clips-studio

Clips Studio

通过有计划的阶段生成短视频片段——头脑风暴 → 低成本起草 → 高质量制作成片——使用 fal.ai。这是 image-studio 的动态影像版。分阶段的目的是控制成本和过程：视频是 fal 上最昂贵的内容（约为静态图像的 10–100×），因此先用低成本模型确定创意，再仅针对已确认的片段使用高质量模型制作一次。

此技能会在本地生成文件，供用户审阅和使用。它绝不会发布、公开或发送任何内容作为最终素材。

适用范围与路由

仅在以下条件全部满足时使用此技能：

1. 任务属于生成式视频——根据提示词生成片段、为静态图像制作动画，或在静态图像上进行镜头运动；不包括幻灯片／演示文稿制作、绘图表、仪表板或设计模板自动化。
2. 用户接受数据传输至 fal.ai 以及付费 API 用量。
3. 本地辅助工作流可用，或用户要求你为其准备简报。

以下情况不要使用此技能：

• 静态图像（使用 image-studio）、Canva 风格模板、幻灯片、数据图表、仪表板、流程图或示意图。
• 机密或敏感图像／文档处理。
• 明确要求在当前主机环境中使用原生视频生成工具。

三种模式——先选择模式

选择与用户现有素材及需求相符的模式：

• 文本转视频（generate）——仅根据提示词生成片段，不使用源图像。最适合概念、抽象／动态图形、品牌氛围或 B-roll 风格的片段，且没有静态图像作为起点。它会凭空创造所有内容，因此绝不能用来描绘真实地点、产品或人物——真实照片应使用 animate。
• 为静态图像制作动画（animate）——让现有图像动起来：产品转动、人物互动、场景、树叶／水／光线。片段会为画面中的内容制作动画。
  • **将新主体添加到空场景中（将人物添加到房间、将产品添加到布景）需要分两步完成。**视频模型会为它们看到的内容制作动画；它们无法可靠地凭空创造可信的新主体。因此，先使用 image-studio 将主体添加到静态图像中（通过指令编辑），审阅后，再在此处为添加了主体的静态图像制作动画。
• 镜头运动（camera）——在静态图像上推演镜头运动：缓慢推进、平移、倾斜、浅幅环绕或拉远（营造“3D”／视差效果；室内“3D 视图”）。主体可以保持静止，移动的是镜头。这种模式最容易产生不真实的内容（会凭空创造不可见的几何结构）——保持轻柔的运动，并先阅读 references/motion-honesty-guide.md。

三种模式都使用下方相同的分阶段流程，以及相同的 scripts/falvid.py 辅助脚本（generate / animate / camera）。

开始之前 — 出站数据与预检

生成片段会将提示词（对于 animate/camera，还会将你提供的起始图像） 发送至第三方美国服务 fal.ai，并从其 CDN 下载生成的片段。这会导致数据流向外部。

进行任何 API 调用之前：

1. 确认任务符合范围。
2. 在会话中首次生成之前，确认用户明确同意向 fal.ai 发送数据并使用付费 API。
3. 在更昂贵的 Stage-3 生产运行之前，再次确认用户明确同意——告知预估费用（视频片段每个可能要花几美元）。
4. 检查 scripts/falvid.py 是否存在、依赖项是否已安装、是否设置了 FAL_KEY，以及工作目录是否可写。
5. 对于 animate/camera，只能使用用户有权通过 fal.ai 处理的非机密图像。
6. 使用 falvid.py 打印的确切输出路径；不要根据示例推断文件名。

切勿将机密或敏感图像提交给 fal.ai，例如私人照片、机密文档或任何受 NDA 约束的内容。如果用户要求为敏感内容制作动画，请停止操作并指出数据外传问题，而不要上传。

