fix-my-look

fix-my-look

根据用户的提示词，使用 gpt-image-2 编辑源视频中第一个可用帧， 然后使用 kling 参考视频将这一外观扩展到整个片段，同时通过将原始视频 + 音频 作为参考来锁定原始人脸、动作和音频。短片的所有准备工作都在一次 normalize_video 调用中完成；较长片段则每个分段调用一次 normalize。输出比例采用标准化片段最接近的受支持输出比例；此 技能不会重新构图源视频。

输入

• <source> — 带音频的视频文件路径或 URL
• <change_prompt> — 要进行的更改（例如：“把场景改成有霓虹灯的夜晚”、 “把我的衬衫换成皮夹克”、“把我放到夏威夷的海滩上”）

参数为空时的菜单

1. “源视频的路径是什么？”
2. “你想进行什么更改？（例如：‘把我放到海滩上’、‘把场景改成夜晚’）”

工作流

工作目录：~/Downloads/fix-my-look/<run-id>/。

步骤 0 — 费用、计时器和任务 ID

下方提到的所有工具都是 Pika MCP 工具，使用其裸名称。通过当前会话为 Pika MCP 提供的任意前缀调用这些工具。

源视频和更改提示词确定后，启动计时器。在付费生成之前，对计划调用的 generate_image_edit、 generate_reference_video、任何多片段 edit_concat，以及任何可选的音频/口型同步修复 调用，调用 estimate_cost。如果宿主未提供费用信息，请在最终报告中注明 Cost not surfaced by this harness，不要猜测。 任何工具返回 task_id 时，都要将其准确值复制到运行记录中，并逐字复用；不要 手动输入很长的 JWT 风格任务 ID。

步骤 1 — 准备片段

本地文件？先用 upload_asset 上传；HTTPS 媒体 URL 可直接传入。在标准化之前确定源视频窗口：源视频不超过 15 秒时，使用一个 14.8 秒 窗口；更长的源视频则按顺序拆分成多个 14.8 秒窗口。每个窗口调用一次 normalize_video(video_url=<source>, start_s=<offset>, max_duration_s=14.8, extract_audio=true, extract_face_frame=true)。 使用第一个窗口的 face_frame_url 作为编辑静帧； 使用每个窗口的 video_url 作为该分段的动作/身份参考。对于 多窗口片段，还要调用 extract_audio_from_video(video_url=<source>)，以便 最终合并后的输出能恢复为一条连续的源音轨。

将结果传递给后续步骤：face_frame_url 是步骤 2 的编辑目标； 每个标准化后的 video_url 都是步骤 4 中 Kling 的参考视频； 对每个标准化结果，设置 aspect_ratio = result.aspect_ratio ?? result.closest_aspect_ratio， 然后在图像和视频调用中传递该局部 aspect_ratio。如果这两个字段都不存在，就停止并报告标准化 输出缺少宽高比标签。对每个分段计算 duration = max(4, min(15, round(duration_s)))，并使用 resolution="720p" 除非用户要求高分辨率。如果 face_found 为 false，说明没有找到清晰的人脸， face_frame_url 已回退到 t=0 的帧——继续处理，但要警告身份可能发生漂移；或者使用主体 面对镜头的片段重新运行，并设置相应的 start_s。

参考视频提供商可能会拒绝过大的参考素材。如果标准化结果或下游提供商错误表明标准化视频 超过了提供商限制，请使用相同的 start_s、max_duration_s、extract_audio 和 extract_face_frame 值，再次调用 normalize_video，并设置 crf=28。如果参考素材仍然过大，请在再次尝试付费视频生成之前停止，并报告 normalize_video 需要在 worker 端限制 1080 边长 / 参考素材大小。不要使用本地 shell 媒体命令来绕过此问题。

步骤 2 — 使用 gpt-image-2 编辑画面（“更改”阶段）

使用 generate_image_edit，参数为 provider="gpt-image-2"、 aspect_ratio=<aspect_ratio>、resolution="2K"、 images=[<face_frame_url>]、quality="high"，提示词：

“按以下要求修改参考照片：<change_prompt>。人物的面部、身份、头发、身体和姿势必须与参考照片完全一致。 关键：保留人物手持或触碰的所有物品——手机、产品、饮品、包、道具、珠宝——确保它们仍在同一只手中，位置、方向和比例完全相同；切勿移除、替换或重新设计这些物品。仅更改要求的场景、背景、服装、光线或环境，不要改变人物身份。”

每次重新生成时，都要逐字保留“保留手持物品”条款——若不加这条，gpt-image-2 会悄悄移除人物手持的产品或手机。

如果 gpt-image-2 针对时尚、魅力或美妆提示词错误触发内容政策限制，请用相同意图重试一次，但改用得体、偏编辑风格的措辞，例如“精致的活动造型、不透明服装、自然姿势、非情色时尚肖像”。对于妆容提示词，请明确保留原有的眼型、眼睑、虹膜颜色和视线方向；浓重的眼线或眼影是导致身份漂移的高风险来源。

步骤 3 — 展示编辑后的画面并等待批准

展示编辑后的画面，然后停止。询问：“批准生成视频，还是要调整后重新生成？”获得批准前，不要调用视频生成。若需调整，请重新运行步骤 2（锁定条款逐字不变）并循环执行。

步骤 4 — 通过 Kling 参考视频传播更改

对于每个标准化片段，调用 generate_reference_video，参数为 provider="kling"、reference_videos=[<segment video_url>]、reference_images=[<edited_frame_url>]、aspect_ratio=<aspect_ratio>、duration=<segment duration>、sound=false、video_keep_sounds=[true]，提示词：

