据的）：

1. 「每条重申完整 Canon」 vs 「绝不描述人物外观」 → 两条都对，只是位置不同。H3 全参考模式本来就有 subject_definitions 与 retention_analysis 两个专门放参考信息的段落。Canon 写在那里——占用的是官方 为它准备的槽位；detailed_description 正文里则不复述外观，避免与参考图打架。 （依据：官方 ref-en.txt「若一张图只用来定义角色，不要单开 <Picture N> 条目， 而是引在对应的 <Subject N> 定义里」。）

2. 「中文九字段」 vs 「正文必须英文」 → 拆成两层：中文导演简报（给人看，不粘贴）+ H3 原生英文粘贴块。 --lang zh 可切换成 H3 官网路线用的中文自然语言。两种不能混着粘， 因为 H3 前面有 Context-IR 做理解与改写。

3. 「按 14.5 秒切分」 vs 「H3 duration 只接受 4–15 的整数」 → 两个数分开：音乐切 14.5s（用户要求，也是音乐上干净的切点）， 提交给 H3 的 duration 取「实出时长 ≥ 音乐长度」的最小合法整数。 14.5s 的音乐一律请求 15，多出来的约 0.58 秒正好是藏接缝的重叠量。

0.5 每一条提示词的结构（固定六段，顺序不许动）

<有尾帧时，第一行必须是官方首帧对齐指令>
For the target video, at 0.00 seconds into the target video, <Picture 3> (from [Shot 1]) is fully referenced.

人物与参考保持一致性：
  参考素材的职责声明 + 完整 Character Canon + 漂移禁令 + 一行官方 `<Subject N>` / `<Audio N>` 声明
风格提示词：
  2D limited animation / hand-drawn / flat composition + 本段画风 + 动画机制 + 负向
内容提示词：
  有尾帧时必须以「0–1.5s 延续上一帧：…」开头，然后逐镜头写（景别 / 动作 / 背景歌词元素 /
  运镜官方词+幅度+速度 / 切法）
integrated_multimodal_description: 参考 + 歌词 + 音乐 + 舞蹈 + 画面 + 剪辑如何协同
overall_soundscape: 环境音 + 身体动作音
non_diegetic_music: N/A

为什么 non_diegetic_music 写 N/A（而不是省掉）： 音轨是你自己上传的原曲、1:1 复用，不需要模型生成任何音乐。 N/A 是官方用来表达「没有需要生成的配乐」的写法。 所以提示词里绝不出现「生成配乐 / 生成音乐 / 作曲 / 添加背景音乐」这类要求 ——这既符合你的要求，也避开官方失败模式③（一边要配乐一边禁配乐）。

「不要生成音乐」这句话被放在 人物与参考保持一致性 里的 <Audio 1>: fully_copy 那一行——那是官方给音频关系准备的位置， 两边不打架。

0.6 尾帧续接（本技能最关键的连续性机制）

上一段的最后一帧 = 下一段的第一帧。

C1 ──尾帧──▶ C2 ──尾帧──▶ C3 ──尾帧──▶ C4

这是唯一真正硬的连续性证据——模型看到的是同一张图， 比任何文字描述都强。

每出一条，立刻做两件事

# ① 取尾帧（自动挂到下一段的首帧上）
python3 scripts/mvstudio.py lastframe --video out/C1.mp4 --segment C1 \
    --describe "她右臂抬起，重心在左脚，背景是注册标记构成的平面世界"

# ② 让用户确认这一条
python3 scripts/mvstudio.py confirm --step prompt-01
python3 scripts/mvstudio.py confirm --step chain-01

取帧工具降级：ffmpeg → macOS 自带 AVFoundation（本机实测可用， 能取 2560×1440 精确尾帧）→ 平台导出（小云雀 / MiniMax Design 时间轴都能导出单帧）。 绝不拿首帧冒充尾帧——取不到就明确报错并让你去平台导出。

⚠️ 两条硬约束

1. 画风转换放在段内，不要一上来就换风。 尾帧会把上一段的画风也带进来。所以续接段的结构是： 0–1.5s 同画风同姿势连续动作 → 1.5s 后在段内转场到本段新画风。 这样「接得上」和「换画风」同时成立，而且转场本身成了视觉事件。

