# Video Reference Analysis

> 分析本机视频或单条视频链接，按画面结构、镜头、服装、光影、动作和节奏进行视觉复刻拆解，输出逐镜头生成提示词、完整视频提示词和可选分镜图方案。 用户上传视频并说“分析这个视频”“看看这个视频”，或要求复刻、还原、翻拍、逆向分析、拆解竞品或爆款视频、提炼仿拍结构、生成无字幕分镜方案或保存参考模板时使用；不承诺真实身份 1:1 克隆，不负责直接提交视频生成。

- Skill: `zmgid/video-reference-analysis-2` (Agent Skill, multi-file: 3 files)
- Install (CLI): `npx skillmds@latest add zmgid/video-reference-analysis-2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/zmgid/video-reference-analysis-2/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: zmgid (https://skillmd.com/u/zmgid)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/zmgid/video-reference-analysis-2

---


# 视频视觉复刻与分镜

## 核心目标

普通“分析视频”先交付有时间戳的画面、动作、可见文案和声音分析；只有用户要求复刻或生成时，才输出生成提示词。复刻时目标是视觉重建，不是创意改写。尽量按参考视频的画面结构、镜头、服装、光影、动作和节奏还原，但不能承诺真实的 1:1 身份克隆。

默认使用中文输出，除非用户明确要求其他语言。

当用户同时提供参考视频和自己的商品素材时：

- 参考视频决定镜头结构、动作顺序、场景、构图、光线、色彩和节奏。
- 用户商品素材决定商品外形、颜色、材质、部件、图案和原生品牌标识。不得把参考视频里的商品替换成错误商品，也不得凭空改造用户商品。
- 若素材不足以确认商品背面、内部、细节或使用方式，明确列为待补素材，不猜测。

分析阶段只读，不选择本地/API 路线，不查询余额，不连接 ComfyUI，也不调用视频生成接口。

## 标准工作流程

1. 检查用户提供的本机视频路径、附件或单条视频链接是否可访问。
2. 调用 `video-analyzer` MCP 的 `analyze_video`，默认使用 `standard` 细节级别，提取时长、画幅、音轨、转录、OCR、时间线和代表性关键帧。
3. 先检查工具返回的 `warnings`。`transcript: []` 且提示无转录后端时，标明“口播未转录”，不能判断口播语言、有没有价格/优惠/规格、卖点或说服力；音量检测不能替代听音或转录。可见葡语文字只能证明画面文字语言，不能证明口播语言或销售地区。缺少字幕、音轨或部分帧时仍可分析已看到的内容，但必须说明未验证项；不要猜测听不清的台词、商品功能、销售数据或画面外信息。
4. 检查关键帧是否覆盖开头、中段、结尾。`standard` 可能只返回一张代表帧，不能据此认定全程静止或一镜到底。宿主每个工具结果最多内联 4 张图；按具体时间段用 `get_frame_burst`，每次 `count <= 4`，核对时间顺序。收到超限提示后，未传入的帧不算看过；需要确认的动作或结尾要补取。写提示词前必须先视觉检查所选高清帧的顺序。只有关键动作、转场、姿态或文字变化无法判断时，才对对应时间段调用 `analyze_moment` 或 `get_frame_burst`；不要无目的地抓取整段密集帧。
5. 识别并分开记录：
   - 后期字幕、标题、贴纸、价格、按钮和 UI 覆盖层。
   - 商品包装或商品本体上原生存在的文字、Logo 和图案。
   - 口播、对白、旁白和其他声音信息。
6. 如果用户没有要求保留字幕，不要把后期字幕或画面文案加入图像/视频生成提示词。如果用户明确说“不要字幕”，提示词和负面提示词都必须明确排除新增字幕和文字覆盖层。
7. 按动作、景别、人物姿态、场景或明显转场，将视频拆成全部自然镜头。不要为了凑固定数量合并明显不同的镜头；后续分镜图可以从完整拆解中选 4–8 个代表性镜头。
8. 为每个镜头完成结构化拆解和一段可直接使用的纯文本生成提示词。
9. 输出带镜头编号和时间戳的完整分镜脚本、串联后的完整视频提示词、负面提示词，以及可选的分镜图提示词。