“将 <<<image_1>>> 中所示的更改应用到 <<<video_1>>>。<<<video_1>>> 中人物的面部、身份、表情、动作和时间节奏必须完全一致；保留原视频中保留的音轨。新的场景／背景／服装／光线应与 <<<image_1>>> 一致。关键：保留 <<<video_1>>> 中人物手持或触碰的所有物品——手机、产品、饮品、包、道具——确保每一帧中它们都在同一只手中，方向也保持一致。人物说话时，嘴部动作应持续到最后一帧。不要改变人物身份。”

任何额外的创意指导（例如“极具电影感，柔和的金色光线”）都应追加在锁定文本之后，切勿替换锁定文本。

输入视频时，不要向 Kling 传入 sound=true。Kling 会拒绝这种组合，并返回 error:1201 sound on is not supported with video input；请使用 sound=false 加 video_keep_sounds=[true]，以保留源视频音频。

如果源视频被拆分为多个时间窗口，请调用 edit_concat(video_urls=[<segment outputs in order>])。 拼接后，如果合并输出的音频缺失、不同步或不连续，请运行 edit_audio_replace(video_url=<concat_url>, audio_url=<full_source_audio_url>, duration_policy="video")。

只有在用户明确要求使用 Seedance，或 Kling 失败且值得尝试第二个提供方时，才尝试 Seedance。使用相同的分段规则；如果 Seedance 拒绝输入或丢失语音／动作，请明确记录提供方错误。

异步处理：如果任何调用返回 {task_id, status} 信封，请持续紧密轮询 task_status({task_id})，直到任务进入终止状态。

步骤 5 — 音频、时长与身份 QA

报告成功之前，请将生成的视频与源素材进行核对：

• 时长不得出现明显截断。如果输出时长与预期源片段时长或合并后的源素材时长相差超过 0.5s，则将本次运行标记为失败 / 需要跟进。
• 如果源素材中有人声，音频必须持续到片尾，且口型不得在人声内容结束前冻结。如果有词语缺失、含混不清、无声或明显不同步，则不得将本次运行标记为 PASS。
• 已批准的帧修正必须保留到视频中。如果提供方重新引入已移除的瑕疵（例如眼镜反光），则将其标记为传播方面的注意事项，或从更完善的已批准帧重新渲染。
• 在开头、中间、片段边界和结尾处比较身份。如果 Kling 保留了动作却改变了面部特征，应指出这是提供方的限制，而不能判定为通过。

如果视频在视觉上可以接受，但语音音频缺失、不完整或发生漂移，则提供一次付费修复：

1. edit_audio_replace(video_url=<generated_video_url>, audio_url=<full_source_audio_url or segment_audio_url>, duration_policy="video")
2. edit_lipsync(video_url=<audio_restored_url>, audio_url=<full_source_audio_url or segment_audio_url>, variant="v2-pro")

如果模型在结尾附近冻结了口部动作，不要自动继续升级到 sync-3；口型同步无法可靠地恢复没有口部动作的面部轨迹。建议裁剪 / 重新生成。

步骤 6 — 下载并返回

将结果下载到 ~/Downloads/fix-my-look/<run-id>/result.mp4，并返回该路径以及最终报告字段：源素材、编辑后帧 URL、最终视频 URL、提供方、作业 / 任务 ID、费用估算或 not surfaced、耗时、QA 备注和后续问题。

故障模式

症状	原因	解决方法
输出中的人脸与原始人脸不一致	gpt-image-2 对人脸编辑过度，或提供商对源视频赋予的权重不足	使用更强的“保持人脸不变”要求重新运行 Step 2；减弱 change_prompt。
输出看起来和原始内容一样（没有变化）	编辑后的图像与原图太相似，或你传入的是原始帧而非编辑后的输出	使用更明显的提示词重新运行 Step 2；确认编辑后帧的 URL。
输出画幅比例与源内容不匹配	源内容的画幅比例不属于 {16:9, 9:16, 1:1, 4:3, 3:4}	Step 1 会返回 aspect_ratio，较旧的 worker 负载则会返回 closest_aspect_ratio；使用它作为最接近的受支持输出标签，并就特殊画幅比例询问用户。
提供商以文件过大为由拒绝规范化后的视频	对于 4K/iPhone 源内容，规范化后的输出仍可能过大	使用 crf=28 重试一次规范化；若仍然过大，则停止并提交 worker 后续处理请求，限制为 1080 边长/参考尺寸。
较长的源内容只返回了第一个短片段	调用方只使用 max_duration_s=14.8 规范化了一次，没有进行分段	将内容拆分为 14.8 秒的窗口，分别生成各个片段，然后按顺序执行 edit_concat；必要时恢复完整的源音频。
说话片段丢失声音、漏掉词语，或结尾处嘴部静止	提供商重新生成了语音/音频，而非保留源内容；或者人脸轨迹没有可用于驱动的嘴部动作	标记为未通过。提供一次 edit_audio_replace + edit_lipsync 修复；如果结尾处嘴部动作静止，则改为提供裁剪或重新生成。
视频中已批准的帧修复消失	提供商传播过程重新引入了原始瑕疵	使用更强的已批准帧重新渲染，或标注提供商传播方面的注意事项；不要声称帧修正已交付。
Kling 因 error:1201 sound on is not supported with video input 拒绝请求	将 sound=true 与视频参考一同传入	使用 sound=false 和 video_keep_sounds=[true] 重试 Kling 调用；Kling 视频输入不要使用 reference_audio。
Kling 输出比规范化后的源内容短	提供商返回了较短的渲染结果，或调用方误传了经过裁剪的参考内容	不要标记为通过。比较输出时长与规范化后源内容的时长，然后重新生成该片段，或请用户提供更短的窗口。