kiss-cam

kiss-cam

一个两次调用的 pika 流程：以观众视角拍摄的巨型屏幕静帧（gpt-image-2）→ 15 秒的场内亲吻镜头片段，包含现场广播员解说和观众反应（kling-v3-omni，首帧锁定为该静帧）。趋势风格已校准——直接传入两张参考图。提示词中不做文本替换；主体仅通过 images 锚定。不要使用 ${subject_a} / ${subject_b} 占位符。步骤 1 和步骤 2 的提示词为原文，不是脚手架。

前置条件

主机中已提供 pika MCP。工具名称前缀因挂载点而异——使用主机公开的名称。所需工具：identity balance、资源上传、图像生成、参考视频生成，以及生成未在行内完成时用于异步跟进状态的工具。

费用透明度关卡

在调用任何付费 MCP 工具前，调用一次 identity_balance({verbose: true})。展示当前余额、近期消耗速率和剩余可用时长，然后用以下确切消息进行确认：

预计费用：约 1,500-3,500 点数（约 $15-$35），用于生成 GPT-image-2 巨型屏幕静帧、一次或两次 Kling v3-omni 专业版 15 秒渲染（包含一次使用变更后载荷的步骤 2 修正重试），以及生成后的 analyze_media QA。这超过 $5，因此请回复 proceed 继续，或回复 cancel 停止。

在用户回复 proceed 前，不要调用任何付费 MCP 工具。如果用户回复 cancel，则停止，不进行生成。这是唯一的是否确认关卡；用户回复 proceed 后，流程将端到端运行。

生成前的墙钟时间保护

在两个主体参考 URL 均已解析且费用关卡已通过后，于技能启动时开始计时。首次付费生成调用是步骤 1 的 generate_image_edit，必须在技能启动后 5 分钟内调用。如果技能启动后 5 分钟内尚未调用 generate_image_edit，则在进行任何付费生成调用前停止，并报告 failed_pre_generation_timeout，同时提供目前已有的信息：主体 URL 状态、上传状态、费用关卡状态、步骤 1 提示词就绪状态，以及确切的阻塞原因。不要继续完善巨型屏幕提示词、摄像机语言或风格锁定措辞。

每个准备阶段结束后以及付费生成调用前，打印一行进度检查点：

• Stage 1/3 done — subject references resolved and uploaded.
• Stage 2/3 done — cost gate passed, locking the Jumbotron still prompt.
• Stage 3/3 done — still prompt locked, calling GPT-image-2 now.

步骤 1 前，提示词和静帧检查措辞最多迭代 2 轮。达到最多 2 轮后，将现有内容提交给 generate_image_edit；不要继续润色记分牌细节、场馆氛围或亲吻镜头图形措辞。

长时间运行的 task_status 轮询

任何长时间运行的生成调用返回带有 task_id 的结果时，无论是否包含初始状态，包括 {task_id}、{task_id, status: "queued"}，或初始状态为 queued、running 或 processing，都要立即记录任务 ID 和开始时间。

• 持续紧密循环调用 task_status({task_id})，直到任务进入终态（completed | failed | cancelled）。不要手动休眠，也不要使用 Bash 轮询；工作线程会让每次状态调用保持打开。
• 当状态为 queued、running 或 processing 时，每 60 秒输出一行可见进度：Seedance i2v queued for {N}m {S}s... still processing。轮询 GPT-image-2 或 Kling 任务时，替换提供商/阶段标签。
• 状态为 completed 时，提取返回的结果 URL 并继续。
• 状态为 failed 或 cancelled 时，向用户报告失败，并提供 task_id、状态和最后一条状态消息。
• 从最初提交任务起满 15 分钟后，如果任务仍未进入终态，则调用 task_cancel({task_id})，然后向用户报告失败。如果取消时任务已处于终态，则再调用一次状态查询，并报告该终态结果。
• 原任务仍处于 queued、running 或 processing 时，不要提交重复请求。