## 每个镜头必须描述的内容

- **视频文案**：记录原视频可见字幕/文案；没有则写“无可见字幕或画面文案”。它与生成提示词分开，不自动带入生成画面。
- **核心画面 Subject**：主要人物、商品、物体、景观、动作、姿态和表情。
- **环境背景 Environment**：室内/室外、地点、时间、天气、道具、背景元素和空间层次。
- **艺术风格 Art Style**：写实、电影感、时尚画册、真实 UGC、纪录片、生活方式广告、水彩或赛博朋克等。
- **构图与镜头 Composition & Camera**：画幅比例、景别、机位高度、角度、镜头运动、焦段观感和景深。
- **细节与灯光 Details & Lighting**：主光方向、色温、材质、颜色、纹理、反射、阴影和氛围。
- **声音**：对白、旁白、环境声、音效和音乐的作用；听不清或不存在时如实说明。
- **生成提示词**：用简洁但具体的纯文本串联以上可见事实，包含主体动作、镜头运动、灯光、节奏和风格，不包含用户未要求保留的字幕、贴纸、第三方 Logo、水印或 UI 覆盖层。

## 本地口播转录

内置分析器会优先识别 `~/.local/bin/whisper`（可用 `WHISPER_BIN` 指定其他安装位置），默认使用多语言 `small` 模型。首次运行下载模型，后续复用本机缓存；不需要生视频供应商的 API Key。用 `get_transcript` 即可单独取带时间戳的口播。不要因画面字幕语言而强制口播语言；自动识别明显有误时再用 `options.language` 重试。只有报告缺少后端时才需要安装，不能忽略实际转录错误而要求重复安装。

### 首次安装与状态

- 用户需要分析口播/音频时，先读取 `providers.json` 同目录的 `speech-runtime.json`，并检查其中的程序和模型文件是否仍存在。已就绪直接用，不重复询问或下载；没有状态但已安装时，验证后补记状态。
- 未安装时只问一次：“需要安装本地 Whisper，small 模型约 464 MB，连运行依赖约 1.2 GB；无需 API Key，是否安装？”用户同意后执行 `uv tool install --python 3.12 openai-whisper`，再调用 `get_transcript` 完成首次模型下载与验证。已有安装授权则继续；用户拒绝则只分析画面并说明音频未分析。
- 状态文件记录 `status`（`installing` / `ready` / `failed`）、`backend: "whisper"`、`model: "small"`、`executable`、`modelPath`、`updatedAt`；成功转录后才标记 `ready`，失败附简短 `error`。状态保存在用户配置目录，不写进插件、模板或仓库；不得保存密钥或口播内容。文件丢失或运行失败时更新状态并诊断，不因状态曾是 ready 就跳过实际错误。

## 证据边界

按时间戳区分“直接看到”“推测”“未验证”。未看到开盒、旋转等动作，不编造“开盒瞬间”或“360° 展示”；商品产地、材质、卖家来源、售价和销售数据没有证据就不推断。音频缺失时照常交付画面分析，把口播相关评价列为待验证，不把报告写成音画均已完整分析。

## 默认输出结构

### 一、视频基础信息

- 视频时长：
- 源视频画幅比例：
- 场景类型：
- 主要主体：
- 整体风格：
- 音频概况：
- 未验证项：

### 二、原视频可见文字、字幕与声音

- 后期字幕/画面文案：按镜头记录；没有则写“无可见字幕或画面文案”。
- 商品原生文字/Logo：单独记录，避免在去字幕时误删商品本身的必要标识。
- 口播/对白/旁白：按镜头记录；没有或无法验证时如实说明。

### 三、镜头拆解

每个镜头严格使用以下格式：

#### 镜头 X｜00:00–00:00

- 视频文案：
- 核心画面：
- 环境背景：
- 艺术风格：
- 构图与镜头：
- 细节与灯光：
- 声音：
- 生成提示词：

提示词必须达到生产可用标准，并明确镜头顺序、时间段、主体动作、镜头运动、灯光和视觉风格。用户要求纯文本时，不使用表格。

### 四、完整视频生成提示词

- 按镜头顺序串联全部镜头，保留参考视频的动作节奏和转场关系。
- 明确主体一致性、商品一致性、场景连续性、镜头运动、光影、节奏和风格。
- 若用户未要求保留文字，明确不要新增字幕、文字覆盖层、贴纸、第三方 Logo、水印或 UI。
- 这是模型中立的制作底稿，不声称同一段文字对所有视频模型都是最佳原生格式。

### 五、负面提示词

必须输出负面提示词。默认基础版本：

`no added subtitles, text overlays, third-party logos, watermarks, stickers, distorted hands, distorted face, wrong body proportions, outfit deformation, product deformation, background jumps, plastic skin, unwanted 3D or cartoon style`