2. 续接段不要换姿势。 第三方现场经验（未官方证实）：首尾帧垂直位移超过画面高度 12% 容易肢体撕裂。 我们按保守一侧处理：宁可不换姿势，也不要撕裂。 所以 chain_continuity 是必填——写清楚「起手怎么接上一帧的姿势」。

0.65 全片怎么结束（不一定要站定）

站定是最偷懒的收尾。 最后一个动作决定观众记住什么，所以让用户挑。

python3 scripts/mvstudio.py endings              # 菜单（中英双语）
python3 scripts/mvstudio.py endings --pick reach_and_crack
python3 scripts/mvstudio.py confirm --step ending

八种可直接写进【内容提示词】的收尾效果，按音乐的收束性格排序：

⚠️ 所有收尾都不改变人物身份：不许融化、变粒子、换脸、换服装。 消失的是「画」，不是「人」。

收尾描述会被直接拼进粘贴区，所以它们零 Markdown（强调留在菜单里）。

校验器会拦：没选收尾效果 → 红；末段【内容提示词】没带上选定的收尾 → 红。

0.66 运镜：六层，而不是一层

H3 只认它官方那 20 个运动词。 所以「丰富角度」不能靠编新词，只能靠分层：

景别 shot_size  →  角度 angle  →  构图 framing  →  焦 focus
      →  官方运动词 camera（+ 幅度 + 速度）  →  相机与主体的关系  →  这一下要揭示什么

原来缺的不是运动词，是角度层。 只有平移推拉当然单调。

三条硬规矩

1. 固定镜头必须再用自然语言加一次锁。 模型天生要制造运动，远景会自己飘： "The camera is entirely motionless for the duration of the scene, with movement only occurring from the subject."
2. 运动镜头必须写「相机与主体的关系」（跟随 / 引导 / 同步 / 静观…）。 不写 → 模型让两个运动各走各的，表现为抖动、人物像在飘。
3. 运镜丰富 ≠ 运镜展览。 每段运动镜头 ≤ 一半，其余压回固定镜头； 多出来的动感交给 2D 专属招（机位不动、画面在动）。

python3 scripts/mvstudio.py camera --md          # 打印完整词表
python3 scripts/mvstudio.py camera --map whip_pan # 实拍术语 → 官方词

实拍术语（crane_up / whip_pan / dolly zoom）只用于思考， 输出前一律经 cinematic_to_official 映射回官方词——20 条映射表， 每条带幅度、速度与理由。不变量：每个映射目标都在官方 20 词内（测试强制）。

完整说明与来源见 references/camera-vocabulary.md。

0.7 每一个步骤都要让用户确认

确认点（落盘在 workspace/confirmations.json，可查、可撤销）：

gate → analyze → lyrics → canon → threeview → styles → segments → motion → ending
  → prompt-01 … prompt-N     每一条提示词
  → chain-01  … chain-N      每一段的输出与尾帧
  → render → validate → pack

python3 scripts/mvstudio.py confirm --status      # 还有哪些没确认
python3 scripts/mvstudio.py confirm --step canon   # 确认某一步
python3 scripts/mvstudio.py confirm --all          # 一次确认全部
python3 scripts/mvstudio.py confirm --revoke canon # 撤销

未确认时 render 与 pack 会拒绝继续（exit 5）， 除非显式加 --unattended。

顺序上有个细节：稿子还没填完时，「先填稿」比「先确认」更根本， 所以就绪检查排在确认闸门之前。

0.8 平台适配：小云雀 / MiniMax Design

两个平台都有切割功能，本技能把它们用上：

切割怎么用：音乐由本技能切（14.5s，吸附小节线），画面由平台裁。 每条约 15.083 秒、音乐 14.226 秒，多出的 0.58 秒用作接缝重叠量 （在最快的那一下动作里切）。MiniMax Design 上一句话即可： 「把每条视频裁掉最后 0.6 秒」。

别用平台的自动分镜：有公开实测反馈说它容易切得过碎。 本技能已经把镜头数钉在每段 2–4 个、切点落在小节线上。

详细落地步骤、两个平台各自的坑、以及每条结论的来源与可信度， 见 references/platform-playbook.md。

python3 scripts/mvstudio.py platform --platform xiaoyunque
python3 scripts/mvstudio.py platform --platform minimax-design