阶段 0 — 接收信息

如果调用时参数为空，且没有可用的先前上下文，请打印此菜单并停止：

Kiss Cam 上要出现哪两个对象？ 必填：

• 对象 A 参考照片 — 本地路径或 HTTPS URL
• 对象 B 参考照片 — 本地路径或 HTTPS URL

如果已提供一张照片，只询问缺少的那张。在两张照片都收到之前运行，会导致步骤 1 缺少一个 images 条目，并生成不一致的静态图。

• 对象 A 参考照片 （必填） — 本地路径或 https URL。保存为 state.subject_a_url。
• 对象 B 参考照片 （必填） — 本地路径或 https URL。保存为 state.subject_b_url。

对于每张照片：如果已经是 https://… URL，则直接使用。如果是本地路径 → upload_asset → 将字节 PUT 到 presigned_url → 使用 public_url。在 Claude Desktop 上，粘贴的内嵌图片不会传到 MCP — 请只询问一次 URL 或 .zip 附件（二者都收到后，唯一剩下的就是费用确认）。

对象可以采用任何视觉风格 — 照片级写实人物、3D 渲染角色、设计师玩具、插画头像、雕塑摆件等。制作流程会保留参考图采用的风格；不要改成其他风格重绘。任何地方都不会使用姓名 — Kiss Cam 图像不会有显示姓名的字幕。只需让两个对象出现在记分牌大屏上。

运行费用透明度确认，然后用一行文字回复确认（“正在为这两位生成麦迪逊广场花园 Kiss Cam 瞬间……”）并开始生成。费用确认后不再询问是/否 — 整个流程将端到端运行。

步骤 1 — 观众视角的巨型电子屏静帧（generate_image_edit，gpt-image-2）

亲吻镜头图形、记分牌和复古边框会在第 0 帧烘焙进静帧中——这是关键内容，因此 Kling 会在步骤 2 中将整个装饰性 UI 视为像素锁定的烧录 UI，而不会在片段中途为其添加动画。

**为何选择 gpt-image-2（且不使用备用方案）：**它能呈现更清晰的 LED 面板细节（记分牌数字、亲吻镜头字体、复古装饰边缘），并且比其他提供方更能锁定参考图的相似度；LED 清晰度与相似度的组合正是趋势内容的卖点。如果收到 moderation_blocked 响应，请重新运行相同调用，而不是切换提供方——在早期测试中，其他方案生成的相似度和 LED 细节都较弱。我们以 1K 16:9（1792×1024）调用 gpt-image-2；更高分辨率的版本在这里没有帮助，因为 Kling 后续会输出 1080p。

重试额度：步骤 1 的 gpt-image-2 静帧生成最多可尝试 3 次，包括审核拦截和自检后重试。moderation_blocked 也计入步骤 1 的上限。每次付费生成静帧前，都要记录 state.step1_attempt_count。

**为何采用观众拍摄巨型电子屏的手机镜头（而非电视转播叠加层）：**第一版生成了一个电视转播切换画面，转播画面上叠加着粉色爱心亲吻镜头图形——用户反馈称“亲吻镜头图形很难看，看看真实视频里的亲吻镜头是什么样的。”网上真实走红的亲吻镜头片段几乎都是观众用手机拍摄巨型电子屏（如奥巴马时期的 USA Basketball 亲吻镜头、Sarah Hyland / Wells Adams 亲吻镜头等）。巨型电子屏拍摄视角的构图符合用户心中“真实亲吻镜头”的审美——复古红色边框 + 闪闪发亮的爱心 + 草写体 Kiss Cam 字样 + 相邻的 LED 记分牌面板 + 昏暗的体育场 + 用手机拍摄的观众。

prompt（原文发送，不做任何模板替换）：

A high-resolution spectator-POV phone screenshot from inside packed Madison Square Garden during a Knicks vs Bulls NBA game, filmed by a fan in the lower bowl looking up at the giant suspended Jumbotron displaying the in-arena "Kiss Cam" segment. Real fan-filmed phone footage aesthetic — TikTok / Instagram online kiss-cam clip style.

Foreground (bottom 20% of frame): silhouettes of the backs/heads of a few fans in the row in front, slightly out-of-focus, dark; a couple of phones held up filming the Jumbotron, bright phone screens visible.