根据视频内容补充具体禁忌。若需要忠实保留用户商品本体上的原生文字、Logo 或包装图案，应明确写“保留商品原生标识”，上面的排除项只针对新增覆盖文字、第三方标识和水印。

有些下游模型没有独立负面提示词字段。交接时由对应模型适配技能决定将其放入独立字段，还是改写为正向限制；不得静默丢弃。

### 六、分镜图提示词

- 默认制作竖版 9:16 专业分镜图。若源视频为横版且用户要求保留横版，则按源视频横版处理。
- 根据视频长度和视觉变化，从完整镜头拆解中选取通常 4–8 个代表性镜头卡片。
- 每张卡片左侧为无字幕缩略画面，右侧为简短执行备注。
- 缩略画面不出现新增字幕、字幕条、贴纸、第三方 Logo、水印或 UI 覆盖层。
- 保留参考视频的主体身份类别、服装、姿态顺序、场景、光线、色彩调性和镜头节奏。
- 分镜图里的文字只用于卡片右侧执行备注，不嵌入左侧缩略画面。

只有用户明确要求生成分镜图时，才调用图像生成工具制作；仅要求分析或提示词时，不生成图片。

## 复刻边界

- 推荐表述：“尽量按画面结构、镜头、服装、光影和动作还原。”
- 不把目标描述成对真实人物身份的 1:1 克隆。
- 原视频的字幕信息可以记录在“视频文案”部分，但无字幕生成提示词不得包含这些文字。
- 不把销量、功效、材质、认证或其他未验证卖点写成事实。
- 不自动复制第三方品牌、人物身份、逐字文案、音乐或对白；若它们是分析对象，单独记录其功能和出现位置，再给出可替换槽位。

## 交给视频生成技能

本技能负责分析、视觉复刻分镜和模型中立提示词，不直接提交生成任务。

- 用户要实际生成视频时，将已确认的拆解作为制作依据交给 `ecom-h3-video`，继续遵守路线选择、费用提示和最终剧本确认。
- MiniMax H3 或对应 ComfyUI 工作流的最终提示词由 `h3-prompt-writing` 转成模型原生结构。
- Grok 生成由 Grok 视频适配技能处理其接口支持的提示词与参数。
- 如果已经按用户商品完成复刻改编，`video-director` 应把本报告当作视觉结构约束，不得另起一个无关创意；只有用户要求改编创意时才重写导演方案。

## 保存参考模板

- 用户要求“分析并保存”时，完成当前分析后直接保存并展示摘要；未要求保存时不自动入库。
- 读取 [templates/_template.json](templates/_template.json) 作为格式样例，按 [共享模板说明](../../TEMPLATES.md) 在共享目录保存 JSON。
- 保存经确认的视觉结构、逐镜头拆解、生成提示词、负面提示词、分镜图规则和改编槽位。保留来源标签以便追溯，但不要把原品牌、人物身份、逐字文案、音乐或未经验证卖点固化成默认生成内容。
- 这里保存的是参考模板，保留 reference_template 标记；只有实际成片经用户确认可用时，才记入 validated_from。

共享目录可直接写入，不依赖插件源码，也不需要维护者代为入库。

## Dsivio 内置版

对话使用本 Skill 的原始脚本和 MCP。查找、保存或修改模板时读 [共享模板说明](../../TEMPLATES.md)，直接读写共享文件夹；不创建页面任务或同步草稿。运行环境由应用提供，内置副本随应用更新。

## 视频配置在哪

视频页面和本插件共用一份 `providers.json`，页面保存后下次脚本调用直接生效，不需要重复配置。路径优先取 `DSVIDEO_CONFIG_PATH`；否则 Windows 为 `%APPDATA%/dsvideo/providers.json`，macOS/Linux 为 `${XDG_CONFIG_HOME:-~/.config}/dsvideo/providers.json`。
用户问模型或配置时，运行 `python <插件根目录>/scripts/dsvideo_config.py show`（密钥脱敏），查看 `providers.grok` / `providers.minimax` / `providers.comfy` 的 `model` 和 `base_url`。MiniMax-H3 路线模型固定为 MiniMax-H3；ComfyUI 模型由工作流决定。旧环境变量显式覆盖时说明来源。生成仍使用插件自己的脚本和 MCP。

## 仿拍需求的交接

交给生成技能时一并传递商品素材、选定镜头、口播/对白、语言、声音和字幕要求。无真人不等于无旁白，无字幕不等于无音轨。用户后续仅修改路线或时长时保留其余已明确要求，不重新默认成静音商品展示。