1. 三条硬闸门（不通过就不许往下走）

闸门 1 · 时长（>3 分钟 = 失败）

必须真的读取音频时长，禁止根据文件名猜。

• duration > 180s → 输出「当前 Skill 默认支持不超过 3 分钟的歌曲。该歌曲长度为 XX:XX。」并停止正式 Prompt 编译。绝不自动截断用户的音乐。
• ≤ 180s → 继续，并自动协助用户切分音乐。

闸门 2 · 材料

必须：一首歌 + 一张人物参考图。缺任何一个都停下来要材料，不要硬产出一份 不能用的东西。歌词时间轴不是必需（缺了降级为 Music-Semantic Mode）。

闸门 3 · 人物 Canon

必须填满 hair / eyes / face / costume / accessories / silhouette 与 stable_identifiers。缺任何一项，渲染器拒绝输出——宁可不生成，也不生成会漂移的东西。

2. 一句话工作流

路径约定：下面的 <本skill目录> 是技能安装位置。如果它不可写（放在共享/只读位置）， 用 --project <可写目录> 指定工作目录，其余命令不变；--project 放在子命令前后都一样。

cd <本skill目录>

# ① 第 0 步：材料闸门 + 时长闸门（先跑这个，别直接开工）
python3 scripts/mvstudio.py gate --audio song.mp3 --image char.png

# ② 跑完全部确定性步骤（音乐实测 / 歌词 / Canon 骨架 / 三视图规格 /
#    14.5 秒切分 / 真的切音频 / 画风路线菜单 / 草稿导演稿）
python3 scripts/mvstudio.py all --audio song.mp3 --image char.png

# ③ 只有这一步需要你：填导演稿
#    workspace/analysis/director_plan.json（人读版 director_worksheet.md）

# ③.5 让用户挑全片怎么结束
python3 scripts/mvstudio.py endings
python3 scripts/mvstudio.py endings --pick reach_and_crack

# ④ 让用户确认每一步（未确认时 render/pack 会拒绝）
python3 scripts/mvstudio.py confirm --status
python3 scripts/mvstudio.py confirm --step segments
python3 scripts/mvstudio.py confirm --all      # 或逐个确认

# ⑤ 渲染 + 校验 + 打包
python3 scripts/mvstudio.py render
python3 scripts/mvstudio.py validate      # exit 0 才算过
python3 scripts/mvstudio.py pack --platform xiaoyunque

逐条生成时的循环（每一条都要走）：

python3 scripts/mvstudio.py render                     # 一次渲染全部提示词
# 在平台上生成 C1 → 取它的尾帧 → 挂到 C2 → 确认
python3 scripts/mvstudio.py lastframe --video out/C1.mp4 --segment C1 \
    --describe "这一帧里看到了什么"
python3 scripts/mvstudio.py confirm --step prompt-01
python3 scripts/mvstudio.py confirm --step chain-01
# 再生成 C2 …… 顺序不能乱：尾帧是下一条的首帧

交付：output/latest/minimax_h3_prompts.md、output/latest/交付包/。

3. 逐步执行

Step 1 · 材料与时长闸门

python3 scripts/mvstudio.py gate --audio <歌> --image <人物图> [--lyrics <歌词>] --json

退出码：0 通过 / 3 阻断（缺材料或超 3 分钟）。

Step 2 · 音乐实测（不是装饰）

python3 scripts/mvstudio.py analyze

产出 BPM、拍网格、onset、RMS 包络、音色亮度、段落、高潮、低谷、收束性格。

这些数字必须真的影响：动作幅度、剪辑速度、背景密度、抽帧程度、hold frame、 图形速度、色彩密度、转场、高潮、收束。

⚠️ 最容易忽略的一条：音量最大的一章，往往不是打点最猛的一章。 实测某曲 CH3 的 RMS 最高、低频最厚、亮度最暗——它是重量，不是五彩爆炸； onset 峰值在 CH4，那才是碎裂/释放该放的地方。 别按「越来越响 → 越来越花」设计。

Step 3 · 歌词

python3 scripts/mvstudio.py lyrics

来源优先级（严格）：内嵌 → .lrc → .srt → .vtt → .txt → ASR。 已经有可靠歌词就不要重复 ASR。

⚠️ ASR 只能当草稿。 实测把「王子」转成过「滑走」。 ASR 结果一律标 [ASR uncertain] 并要求人工核对。 提示词里保留原歌词语言；内部可以自己做中文语义解释。