Mid-ground / upper 80%: the Jumbotron dominates the upper-center, bright LED panels against the dark arena ceiling and cabling above. Slight phone-camera tilt, slightly off-center natural handheld framing. Dim arena around, hint of upper-deck silhouettes.

The Jumbotron's central LED panel displays the kiss cam segment in iconic retro arena kiss cam style:
- Thick deep crimson red glowing decorative border frame.
- Bright red sparkly cartoon heart icons glowing in the corners and along edges.
- Subtle white star pattern texture in the red border.
- At the bottom center, large flowing white cursive script "Kiss Cam" with red glow and drop shadow.

Inside the kiss cam frame on the Jumbotron, two subjects framed two-shot chest-up:
- LEFT (Subject A) is the character from the FIRST reference image — preserve their exact likeness AND exact visual style (medium, level of stylization, color palette, rendering attributes). Do not redraw in a different style. Subject A is smiling shyly with one hand near the face, looking caught-off-guard and giggling.
- RIGHT (Subject B) is the character from the SECOND reference image — preserve their exact likeness AND exact visual style. Do not redraw in a different style. Subject B is seated upright at human scale next to Subject A, head tilted slightly toward Subject A.
- Around them inside the frame: packed Knicks fans in blue-and-orange jerseys, laughing, pointing, smiling at the kiss cam.

Adjacent LED panels on the Jumbotron show: "KNICKS 57 — BULLS 61", Q4, clock "4:32", with team logos. Small "MADISON SQUARE GARDEN" / "MSG" / AT&T branding.

Phone-camera aesthetic: slight motion blur, mild handheld imperfection, slightly noisy in dark areas, bright LED slightly blown out, 16:9 aspect ratio, real spectator POV. Looks like a still pulled from a fan-filmed Instagram / TikTok kiss cam clip.

调用参数：

• provider：gpt-image-2（关键参数——LED 细节最清晰，参考图相似度锁定效果最强；不使用备用提供方，仅在步骤 1 额度尚有剩余且审核拦截时重新运行相同调用）
• images：[state.subject_a_url, state.subject_b_url] （顺序很重要——Subject A 必须位于索引 0，Subject B 必须位于索引 1；提示词中的“FIRST / SECOND reference image”指数组索引）
• aspect_ratio：16:9
• quality：medium （默认值，可加快速度；现在也支持 high，但每次调用约需 2 分钟——仅在重视保真度时使用）
• output_format：png

**不要提供对任一主体的文字特征描述。**上面的提示词已经只用“FIRST/SECOND reference image 中的角色”来指代每个主体——这是有意为之。用文字描述头发 / 面部 / 服装 / 配饰会与参考图冲突并导致偏移：文字特征会盖过视觉参考，模型还会根据描述将主体特征同质化。

参考图包含所有身份和风格信息；提示词只添加风格保留锁定。这适用于任何参考风格——写实、3D 渲染、雕塑、插画等，无需指明风格。

将返回的 URL 保存为 state.kisscam_still_url。

步骤 2 前的 Agent 自检：目视检查——如果“Kiss Cam”文本拼写错误、记分牌看起来不对，或任一主体的相似度出现偏移，请在步骤 1 的上限内重试步骤 1。后续所有内容都会以像素锁定到这张图像。此项检查由 Agent 自行完成——不要询问用户。

失败时（gpt-image-2 返回 moderation_blocked——女性 / 女性主体组合加上“kiss cam”措辞时经常发生）：仅在步骤 1 额度尚有剩余时重新运行相同调用。不要切换提供方——其他方案生成的相似度和 LED 细节都较弱。

第 2 步 — 场内亲吻镜头片段（generate_reference_video，kling-v3-omni）

Kling-omni 的 image_types: ["first_frame"] 会将静帧锁定为实际的第 0 帧，因此，记分牌大屏、记分牌、亲吻镜头画面、爱心、草书“Kiss Cam”文字和前景球迷剪影在整个 15s 内都会保持像素级固定。只有亲吻镜头面板内的内容会动起来。

