generate-video

生成视频

使用 Veo 3.1（veo-3.1-generate-preview）生成视频，支持原生音频、720p/1080p/4K 分辨率和 4–8 秒的片段。

适用场景

当用户要求执行以下操作时，使用此技能：

• 根据文本提示生成视频（文本转视频）
• 为现有图像制作动画（图像转视频）
• 使用艺术风格库创建风格化视频片段
• 构建图像转视频工作流，并自动生成起始帧

重要：作为后台任务运行

Veo 视频生成需要 11 秒到 6 分钟。脚本会在内部处理轮询，并且仅在完成时输出文件路径。

务必将生成脚本作为后台任务运行，避免阻塞对话，并避免轮询输出占用过多上下文：

# CORRECT: background task
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "prompt" --output video.mp4
# Run with run_in_background: true in the Bash tool

后台任务完成后，只读取输出的最后一行（文件路径）。不要读取完整输出——其中只有 stderr 进度点。

选择风格

如果用户未指定风格，请在继续之前提供多选问题：

你希望如何处理艺术风格？

1. 选择一种风格 - 查看 169 种风格的视觉效果并选择一种
2. 由我选择 - 我会根据你的提示推荐一种风格
3. 不使用风格 - 不指定特定艺术风格直接生成

使用 AskUserQuestion 工具提供此选项。

如果用户选择“选择一种风格”，启动交互式风格选择器：

STYLE_JSON=$(bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/browsing-styles/scripts/preview_server.ts --pick --port=3456)

通过生成命令的 --style <id> 传入选定的风格。

如果用户已指定风格，跳过此步骤，直接使用 --style。

重写提示词

生成任何视频之前，都要使用 references/veo-prompt-guide.md 中的指南重写用户的提示词。

通过添加以下内容来完善提示词：

1. 主体细节 - 具体的外观、位置、大小
2. 动作/运动 - 哪些元素会移动、速度和方向
3. 风格/美学 - 视觉处理方式、调色板
4. 镜头运动 - 平移、推轨、环绕、静止
5. 构图 - 取景、景深、焦点
6. 氛围/音频 - 光线氛围、声音提示（Veo 会生成原生音频）

转换示例

用户说：“海浪” 重写后：“黄金时段，戏剧化的慢动作海浪拍打着深色火山岩。水花在温暖的阳光下闪耀，形成彩虹色薄雾。低角度拍摄，镜头缓慢向前推轨。伴随着低沉的海浪轰鸣声，远处传来海鸥的叫声。”

用法

bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "prompt" [options]

选项

• --input <path> - 起始帧图像（图像转视频模式）
• --ref <path> - 用于保持主体一致性的参考图像（最多 3 张，可多次指定）。自动选择 replicate-veo 模型。
• --last-frame <path> - 用于插帧的结束帧。自动选择 replicate-veo 模型。
• --style <id> - 应用风格库中的风格（与 generate-image 相同）
• --aspect <ratio> - 16:9（默认）或 9:16
• --resolution <res> - 720p（Gemini 默认）、1080p（Replicate 默认）、4k（仅限 Gemini API）
• --duration <sec> - 4、6、8（默认值：8）
• --negative <text> - 负面提示词（需要避免的内容）
• --seed <n> - 用于确保结果可复现的随机种子
• --output <path> - 输出 .mp4 路径
• --provider <name> - gemini（Veo）或 xai（Grok Imagine）。省略时，根据可用密钥自动选择。--model 是旧版别名（veo/replicate-veo→gemini，grok→xai）。
• --oneshot - 仅限 xAI：在 grok-imagine-video（v1）上直接进行文本转视频，而非使用默认的自动生成帧 → grok-imagine-video-1.5 图像转视频流程
• --no-audio - 禁用音频生成（仅限 Replicate Veo）
• --auto-image - 与 --style 搭配使用，先自动生成风格化起始帧（Veo）

示例

# Text-to-video (Gemini API, default)
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "Ocean waves crashing on volcanic rocks at sunset" --output waves.mp4

# Image-to-video (animate an existing image)
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "The lion slowly turns its head, dots shimmer" --input lion.png --output lion.mp4

# Subject-consistent video with reference images (auto-selects Replicate Veo)
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "Two warriors face off in a wheat field, dramatic standoff" \
  --ref warrior1.png --ref warrior2.png --ref scene.png --output standoff.mp4

# Image-to-video with last frame interpolation (auto-selects Replicate Veo)
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "Camera slowly pans across the landscape" \
  --input start.png --last-frame end.png --output pan.mp4

# With art style
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "Mountain landscape comes alive with wind" --style impr --output mountain.mp4

# Full pipeline: auto-generate styled image, then animate
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "A lion turns majestically" --style kusm --auto-image --output lion.mp4

# Vertical video for social
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "Waterfall in lush forest" --aspect 9:16 --resolution 1080p --output waterfall.mp4