确认无人声 → 切 Music-Semantic Mode：用节奏、音色、能量、和声情绪、结构变化 设计视觉，而不是放弃。

Step 4 · 人物 Canon（唯一真相）

python3 scripts/mvstudio.py canon

脚本给机械测量（尺寸／画幅／主导色／明暗与饱和基调）和一份工作副本。 然后你必须用视觉能力真的去看那张工作副本 （workspace/character/canon_reference.*），把 character_canon.json 填满。

• Level A（绝对不可改变）：脸、五官比例、眼型、眼睛颜色、发型、发色、刘海、 年龄感、身体比例、核心服装结构、核心配饰。
• Level B（高优先保留）：小花、纽扣、绑带、袜子图案、鞋子细节、局部图案。
• 渲染字段：hair / eyes / face / costume / accessories / silhouette / stable_identifiers。

STYLE CHANGES THE WORLD, NOT THE CHARACTER.

Step 5 · 三视图（把「只有一张图」变成「转面表」）

python3 scripts/mvstudio.py threeview

一张正面图丢给视频模型，转个身脸就崩。三视图（正面 / 四分之三 / 侧面 / 背面

• 头部特写 + 色标）把发型体积、侧面轮廓、背面服装结构钉死——这是人物一致性 最便宜的一道保险，并且它同时解决了「用户只有一张图」和「N 条各自独立生成」 之间的矛盾。

output/latest/threeview.md 里有可直接粘贴的中英双语提示词 + 负向词。 出图后放进 input/character/threeview.png，重跑 canon，它会自动认出来， 并在交付时作为 <Picture 2> 一起上传。

Step 6 · 画风路线（这一步必须让用户选）

python3 scripts/mvstudio.py all            # 菜单落在 output/latest/style_routes.md
python3 scripts/mvstudio.py styles --pick <route-id>

不要问用户「你想要什么风格」——那样得到的通常是「日系」「赛博朋克」这类 泛化词。真正决定成片差别的是融合语法。所以给的是 4 条语法完整的路线：

每条路线自带 ≥3 种画风的递进（用户要的「不同艺术风格环境」）， 排序按歌词意象命中数——菜单本身就是「画风与歌词呼应」的第一层证明。

允许按段混搭：用户可以说「第 2 条的 C1+C3，第 4 条的 C2」。

风格词一律先查 ~/Desktop/art-aesthetic-vault（147 个流派）。 禁止凭记忆编造流派术语。 库不在时降级到内置媒介池，并在报告里写明。

Step 7 · 分段（14.5 秒生成单元）

python3 scripts/mvstudio.py segments

• segment_count = ceil(duration / 14.5)，最多 13 段。
• 切点吸附到小节线（容差 1.5 拍）；小节线够不着就退到拍线；再不行才用精确秒。 不迁就整数秒——为凑整数把切点从重拍上挪开，正好毁掉节奏同步。
• 吸附不许突破 H3 的 15 秒硬上限。宁可回到拍线，也不生成一条模型收不下的 prompt。
• 音频真的被切出来（workspace/segments/C01.wav …），与提示词用同一份边界。 切点吸附到最近过零点避免爆音；不默认加淡入淡出——这些段要首尾相接拼回去。

14.5 秒是 GENERATION UNIT，不是 SEMANTIC UNIT。 一句歌词从 13s 唱到 18s，则 Prompt 01 与 Prompt 02 都必须表达同一意象， 不能因为 14.5 秒到了就换场景。

H3 时长契约（表里会逐段列出）：

duration 只接受 4–15 的整数，而帧网格是 17k+5—— 请求 6s 实际只吐 5.875s。所以换算规则不是「向上取整」，而是 「取实出时长 ≥ 音乐长度的最小整数」，否则用户会丢音乐。