调用参数：

• provider：kling
• kling_model：kling-v3-omni
• duration：15
• aspect_ratio：16:9
• quality_mode：pro（1080p）
• reference_images：[state.kisscam_still_url] （使用最新值——第 1 步重新生成时会覆盖它）
• image_types：["first_frame"]
• sound：true
• prompt_adherence：strict
• negative_prompt（原文）：

scene cuts, scoreboard changing, Kiss Cam text changing, graphics morphing, character turning real, character becoming 2D, identity drift, gimbal stabilized, exaggerated acting, theatrical expressions, over-acting, mugging at camera, cartoon reactions, subjects lip-syncing PA announcer dialogue, characters mouthing the announcer lines, subjects' mouths moving with off-screen voice, subjects talking to camera, on-screen lip-sync

prompt_adherence: strict 与完整的 negative_prompt 锚定列表缺一不可——若缺少其中任一项，Kling 就会在片段中途让记分牌或“Kiss Cam”文字动起来，并使人物退化为过度表演／对着画外 PA 播报员对口型。

prompt（原文，约 2400 个字符——请预先精简，因为 Kling 将提示词上限设为 2500 个字符）：

First frame: spectator-POV phone shot at MSG of the Jumbotron Kiss Cam segment. Fan-filmed TikTok / Instagram kiss-cam clip style. Handheld phone, NOT pro broadcast.

Camera: continuous handheld shot. Subtle micro-wobble. Slow smooth push-in zoom across 15s toward the kiss cam panel.

Locked: Jumbotron, scoreboard (KNICKS 57 / Q4 4:32 / BULLS 61), red kiss cam border, sparkly hearts, cursive "Kiss Cam" script, AT&T branding, dark arena, foreground fan silhouettes — all consistent.

Inside the kiss cam frame:
Both subjects are the two characters already shown on the kiss cam panel of the first-frame reference still — preserve their exact likeness AND exact visual style across all 15 seconds. Do not redraw either subject in a different style. They animate with subtle, restrained, true-to-life motion within their original style — small natural blinks, gentle breathing, slight head turns, brief micro-smiles. Neither stiff and frozen, nor over-acting. The level of expression is what a real person shows when caught unexpectedly on a stadium camera. Keep all movement subtle, believable, human.
Surrounding Knicks fans react naturally in the background.

Timeline (all reactions stay subtle and human-scale):
0-3s: Subject A notices the camera, small embarrassed half-smile, glances at Subject B. Subject B notices a beat later, soft natural realization, slight smile beginning. Fans behind react gently.
3-7s: A and B exchange a brief warm look, share a quiet small laugh. Faces relax into natural smiles.
7-11s: A and B lean in and share a gentle kiss on the lips — brief, sweet, natural, not staged. Crowd cheers softly.
11-15s: They pull apart with light natural smiles. B leans head gently on A's shoulder. Both share a small quiet laugh.

Audio (non-diegetic / OFF-SCREEN only — Subject A and Subject B stay SILENT throughout, mouths closed, do not lip-sync the dialogue below):
- Packed-arena ambient throughout.
- OFF-SCREEN gender-neutral PA announcer (NOT from either visible subject — an unseen arena voice), amplified, slightly echoey, playful.
  0-3s: "Oh, kiss cam at the Garden — look at this!"
  3-7s: "Hahaha — let's see if they go for it!"
  7-11s: crowd erupts with "AWWWWS," cheers, claps swelling.
  11-15s: PA laughing: "There it is! Big love at the Garden tonight!"
- Phone mic picks up nearby fans louder than PA echo.

Aesthetic: real spectator phone-shot, noisy darks, slightly blown LED, subtle motion blur. 16:9, 1080p.

为何使用“在保留参考风格的前提下进行细微、克制、贴近真实的动作”（而非“仅有细微动作”、某个具体风格标签或一串丰富的微表情）：

• 第一次迭代用“仅做细微的头部／眼睛移动——始终保持为乙烯基玩具”来约束风格化人物，结果看起来僵硬，像是贴上去的。
• 第二次迭代指定了某种风格（“Pixar 质量的 3D 角色”），即使参考图采用的是不同风格，也会迫使人物朝该风格靠拢。
• 第三次迭代要求“自然且富有表现力地动作”，并列出一串容易引发过度表演的微表情（“眼睛睁大、震惊时张嘴、笑时脸颊抬起、双手举到脸前”）——结果人物表演过火，对着镜头挤眉弄眼，显得很戏剧化。

