anycap-media-production

AnyCap 媒体制作

开始前请通读整个文件。 本文涵盖图像、视频、音乐和音频的完整制作工作流，包括根据人工反馈进行迭代优化。

使用 AnyCap 制作媒体素材的工作流指南。涵盖图像、视频、音乐和音频，从初次生成到迭代优化，再到交付。

本技能介绍如何制作媒体。CLI 命令参考和参数请阅读 anycap-cli 技能。

前提条件

必须已安装并完成身份验证的 AnyCap CLI。如需设置帮助，请阅读 anycap-cli 技能。

快速参考

媒体	生成	优化	通常耗时
图像	anycap image generate	添加标注 + 图生图	5-30s
视频	anycap video generate	调整参数后重新生成	30-120s
音乐	anycap music generate	调整提示词后重新生成	30-90s
音频	anycap audio generate	调整提示词或参考素材后重新生成	取决于模型

所有生成命令都遵循相同模式：

1. Discover models    anycap {cap} models
2. Check schema       anycap {cap} models <model> schema [--mode <mode>]
3. Generate           anycap {cap} generate --model <model> --prompt "..." -o output.ext

务必从实时模型目录中选择模型 ID，并在使用特定模型参数之前检查所选模式的架构。务必使用 -o 并指定描述性文件名。

图像制作

文本生成图像

根据文本提示词生成图像：

anycap image generate \
  --prompt "a cozy home office with a wooden desk, laptop, coffee cup, and plants by the window" \
  --model <model-id> \
  -o workspace-v1.png

图生图（编辑 / 转换）

使用参考图像和 --mode image-to-image 来编辑或转换现有图像：

anycap image generate \
  --prompt "make it a watercolor painting" \
  --model <model-id> \
  --mode image-to-image \
  --param images=./photo.png \
  -o photo-watercolor.png

参考图像可以是本地路径或 URL。CLI 会自动处理上传。

多张参考图像

某些模型支持多张参考图像，可用于风格迁移、构图融合或基于主体生成。使用 JSON 数组语法传入多个文件：

# Combine style from one image with composition from another
anycap image generate \
  --prompt "merge the architectural style of the first image with the color palette of the second" \
  --model <model-id> \
  --mode image-to-image \
  --param images='["./style-ref.png","./color-ref.png"]' \
  -o blended.png

# Mix local files and URLs
anycap image generate \
  --prompt "a portrait in the style of the reference images" \
  --model <model-id> \
  --mode image-to-image \
  --param images='["./local-ref.png","https://example.com/style-ref.jpg"]' \
  -o portrait-styled.png

提示：

• 使用 JSON 数组语法 '["path1","path2"]'——重复使用 --param images= 会覆盖而非追加。
• 数组中的本地文件路径会自动上传，与单文件模式相同。
• 并非所有模型都支持多张参考图像。请先检查模型架构。不支持时，模型通常只会使用第一张图像。

使用标注进行迭代优化

仅靠文本提示词无法准确描述所需编辑（例如“把这个移走”“移除那个特定物体”“更改这片区域的颜色”）时，请使用标注工作流。完整的标注指南（包括 URL/视频审阅、无头访问、录制内容分析和多用户协作）请阅读 anycap-human-interaction 技能。

graph TD
    A[Start: concept or existing image] --> B{Have an image?}
    B -->|No| C[Generate initial image]
    B -->|Yes| D[Human annotates the image]
    C --> D
    D --> E[Build prompt from annotations]
    E --> F[Generate with image-to-image]
    F --> G[Show result to human]
    G --> H{Satisfied?}
    H -->|Yes| I[Done -- deliver final asset]
    H -->|No| D

第 1 步：生成或使用现有图像

anycap image generate \
  --prompt "a landing page hero banner with mountains and sunrise" \
  --model <model-id> \
  -o banner-v1.png

第 2 步：添加标注

打开标注工具，让用户直观地标记区域、描述所需更改，并可选择录制带旁白的演示。多个用户可以实时协作处理同一会话。

对于 Agent 工作流（非阻塞，推荐）：

anycap annotate banner-v1.png --no-wait -o banner-v1-annotated.png
# Returns: {session, url, poll_command, stop_command}

向用户展示 URL 并请他们添加标注。多人可以打开同一 URL 进行协作。等待用户确认完成后，再执行：

# Fetch the result (single call, no loop)
anycap annotate poll --session <session_id>

# If recording exists, analyze it for visual understanding
anycap actions video-read --file .anycap/annotate/<session_id>/recording.webm \
  --instruction "Describe what changes the user wants"

# Clean up
anycap annotate stop --session <session_id>

对于交互式会话（用户在终端前操作）：

anycap annotate banner-v1.png -o banner-v1-annotated.png
# Blocks until Done click, outputs annotation JSON

标注工具支持四种工具：矩形（R）、箭头（A）、点（P）、自由绘制（F）。每个标注都会获得一个编号标记和文本标签。

第 3 步：根据标注构建提示词

标注输出包含结构化数据。将每个标签转换为连贯的提示词：

{
  "annotations": [
    {"id": 1, "type": "rect", "label": "Replace with a standing desk"},
    {"id": 2, "type": "point", "label": "Add a cat sitting here"},
    {"id": 3, "type": "freehand", "label": "This area should be a bookshelf"}
  ]
}

提示词：“#1：将书桌替换为站立式办公桌。#2：在标记位置添加一只坐着的猫。#3：将圈出的区域改造成书架。保持所有其他元素不变。”