Step 8 · 你的创作（唯一的创作步骤）

填 workspace/analysis/director_plan.json。顺序不能颠倒：

歌词 → 歌词真正的意义 → 视觉隐喻 → 人物动作 → 场景机制 → 画面元素 → 艺术媒介 → 镜头

错误顺序（禁止）：想一个很酷的风格 → 放一些好看的元素 → 最后强行解释歌词。

必须产出：

1. mv_concept：一句话核心概念。 例：一个人的身体始终不变，但所有定义她的外部世界不断改变。
2. lyric_semantic_map：逐句理解（字面／情感／心理／主隐喻／次符号／实物／ 动作／空间隐喻／转化）。不必每格都填，但必须真的理解。
3. motif_dictionary + 进化：同一母题要演化—— 镜子 → 镜框 → 复制镜框 → 错版镜框 → 碎裂框架 → 空框。 不要每 14.5 秒发明一个新宇宙。
4. visual_arc：整条视觉发展弧线，必须由歌词推出。 禁止每首歌都「铅笔 → 拼贴 → 几何 → 白色」。
5. art_direction.why_this_medium：回答「这个媒介为什么属于这首歌」。
6. 每段的创意字段 + 镜头表（见下一步）。

三条属于本技能的硬要求

① 歌词里的元素必须在画面背景里体现。

background_lyric_elements 不是装饰词表，它是可校验的： 每个元素都必须能从这一段的歌词推出来（机器会做最长公共子串／整词匹配）。 推不出来 → 判定为随机装饰元素 → 校验失败。

这条把「歌词与画面融合」从形容词变成了断言。

② 歌词与人物动作必须吻合。

lyric_action_binding 逐句绑定： 「抓不住」→ 连续三次向前抓，每次都差一点； 「他们要我微笑」→ 每个重拍用手势形成固定「规定笑容」。 每条绑定都要挂上第几拍。

③ 创作字段的语言 = 粘贴块的语言。

environment_system / overall_soundscape / content_prompt / action / choreography 会被原样拼进正文，所以英文路线（默认）下必须写英文； 只有逐字引用的歌词与背景实物名保留原语言（官方 O13）。 写中文句子进去，校验器会给 warning。

④ 运镜先锋，但必须同时匹配人物、歌词、动作、节奏。

• 只能用 MiniMax H3 官方运镜词表（20 个），写全「类型 + 幅度 + 速度」， 写成自然英文动作。自造词（graphic push-in / snap zoom / dolly / 3D orbit） 会被校验拦下。
• 2D 限制感优先：Static Shot + 强动作 优于复杂摄影机运动。 不要每个镜头都动。
• 先锋性来自画幅裁切、构图变化、二维空间关系、抽帧、图层、平面置换， 不是摄影机乱飞。空间深度靠：前景纸层 + 人物赛璐珞 + 背景插画 + 图形叠加 + 多层视差。

Step 9 · 渲染与校验

python3 scripts/mvstudio.py render     # 草稿会被拒绝（exit 2），不会瞎编
python3 scripts/mvstudio.py validate   # exit 0 才算过

渲染器保证：

• 每条 prompt 结构固定、自包含（重新声明完整 Canon）+ 连续（承接上一段）；
• 人物一致性措辞由渲染器保证存在，不由你的自由文本保证；
• non_diegetic_music: N/A（音轨是原曲 1:1 复用，不让模型编配乐）；
• 空段落、Markdown 加粗、超 7000 字符一律拦下。

Step 10 · 交付

output/latest/
├── minimax_h3_prompts.md   ← 主交付物（中文简报 + H3 原生粘贴块）
├── storyboard.md           ← 分镜总表（卡点/歌词/画风/动作/运镜 一表看清）
├── style_routes.md         ← 4 条画风路线（给用户挑的）
├── threeview.md            ← 三视图提示词
├── character_canon.md
├── music_analysis.md / lyrics_timeline.md / cut_sheet.md
├── validation.md           ← 校验报告
└── 交付包/                  ← 任何画布都能跑的上传包
    ├── 00-材料清单.txt
    ├── 01-上传顺序与操作单.md
    ├── 02-画布智能体指令.txt
    ├── segments/C01.wav …
    └── prompts/PROMPT-01.txt …

历史结果不覆盖：all 每次开始会把上一轮 output/latest/ 归档到 output/archive/YYYYMMDD_HHMMSS/。

4. 硬规则（违反即失败）

人物

1. 每条 prompt 都重新声明完整 Character Canon（在全参考模式的 subject_definitions / retention_analysis 里）。写 same girl 是错的。
2. 明确禁止：换脸 / 身份漂移 / 换发型 / 换发色 / 换服装 / 删配饰 / 年龄漂移 / 身体比例改变 / 角色重设计 / 写实化重演 / 变成另一个角色。
3. 风格只能改世界，不能改人。人物可爱也照样用严肃的导演语言。