有效的表述方式既能锁定对参考风格的保留，又能规定细微、克制、贴近真实的动作，达到一个人被体育场摄像机拍到时的自然程度；同时在 negative_prompt 中加入 exaggerated acting / theatrical expressions / over-acting / mugging at camera / cartoon reactions，以抑制第三次迭代中出现的问题。

将返回的视频 URL 保存为 state.kisscam_video_url。如果生成是异步完成的，请使用 MCP 工具返回的状态句柄继续跟踪。若客户端层超时导致 task_id 未传递给 Agent，上游任务可能变成孤立任务；不要重复提交。向用户说明超时情况及上游任务可能孤立的风险，然后等待可恢复的任务句柄或操作人员明确确认后再重新运行。

第 2 步的 Kling 视频生成总共最多尝试 2 次（初次渲染 + 一次针对文字／记分牌动画、身份漂移、亲吻时机、PA 播报时机或对口型问题的纠正重试）。kling-v3-omni 没有种子参数，而且相同的 Kling 负载可能会解析到同一个任务／资源。不要仅为寻求变化而重复提交相同的 Kling 负载。纠正重试前，必须实质性修改负载，例如更新 state.kisscam_still_url、补回缺失的严格参数／negative_prompt 条目，或更改 PA 音频措辞／时机。跟踪 state.step2_attempt_count。

失败时：只有在更改 Kling 负载后，才能进行第 2 步纠正重试——不要切换视频引擎。Seedance 的两阶段相似度门槛（与 baseball-trend 同类项目相同）使其不适用于此场景。如果问题出在静帧本身（请依据第 1 步的自检标准——文字拼写、记分牌、相似度——判断），只有在第 1 步仍有剩余尝试次数时才重新运行第 1 步，并将新静帧用作已更改的首帧。任一步骤达到尝试上限后，都应停止并请求用户提供更安全的参考图，或许可交付最佳尝试；同时提供最佳静帧／视频 URL 及未通过的检查项。

步骤 3 — 交付

返回两个 Pika CDN URL：静态图像 URL 和最终视频 URL。如果宿主客户端需要本地媒体标记，请先确认两个 CDN URL 均可访问，然后在此技能之外创建本地预览。

单行摘要："MSG 的 Kiss Cam 时刻 — 15s、16:9、1080p、Kling v3-omni，原生 PA 播报员解说和观众反应。"

飞行后质量门槛

在宣布成功之前，对 state.kisscam_video_url 调用 analyze_media 并要求提供结构化判定：

Return JSON only: {
  "verdict": "clean" | "degraded" | "catastrophic",
  "observations": string[],
  "quality_warning": string | null,
  "re_roll_suggestion": string | null
}
Check that both faces stay consistent with their references, the kiss action completes as a brief natural lip kiss, Kiss Cam text / scoreboard styling stays readable, and neither visible subject lip-syncs the off-screen PA audio.

• 如果 verdict 为 clean，则正常返回静态图像 URL 和最终视频 URL。
• 如果 verdict 为 degraded，则返回 URL 和 quality_warning，供用户在发布前审核。
• 如果 verdict 为 catastrophic，则不要将本次运行视为完成；请提供该判定和 re_roll_suggestion，而不要宣布成功。

运行时预期

• **步骤 1 — gpt-image-2 medium、16:9、2 张参考图：**约 40–90s
• **步骤 2 — kling v3-omni、pro 1080p、15s、开启声音：**约 3–5 min
• **步骤 3 — 下载 + 输出标记：**约 5–10s
• **每次生成的总耗时：**约 4–6 分钟

如果步骤 1 需要重新生成，预算从该步骤重新开始；如果步骤 2 需要重新生成，则只重复视频阶段。

承重短语（保持原样）

未经重新验证，请勿修改这些内容——它们是依赖实测行为的要素，而非风格选择。

图像提示词（步骤 1）：

• spectator-POV phone screenshot ... lower bowl looking up at the giant suspended Jumbotron — 缺少这句，模型就会默认生成转播画面风格
• iconic retro arena kiss cam style + 四个装饰性项目符号（深红色边框、闪亮的爱心、星形图案、草写体 Kiss Cam）——这些元素共同营造出辨识度鲜明的复古风格
• the character from the FIRST / SECOND reference image — 图像锚定锁；绝不可用文字描述特征来替代
• preserve their exact likeness AND exact visual style + Do not redraw in a different style — 风格保留锁；两部分都不可或缺