Stage 1 的头脑风暴只是纯聊天，不会产生数据外传，因此你可以先起草简报，再确认是否发送。

所需准备：一个已开通计费的 fal.ai 帐户，以及 FAL_KEY——可以是环境变量，也可以直接保存在工作文件夹中的文本文件里（任意文件名，例如 fal key.txt）。辅助脚本会自动查找密钥——先查环境变量，再查工作文件夹中的任何小型文本文件，最后查主目录——并根据内容识别密钥（形如 FAL_KEY=your-key 的行，或原始 id:secret 密钥），因此检查之前不要向用户索要密钥；只有找不到时才询问。它使用 fal-client 软件包（pip install fal-client requests）。如果找不到密钥，辅助脚本会显示清晰的错误信息；没有密钥就无法继续生成，但 Stage 1 仍可进行。（密钥文件请保留在本地；切勿提交。）

Stage 1 — 头脑风暴并制定简报（不调用 API）

优秀的片段始于精准的简报，因此请在花费之前投入时间做好准备。采访用户并与其达成一致：

• 素材来源 — 对于 animate/camera，我们要使用哪一张静帧？（如果要对空场景使用 animate，是否已通过 image-studio 添加主体？）对于 generate，没有静帧——先确定要描述的场景。保留 _workings/ 中的任何原始素材，不要改动。
• 动作 / 主体 — 说清动作，不要只描述氛围。“一段好看的产品视频”很含糊；“瓶子在底座上缓慢旋转，柔和的影棚灯光扫过标签”就很具体。对于 camera，请用电影摄影术语描述镜头运动（“缓慢推轨推进”“向左摇摄”“浅弧环绕”）。
• 时长 — 默认 5 秒。尽量简短；成本会随每一秒增加。4–6 秒适合作为社交媒体 / 网页循环视频。
• 宽高比与方向 — 根据目标场景确定：网页 / 主视觉用 16:9，短视频 / 限时动态用 9:16，社交媒体用 1:1。对于 animate/camera，输出方向应与素材方向一致，并明确传入 --aspect（请参阅下方的检查说明）。对于 generate，没有素材来源，因此请选择目标宽高比。
• 音频 — FLUX 3 默认生成音频（原生支持，免费包含）。脚本会自动为 FLUX 3 模型传入 generate_audio=true；传入 --no-audio 可禁用音频。对于非 FLUX 3 模型（Kling、Seedance、Veo），音频默认关闭；传入 --audio 可启用。因此，FLUX 3 的创作简述必须涵盖声音，而不只是动作。请与用户确认：
  • 环境音 — 场景中自然存在的声音（雨声、交通声、鸟鸣、机器嗡鸣）。
  • 音乐 — 如果不需要，请说明“不要音乐”；否则请描述曲风 / 感觉（“柔和的氛围钢琴”“轻快的电子乐”）。每个音轨会分别生成。
  • 对白 — 只有画面中能看到说话者时，引号中的台词才会生成语音。否则会被渲染为烧录字幕。请引用台词、描述说话者，并添加“不要画面文字，不要字幕”，以避免生成烧录字幕。
  • 静音 — 如果用户完全不需要音频，传入 --no-audio（FLUX 3），或不传入 --audio（其他模型）。

宽高比与方向——生成前检查素材来源 （适用于 animate/camera）。将源静帧的方向与目标视频画面的方向进行比较（网页视频通常为 16:9，短视频通常为 9:16）。如果两者不一致——例如要将竖屏或方形手机拍摄素材用于 16:9 视频——不要直接生成：