歌词

4. 谁在画面里由参考图决定，画什么由歌词决定，什么时候变由音乐决定。
5. 优先 Level 2（心理隐喻）与 Level 3（结构规则），少用 Level 1（字面插画）。
6. 间奏：继续上一句的后果 → 发展已有母题 → 为下一句埋伏笔 → 最后才抽象。
7. 全片换到别的歌也成立 → FAILED，重做。

画风与歌词的呼应

8. background_lyric_elements 必须能从本段歌词推出，否则删掉。
9. 一条 MV 至少穿越 3 种不同画风（用户要的「不同艺术风格环境」）。
10. 风格词先查库，不许凭记忆编造流派术语。

2D

11. 明显 2D、limited animation、平面构图意识、动画限制感。
12. 不用 3D 运镜；不用 neon city / cyberpunk / 魔法蝴蝶 / 银河 / 粒子漩涡 / 大逆光 / 随机漂浮物（除非歌词明确需要）。
13. 深度靠图层，不靠透视。

舞蹈

14. 人物始终在跳舞，不拍剧情短片。
15. 动作与这句歌词有关，重拍在音乐上，相邻段动作连续。
16. 优先安全语汇，慎用 360 旋转 / 后空翻 / 地躺 / 极端透视。

尾帧与平台

17. 第 2 条起必须接上一段的尾帧；画风转换放在段内，不换姿势。
18. 取不到尾帧就明确报错并让用户去平台导出，绝不拿首帧冒充尾帧。
19. 提示词里绝不出现生成音乐/配乐的要求（用户已上传原曲）。
20. 用户没确认的步骤，render / pack 拒绝继续。

流程

21. 音超过 3 分钟：阻断并说明，不自动截断。
22. 缺工具就降级并写清楚影响（references/fallback-ladder.md），不静默编造。
23. 交付前必须 validate 通过。未通过不许说 DONE。

5. Definition of Done

[ ] 音乐已读取（真实探测，非文件名猜测）
[ ] 时长 ≤ 180s（>180s 已阻断并说明，未截断用户音乐）
[ ] 歌词已识别（或明确标记 needs_manual_lyrics / instrumental）
[ ] Character Canon 已建立并填满渲染字段
[ ] 三视图已产出并作为 <Picture 2> 引用
[ ] 用户已在 4 条画风路线里选定一条
[ ] 歌词语义已分析（lyric_semantic_map）
[ ] 完整视觉 Arc 已建立（由歌词推出）
[ ] 段数 = ceil(duration / 14.5) 且 ≤ 13
[ ] 每段切点已吸附到小节线/拍线（或明确说明为何未吸附）
[ ] 每段的 background_lyric_elements 都能从该段歌词推出
[ ] 人物舞蹈连续（continuity_from_previous / hook_to_next 都有内容）
[ ] 运镜全部是官方词表，且写全「类型 + 幅度 + 速度」
[ ] 整条 MV 穿越 ≥3 种画风
[ ] 每段 H3 prompt 结构完整、≤7000 字符、零 Markdown
[ ] 音频段已真的切出来（或已产出切分清单并说明原因）
[ ] 用户已选定全片唯一的 hook 动作，且副歌段都带上了它
[ ] 每段的循环表放得下（总拍数 ≤ 本段实际拍数）
[ ] 用户已从 endings 菜单里选定收尾效果，且末段提示词带上了它
[ ] 每一条都用固定六段结构（人物与参考保持一致性 / 风格提示词 / 内容提示词 /
      integrated_multimodal_description / overall_soundscape / non_diegetic_music）
[ ] 提示词里**没有**任何生成音乐/配乐的要求，non_diegetic_music: N/A
[ ] 第 2 条起都取了上一段的尾帧、写在【内容提示词】的「延续上一帧」里、并作为首帧上传
[ ] 每一个步骤都已由用户确认（confirmations.json 无 pending）
[ ] python3 scripts/mvstudio.py validate 退出码 0

6. 参考文件

7. 全部命令

测试：python3 -m unittest discover -s tests -t tests -v（62 项，零第三方依赖）。