Kling 提示词（步骤 2）：

• First frame: spectator-POV phone shot at MSG of the Jumbotron Kiss Cam segment — 与静帧相匹配的锚点
• preserve their exact likeness AND exact visual style across all 15 seconds — 确保整个片段中身份与风格保持一致
• subtle, restrained, true-to-life motion within their original style + Neither stiff and frozen, nor over-acting + The level of expression is what a real person shows when caught unexpectedly on a stadium camera — 校准动作幅度（避免“塑料玩具般僵硬”和“戏剧化过度表演”两种失败模式）
• gentle kiss on the lips — brief, sweet, natural, not staged — 亲吻镜头的锚点（不要弱化成“头部”或“脸颊”——这一趋势要求的是唇吻）
• Audio (non-diegetic / OFF-SCREEN only — Subject A and Subject B stay SILENT throughout, mouths closed, do not lip-sync the dialogue below) + OFF-SCREEN gender-neutral PA announcer (NOT from either visible subject — an unseen arena voice) — 缺少这些内容，Kling 就会默认把引用的对白归到可见人物身上，并将播报员台词同步到主体 A 或 B 的嘴型上
• Phone mic picks up nearby fans louder than PA echo — 强化观众手机录制的音频风格

Kling negative_prompt（步骤 2）：

• exaggerated acting, theatrical expressions, over-acting, mugging at camera, cartoon reactions — 缺少这些内容，Kling 就会退回到“表情夸张”的失败模式，让主体对着镜头挤眉弄眼
• subjects lip-syncing PA announcer dialogue, characters mouthing the announcer lines, subjects' mouths moving with off-screen voice, subjects talking to camera, on-screen lip-sync — 与画外音频锚点配合使用；抑制 Kling 将可见人物的嘴部动画默认匹配到音轨中任何语音的行为

参数：

• provider: gpt-image-2（步骤 1）——参见步骤 1 的说明
• prompt_adherence: strict（步骤 2）——缺少此项，记分牌和“Kiss Cam”文字会在片段中途漂移
• image_types: ["first_frame"]（步骤 2）——将静帧固定为实际的第 0 帧
• quality_mode: pro（步骤 2）——输出 1080p
• duration: 15（步骤 2）——时间线节拍（0-3s / 3-7s / 7-11s / 11-15s）是按 15s 编写的；更改时长会打乱亲吻节拍的时机

引擎选择：gpt-image-2 + 仅使用 Kling

步骤 1 — gpt-image-2，不进行回退。 经实测，它在 LED 屏幕细节（记分牌数字、亲吻镜头字体、复古装饰边缘）方面最清晰，参考图相似度锁定能力也最强——这种组合正是趋势卖点。如果收到 moderation_blocked 响应，只要步骤 1 的预算尚有剩余，就重新执行相同调用，不要改用其他提供方；早先的测试中，替代方案生成的相似度和 LED 细节都不够清晰。

步骤 2 — Kling，不使用 Seedance。 Seedance 有一个两阶段的 partner_validation_failed 422 闸门（与 baseball-trend 同类技能相同）：输入侧闸门会拒绝包含可辨认真实人物的参考图；输出侧闸门则会在生成后拒绝包含看起来像可辨认人脸的片段。每个 Kiss Cam 镜头都有一片挤满人脸的体育场观众，因此这里无法避开输出侧闸门。只有 Kling 能满足此配方的要求。

Kling 的取舍：prompt 上限为 2500 个字符（上面的配方已预先精简至约 2400 个字符；重新扩充可能触发提示词长度错误）。kling-v3-omni 没有 seed；完全相同的 Kling 负载可能会合并为同一作业／资产，因此纠正性重试必须实质性地更改首帧静帧、prompt、negative_prompt 或 PA 音频措辞。不要提交完全相同的 Kling 负载来尝试生成变化。