1. 首先，请用户提供方向合适的照片——横屏视频使用横屏照片，竖屏视频使用竖屏照片。与目标画面方向一致的素材来源，能带来最干净、最真实的结果。
2. 如果用户仍想使用方向不匹配的素材，请先确认采用哪种处理方式——绝不能擅自决定：
   • (2) 添加左右 / 上下黑边 — 保留素材原有方向，将视频置于目标画面中，并用侧边 / 顶部填充（添加黑边，或使用同一画面的柔化模糊填充）。真实——没有任何内容是凭空编造的；只是会出现黑边。通常可在用户的视频编辑器中完成此步骤。
   • (3) 先生成式扩展（外绘）静帧以适配目标宽高比，再制作动画 — 画面铺满，但模型会编造拍摄范围之外的周围环境。可结合 image-studio 使用（在目标 --aspect 下进行指令编辑）。开始任何视频生成之前，必须完成两项工作：(a) 以真实场景为依据进行扩展——请用户提供主体周围实际环境的参考图，让模型还原真实环境，而不是凭空编造；(b) 在制作动画前让用户确认扩展后的静帧——接受修改意见，重新编辑并获得批准，然后再制作动画。此类画面仅供示意；绝不要将其描述为真实场景。
3. 绝不要采用 (1) 强制裁剪到目标宽高比——素材方向不匹配时，模型会从中心裁剪，丢弃主体的大部分内容（高楼的顶部和底部会被裁掉）。不允许采用此方式。

方向匹配时，仍需传入与素材来源相符的 --aspect，以免辅助程序回退到 16:9 并进行裁剪。 将已确认的简报保存到 _workings/（例如 _workings/brief_[slug].md），以便审计本次运行。提示词中不要包含机密细节。此步骤取代了针对该创意的低成本原型——在首次付费调用前，确认简报（以及 animate/camera 的起始图像）。

**提示词撰写技巧。**在本次会话首次生成前，阅读 references/video-prompting-techniques.md——其中介绍了如何为真实主体提供依据、控制音频层、多镜头语法、语音与内嵌文本的区别，以及续写/串接。这些技巧适用于所有 fal.ai 视频模型，而非仅适用于某一个模型。简而言之：用普通文字描述（不要用关键词标签），为任何外观可真实核验的对象提供依据，并明确说明重要事项——未说明的部分由模型决定。对于需要在画面中准确呈现文字（标题卡、海报、带中英双语字样的标牌）的起始帧，先通过 image-studio 的 Layout-controlled generation — MOSS-Image 部分生成静帧，再进行动画处理；该部分见 references/moss-layout.md，由 scripts/moss_compile_prompt.py 编译——视频模型无法使用 JSON 布局，而且文字内嵌效果不可靠。

第 2 阶段——低成本生成草稿

使用 FLUX 3 Draft 渲染草稿（成本低，仅支持 HD，包含原生音频），以不到完整渲染成本的一小部分进行评估——每秒 $0.06，而完整渲染为每秒 $0.17。

• animate — 默认使用 FLUX 3 Image-to-Video Draft （blackforestlabs/flux-3/image-to-video/draft，约 $0.06/秒 → 5 秒约 $0.30，包含原生音频）：

  python scripts/falvid.py animate \
    --prompt "[the agreed motion, including audio description]" \
    --image _workings/[source-still].png \
    --duration 5 --aspect 16:9 \
    --run-log _workings/run-log_[slug].md \
    --out-dir _workings --name vid_[slug]_draft
  

• generate（文本转视频）— 默认使用 FLUX 3 Text-to-Video Draft （blackforestlabs/flux-3/text-to-video/draft，约 $0.06/秒 → 5 秒约 $0.30，包含原生音频）：

  python scripts/falvid.py generate \
    --prompt "[the scene to create, including audio description]" \
    --duration 5 --aspect 16:9 \
    --out-dir _workings --name vid_[slug]_draft
  

• camera — 默认使用 Seedance 1.5 Pro（保持不变——摄像机控制能力最强）；--move 提供平缓的预设（push-in、pull-out、pan-left/right、tilt-up/down、orbit、crane-up），--static 则完全锁定摄像机：

  python scripts/falvid.py camera --move push-in \
    --image _workings/[still].png --duration 5 --aspect 16:9 \
    --out-dir _workings --name vid_[slug]_draft
  