规则：

• 通过编号引用每条标注（#1、#2 等）
• 保留用户提供的标签原文
• 添加“保持所有其他元素不变”，以保留未修改的区域

第 4 步：应用编辑

使用已标注图像（带有视觉标记）作为参考：

anycap image generate \
  --prompt "#1: Replace the desk with a standing desk. #2: Add a cat. Keep all other elements unchanged." \
  --model <model-id> \
  --mode image-to-image \
  --param images=./banner-v1-annotated.png \
  -o banner-v2.png

步骤 5：迭代

如果用户希望进一步修改，请使用最新版本作为输入，并从步骤 2 开始重复操作。为版本文件命名（v1、v2、v3），以便用户比较和回退。

图像提示

• 先广后细。 首次生成可确定整体构图，后续通过标注迭代进行针对性调整。
• 一次只处理一件事。 如果多区域编辑效果不佳，可尝试每轮只添加一个标注。
• 仅使用标注后的图像。 只将标注后的图像作为参考。大多数模型都能识别编号标记，并在输出中将其移除。

视频制作

文本生成视频

anycap video generate \
  --prompt "a cat walking on the beach at sunset, cinematic, slow motion" \
  --model <model-id> \
  -o cat-beach.mp4

图像生成视频

为静态图像添加动画：

anycap video generate \
  --prompt "gentle camera pan across the landscape, wind blowing through trees" \
  --model <model-id> \
  --mode image-to-video \
  --param images=./landscape.png \
  -o landscape-animated.mp4

这对于结合图像生成非常有效：先生成静态图像，再为其添加动画。

视频制作工作流

graph LR
    A[Text prompt] --> B[Generate image]
    B --> C{Animate?}
    C -->|Yes| D[image-to-video]
    C -->|No| E[Done]
    A --> F[text-to-video]
    F --> E
    D --> E

要获得最佳的图像生成视频效果：

1. 先生成高质量的静态图像（如有需要，可通过标注进行迭代）
2. 使用最终图像作为视频生成的参考
3. 视频提示词应聚焦于动作和摄像机运动，而非场景描述

视频提示

• 视频生成需要 30-120 秒。如果运行环境支持，请使用异步执行。
• 查看模型架构，了解支持的参数（aspect_ratio、duration 等）。
• 不同模型擅长不同风格。使用 anycap video models 查看可用模型。

音乐制作

文本生成音乐

anycap music generate \
  --prompt "upbeat electronic track with synth leads and driving bass, 120 BPM" \
  --model <model-id> \
  -o background-track.mp3

音乐生成可能会返回多个片段。提取第一个：

anycap music generate --prompt "..." --model <model-id> -o track.mp3 \
  | jq -r '.outputs[0].local_path'

音乐提示

• 在提示词中具体说明流派、节奏、乐器和情绪。
• 音乐生成需要 30-90 秒。请尽可能使用异步执行。
• 通过架构查看模型参数——部分模型支持 duration、genre、tags。

音频制作

音频生成涵盖语音合成、对话，以及根据文本或参考媒体生成完整的音频场景。场景可以组合人声、背景音乐、环境音和音效；如果交付内容主要是歌曲或纯音乐，请使用单独的音乐功能。

# Discover live modes and controls first
anycap audio models <model-id> schema --mode text-to-audio

# Generate speech with supporting ambience from text
anycap audio generate \
  --prompt 'A calm narrator says: "Welcome to the evening program." Soft room ambience underneath.' \
  --model <model-id> \
  --mode text-to-audio \
  -o evening-introduction.mp3

# Guide a new voice performance with reference audio
anycap audio generate \
  --prompt "create a new spoken welcome with the reference delivery style" \
  --model <model-id> \
  --mode audio-to-audio \
  --param audios=./reference.wav \
  -o guided-welcome.mp3

# Create a narrated audio scene from an image
anycap audio generate \
  --prompt "a guide describes this scene while matching ambience plays underneath" \
  --model <model-id> \
  --mode image-to-audio \
  --param images=./scene.png \
  -o narrated-scene.mp3

使用实时架构了解参考素材限制和音频控制项。本地参考文件会自动上传。如果服务提供方返回时长、大小、字幕和用量数据，JSON 输出会保留这些数据。

交付

素材准备就绪后，请使用合适的方法交付：

# Share via Drive (generates a shareable link)
anycap drive upload banner-final.png
anycap drive share banner-final.png

# Publish as a web page
anycap page deploy ./site-directory

多媒体制作示例

生成宣传素材包的完整工作流：

# 1. Generate hero image
anycap image generate \
  --prompt "modern SaaS dashboard with data visualizations, dark mode, purple accents" \
  --model <image-model-id> -o hero-v1.png

# 2. Refine via annotation (agent asks human to mark changes)
anycap annotate hero-v1.png --no-wait -o hero-v1-annotated.png
# ... human annotates, agent polls result ...
anycap image generate \
  --prompt "#1: Make the chart larger. #2: Change accent color to blue." \
  --model <image-model-id> --mode image-to-image \
  --param images=./hero-v1-annotated.png -o hero-v2.png

# 3. Create an animated version
anycap video generate \
  --prompt "slow zoom into the dashboard, data points animate in sequentially" \
  --model <video-model-id> --mode image-to-video \
  --param images=./hero-v2.png -o hero-animation.mp4

# 4. Generate background music
anycap music generate \
  --prompt "ambient tech background music, minimal, clean, 90 BPM" \
  --model <music-model-id> -o background-music.mp3

# 5. Deliver
anycap drive upload hero-v2.png hero-animation.mp4 background-music.mp3