# High resolution (Gemini API)
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "City skyline timelapse" --resolution 4k --duration 8 --output city.mp4

# xAI Grok Imagine — default path: auto-generate a frame, then animate with grok-imagine-video-1.5
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "neon koi swimming in a dark pond" --provider xai --resolution 720p --output koi.mp4

# xAI one-shot text-to-video (grok-imagine-video v1) — faster/cheaper, lower quality
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "a paper crane rotating" --provider xai --oneshot --output crane.mp4

# xAI image-to-video from your own frame (grok-imagine-video-1.5, up to 1080p)
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "the scene comes alive with wind" --provider xai --input frame.png --resolution 1080p --output alive.mp4

参考图像（主体一致性）

使用 --ref 传入 1-3 张参考图像，生成主体一致的视频（R2V）。此操作会自动使用 Replicate Veo 3.1。

限制：

• 由于 Replicate API 的限制，不能同时使用 --ref 和 --input
• 参考图像必须为 16:9 宽高比，视频时长必须为 8s
• 提供参考图像时，最后一帧会被忽略

适用场景： 在不同摄像机角度下保持角色相貌一致，或让生成视频中的特定人物／物体与参考图像相匹配。

宽高比匹配（图生视频的关键）

使用 --input 时，输入图像必须与目标视频的宽高比一致。将正方形图像用于 16:9 视频会产生黑色侧边，并裁切画面边缘。

• 以 --aspect 16:9（默认视频）或 --aspect 9:16（竖屏视频）生成起始帧
• --auto-image 标志会自动处理此操作

两步工作流（先生成图像，再生成视频）

为获得最大控制力，请单独生成起始帧。务必匹配宽高比：

# Step 1: Generate styled image at 16:9 (matches default video aspect)
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-image/scripts/generate.ts "majestic lion portrait" --style kusm --aspect 16:9 --size 2K --output lion.png

# Step 2: Animate the image
bun run --cwd ${CLAUDE_PLUGIN_ROOT} ${CLAUDE_PLUGIN_ROOT}/skills/generate-video/scripts/generate.ts "The lion turns its head slowly, dots shimmer in the light" --input lion.png --output lion.mp4

上下文管理

• 切勿将生成的 .mp4 文件读回上下文——请指示用户使用 open <file>.mp4 播放
• 作为后台任务运行——脚本只会将文件路径输出到 stdout
• 自动生成的起始帧（通过 --auto-image）会保存为 PNG 文件，供参考

模型与提供商

有两个提供商，可通过 --provider 选择；省略时则会自动选择 （视频生成的优先顺序为 xai > gemini）。使用 --ref 或 --last-frame 时， 请求会自动路由至 Gemini/Veo（这些功能仅适用于 Veo）。

请根据提供商调整提示词——确定提供商后，阅读相应的指南：providers/prompts/video.gemini.md 或 providers/prompts/video.xai.md。

gemini — Veo 3.1（GEMINI_API_KEY）

• Gemini API（默认）：veo-3.1-generate-preview。支持文本生成视频、 图像生成视频、720p/1080p/4K、原生音频和负面提示词。可通过 GEMINI_VIDEO_MODEL 覆盖。
• Replicate Veo（高级功能，需要 REPLICATE_API_TOKEN， 使用 --ref/--last-frame 时会自动选择）：用于主体一致性的参考图像（R2V）、 最后一帧插值，以及 720p/1080p。

xai — Grok Imagine Video（XAI_API_KEY）

• 默认（文本提示词）：生成起始帧（如果 Gemini 可用则使用 Gemini，否则使用 Grok Imagine image），然后通过 grok-imagine-video-1.5 制作动画——这是 最新、质量最高的模型（仅支持图像生成视频，最高 1080p，支持原生音频）。
• --oneshot：直接使用 grok-imagine-video（v1）进行文本生成视频——速度 更快、成本更低，但质量较差。
• --input <frame>：使用你自己的起始帧，直接交由 grok-imagine-video-1.5 处理。
• 低阶套餐的速率限制约为每秒 1 个请求（提供商会自动重试）。
• 每个视频片段都会报告费用（xAI cost_in_usd_ticks）。

模型已于 2026 年 6 月在线验证：veo-3.1-generate-preview、grok-imagine-video、grok-imagine-video-1.5。grok-imagine-video-1.5 仅支持图像生成视频——API 会拒绝对其进行文本生成视频请求。如果存在更新一代的模型，请停止操作，并建议向 b-open-io/gemskills 提交 PR。

参考文件

如需了解详细的视频提示词策略：

• references/veo-prompt-guide.md - Veo 提示词要素、音频提示、负面提示词和图像生成视频技巧
• ask-gemini skill 的 references/gemini-api.md - 当前 Gemini/Veo 模型和 SDK 信息