保存草稿的 seed——它会显示在运行日志和成本日志中。第 3 阶段的 Draft Enhance 需要用它以相同的运动效果重新渲染。

观看草稿时，重点检查运动问题——面部/手部变形（这是所有模型最难处理的问题；参见 references/motion-honesty-guide.md）、摄像机穿过墙壁、物体变形、运动抖动。收到反馈后，首先改进提示词，而不是换更贵的模型：收紧动作描述、减少运动主体的数量、放慢摄像机，然后重新生成草稿。以低成本循环迭代，直到运动效果满意。始终使用辅助程序打印的确切路径。

第 3 阶段——生成最终成片

草稿中的运动效果获批后，再次确认是否继续以及费用——这是主要支出。向用户明确说明预估费用，例如：“最终成片为 5 秒的 FLUX 3 片段，720p，含原生音频，约 $0.85——要继续吗？”

首选：Draft Enhance（相同的 seed 和运动效果，完整画质）

如果第 2 阶段使用 FLUX 3 Draft 生成了草稿，生成最终成片最高效的方式是 Draft Enhance——使用草稿的相同 seed，以完整画质重新渲染获批的草稿，使运动和构图完全保持一致。只需支付完整渲染费用（无需再支付一次草稿加完整渲染的费用）：

python scripts/falvid.py enhance \
  --prompt "[the same prompt used for the draft]" \
  --image _workings/[source-still].png \
  --seed [the draft's seed from the run log] \
  --duration 5 --resolution 1080p --aspect 16:9 \
  --run-log _workings/run-log_[slug].md \
  --out-dir . --name vid_[slug]_final

如果使用 FLUX 3 Draft 生成了草稿，这是默认工作流。seed 会锁定运动效果；完整渲染则会提升保真度、修正瑕疵，并升级至 1080p。

替代方案：从头完整渲染

如果你不是用 FLUX 3 起草的，或者想根据锁定的提示词重新生成：

• animate / generate（人物、产品、一般写实场景） → FLUX 3 （blackforestlabs/flux-3/image-to-video，或 …/text-to-video）——对现实世界的理解最佳，免费包含原生音频；$0.17/s（720p）/ $0.29/s（1080p）。最长 20s。 更精简的选择：Kling 3.0 Pro（fal-ai/kling-video/v3/pro/...）。高端选择：Veo 3.1 （fal-ai/veo3.1/image-to-video，无音频 $0.20/s / 有音频 $0.40/s）。

• camera（镜头移动） → Seedance 1.5 Pro（fal-ai/bytedance/seedance/v1.5/pro/image-to-video） 已经是 camera 的默认选项——镜头控制最强，并支持真正的 camera_fixed 锁定；720p/5s 视频片段约 $0.26。 若要高端原生 4K 运镜，可选 Kling v3 4K（fal-ai/kling-video/v3/4k/image-to-video）。

python scripts/falvid.py animate \
  --prompt "[the approved motion, including audio]" --image _workings/[source-still].png \
  --model blackforestlabs/flux-3/image-to-video --duration 5 --resolution 1080p --aspect 16:9 \
  --run-log _workings/run-log_[slug].md \
  --out-dir . --name vid_[slug]_final

将完成的视频片段保存到工作文件夹根目录，命名为 vid_[slug]_final.mp4，或使用辅助程序打印的确切文件名。告知用户文件路径，并提醒他们这是供审核的草稿视频片段，不是已发布的素材，也不是对真实地点、产品或人物的实录。

真实性准则

动态视频片段比静态图像更有说服力，因此，主题越真实，就越需要恪守这一准则（详见 references/motion-honesty-guide.md）：

• 不要编造真实事物的事实。 不要虚构真实产品或空间并不具备的功能、表面处理、景观或能力；不要暗示并不存在的入住情况、客户群体或人气。文生视频会虚构所有内容 → 绝不能用它来呈现真实且可识别的主题；应对真实照片使用 animate。
• 镜头移动会虚构摄像机从未看到的几何结构。 缓慢推近或锁定镜头几乎不会虚构内容；大幅环绕运镜或飞行穿越则会幻觉生成整片空间。优先选择轻柔运镜，适用时优先使用 --static，绝不要将推演生成的视频片段当作真实漫游或忠实布局来呈现。
• 人物与肖像。 使用生成的、不可识别身份的人物营造氛围；未经同意，绝不要为可识别的真实人物制作动画，也绝不要上传私人照片。
• 需要字面准确时（例如房源信息、规格声明），真实拍摄或正规的 3D 扫描才是忠实呈现的黄金标准——这只是快速制作的第一版营销草稿。

模型选择

该辅助程序默认使用 FLUX 3 进行草稿和完整渲染——对现实世界的理解最佳，免费包含原生音频，视频片段最长可达 20s，并支持 Draft Enhance 工作流，使用相同种子以完整画质重新渲染已批准的草稿。使用 --model [endpoint-id] 覆盖默认值。当前已验证的端点 ID、用途及大致费用列于 references/fal-video-models.md。 fal.ai 的模型目录会不断变化——如果模型 ID 报错，请查阅该参考文档和 fal.ai 模型库，不要猜测。本次构建中，标记为 (verify) 的内容尚未根据实时模型库确认（若干文生视频 ID/费率标记为 (verify)——依赖其费用前请先确认）。除非结果确实不理想，否则请坚持使用经过验证的默认选项；首先应改进提示词或采用更轻柔的运镜，而不是四处寻找模型。

辅助脚本 — scripts/falvid.py

一个脚本，包含三个生成子命令和 costs。它会从环境变量读取 FAL_KEY，将任何本地 --image 上传到 fal 存储，通过 fal_client.subscribe 调用模型（该函数会轮询异步视频队列，并一直阻塞到片段就绪——这可能需要几分钟；请勿中断），将 MP4 下载到本地，并输出保存路径和预估费用。运行 python scripts/falvid.py -h 或 python scripts/falvid.py [subcommand] -h 查看全部选项。

主要标志：

• generate（文生视频）— --prompt（必需）、--duration、--resolution、--aspect、 --audio、--seed、--model、--out-dir、--name。没有 --image。
• animate — --prompt（必需）、--image（必需），然后是 --duration/--resolution/--aspect/ --audio/--seed/--model/--out-dir/--name。
• camera — --move（轻柔预设）和/或 --prompt、--static（锁定摄像机）、--image （必需），然后是相同的标志。
• enhance — FLUX 3 Draft Enhance：--prompt（必需）、--image（必需）、--seed（必需， 来自草稿的运行日志）、--mode（generate 或 animate，默认 animate），然后是相同的标志。 使用相同的种子以完整质量重新渲染草稿——锁定动态效果，提升保真度。
• costs — 输出当前会话的累计费用，使用 --reset 清除。
• recommend — 各模式（generate/animate/camera）的推荐默认模型，并显示实时定价。只读，不产生费用。
• search "term" — 搜索 fal 实时目录（--category、--limit）；每条结果均显示其实时价格、类别和许可。只读。查找默认选项未涵盖的模型——但除非默认模型确实不够用，否则仍优先使用默认模型。
• --arg key=value / --arg-json '{...}' — 后备方式，用于传递标志未涵盖的原始模型参数（例如 --arg negative_prompt='blurry, distorted'、--arg end_image_url=...）。
• --run-log _workings/run-log_[slug].md — 追加易读的 Markdown 审计日志。
• --verbose — 流式输出模型自身的进度日志。默认关闭。

该辅助脚本会根据模型映射起始图像参数（image_url，或 Kling v3 的 start_image_url），将 --duration 转换为各模型所需的类型，只向支持的模型发送 generate_audio，并在 Seedance 上为 --static 应用 camera_fixed（对于没有此参数的模型，则添加“static shot”指令）。如果调用因 fal 余额不足而失败，它会给出清晰的指引，而不是原始堆栈跟踪。端到端运行示例见 examples/example-run.md。

费用与余额

视频计费比较复杂——按秒计费（Kling、Veo），或按片段/令牌计费（Seedance、Hailuo）；具体金额取决于输出时长、fps、分辨率和音频，而 API 不会返回这些信息。因此，falvid.py 会优先给出注册表中的已验证费率估算（与 references/fal-video-models.md 保持一致），根据请求时长计算，并明确标记为估算值（视频没有实时定价 API 查询）。**fal 控制面板显示的费用才是权威金额。**每次运行都会追加到 ./_falvid-costs.jsonl；运行 python scripts/falvid.py costs 查看会话费用明细。最终渲染前请先报出估算费用，并让草稿保持低成本且时长较短。只有在 FAL_ADMIN_KEY 中设置了 fal Admin 密钥时才会显示余额；普通 FAL_KEY 无法读取账单（HTTP 403）。

原则

• 草稿，而非建议——输出是供人审核的草稿，而不是可直接发布的成品。
• 绝不编造——不得虚构费用、模型 ID、功能或输出路径。如有不确定之处，请如实说明。不得编造片段中真实对象的相关事实。
• 关键之处保持确定性——费用跟踪、文件命名和模型路由均保持确定性；LLM 只负责创意判断。
• 诚实并校准预期——指出不确定之处，不要夸大质量，并展示费用。
• 保持工作区整洁——交付文件放在工作文件夹根目录；中间文件放在 _workings/；已被取代的版本放在 _superseded/。

数据处理

发送给 fal.ai 的提示词和任何起始图像都会离开用户的控制，交由第三方工具处理，因此请遵守个人身份信息（PII）/数据外传规则：不得向 fal.ai 发送机密或敏感内容。将真实源文件和输出文件保存在本地计算机上。如有疑虑，请勿外传；先询问用户。

注意事项

1. 匹配源素材的方向——模型无法可靠地继承方向；Seedance 默认使用 16:9，并会对纵向或正方形静帧进行中心裁切。传入 --aspect 以匹配方向（3:4 的源素材 → --aspect 3:4）。
2. 手部和精细的物体交互容易出错——对所有模型来说，拿取、倾倒和握持都是最难生成的动作。应在设计中规避（让涉及物体操作的主体保持不动），不要花更多钱换用更昂贵的模型来修复。
3. 屏幕/电视会生成虚构内容——任何让屏幕“动起来”的提示都会使模型剪切或放大屏幕图像；应避免在需求说明中加入屏幕动态，或让镜头运动来掩饰。
4. 进入 Stage 3 前先确认——这是主要费用所在；一段带音频的 5s Veo 视频约需 $2。
5. 使用实际保存路径——示例路径只是占位符；请使用 falvid.py 输出的路径。
6. 文本生成视频绝不能用于表现真实主体——它会虚构所有内容；真实照片请使用 animate。
7. 视频生成很慢——单个片段可能需要几分钟；fal 渲染期间，辅助程序会一直等待。
8. 文本生成视频的费率需(核实)**——首次运行 generate 后，请在仪表板上核对费用是否合理。

验证清单

• 任务范围是视频生成，而非演示文稿、图表、示意图或设计模板制作。
• 用户已在首次 API 调用前确认允许将数据发送至 fal.ai，并同意使用付费 API。
• 已检查源素材方向；已传入匹配的 --aspect（或通过加边框或有依据且经确认的扩图处理方向不匹配——绝不强制裁切）。
• 需求说明已保存到 _workings/；先以低成本起草并迭代，再进行高质量渲染。
• 使用的是实际打印的输出路径，而非推断出的路径。
• 用户已确认继续，并在 Stage 3 前查看费用估算。
• 未使用文本生成视频来描绘真实且可识别的主体。
• 最终片段已保存到工作文件夹根目录；已告知用户路径，并提醒这是草稿。
• 已使用 --run-log，或已检查 JSONL 费用日志；已通过 falvid.py costs 打印费用摘要。