故障速查表

症状	解决方法
Step 1 出现 moderation_blocked	gpt-image-2 安全审核拦截（常见于女性／女性主体配对，以及使用 “kiss cam” 表述）。在 Step 1 重试额度内重新发起相同调用；不要更换提供商——替代方案会导致相似度和 LED 细节表现都较弱
Kling 提示词错误：提示词超过 2500 个字符	Kling 提示词中的音频或美学部分重新膨胀。删减音频块或美学块的内容；绝不要删减动画时间线
记分牌、“Kiss Cam”文字或图形在片段中途发生动画变化	未将 prompt_adherence 设为 strict，或 negative_prompt 缺少“记分牌变化”／“Kiss Cam 文字变化”等条目。在仅有的一次 Step 2 修正重试前恢复这两个参数，以确保负载有所变化
主体在约 8 秒后身份发生漂移	参考静帧的面部裁剪过小——面部像素不足，Kling 无法锁定身份。如果 Step 1 额度尚有剩余，可重新执行 Step 1，仅对主体采用更紧凑的面部裁剪，然后在 Step 2 修正重试时使用修改后的静帧
主体被重绘成不同风格（写实 → 插画风，或反之）	风格保留锁被削弱，或某个具体风格标签（Pixar／anime 等）混入了任一提示词。恢复“保留完全一致的相似度和视觉风格”这一锚点；移除所有风格标签
PA 播报员把某个词念错，或错过亲吻的节拍	Kling 每次生成只会生成一条原生音频。添加发音提示、缩短 PA 台词，或在仅有的一次 Step 2 修正重试前调整音频时间
某个画面中的主体对 PA 播报员的台词做口型同步／张嘴说话	Kling 默认会将音轨中的任何引号内对白归给画面中可见的人物——若没有明确标注画外声音，它会选中某个主体并为其生成与台词同步的嘴部动作。确认音频块明确标注为 Audio (non-diegetic / OFF-SCREEN only — Subject A and Subject B stay SILENT throughout, mouths closed...)，且 negative_prompt 包含 subjects lip-syncing PA announcer dialogue, characters mouthing the announcer lines, on-screen lip-sync；在仅有的一次 Step 2 修正重试前恢复这些锚点
主体对着镜头做表情／过度表演／表情夸张／反应卡通化	动画块规定了一系列同时出现的夸张微表情，或时间线节拍使用了夸张描述（“灿烂的笑容”、“害羞又兴奋地扭动”、“眼睛瞪大”）。在动画块中恢复 subtle, restrained, true-to-life motion 的表述；从时间线中删除情绪形容词；确认 negative_prompt 中包含 exaggerated acting / theatrical expressions / over-acting / mugging at camera / cartoon reactions
亲吻落在脸颊／额头／头部，而不是嘴唇上	时间线节拍中的 gentle kiss on the lips 被弱化。恢复 7-11s 节拍中的唇吻原句；趋势要求的是唇吻，而不是亲头部
尝试使用 Seedance，而不是 Kling	选错了引擎。切换到 kling——Seedance 的两阶段相似度审核机制在此处不可用（参见“引擎选择”）
Step 2 超时，未返回 task_id	客户端层超时导致上游任务成为孤儿任务——没有可用于恢复的句柄。不要重复提交。说明上游孤儿任务的风险，并等待获得可恢复的任务句柄或操作员明确确认后再重跑

不要做的事

• 不要添加姓名字幕条。 这种趋势中没有姓名——画面里是两个匿名主体被摄像机捕捉到。
• 不要把画面处理成带爱心叠加效果的电视转播插播镜头。 这是大屏幕镜头。
• 不要只写「只有轻微动作」（主体会僵得像乙烯基玩具），也不要在动画描述中堆砌同时发生的细微表情，例如「眼睛睁大、嘴巴张开、脸颊扬起」（主体会表演过度，还会对着镜头卖萌）。有效的表述是 subtle, restrained, true-to-life motion at the level of someone caught unexpectedly on a stadium camera——两种失败模式都藏在「轻微」一词里；「贴近真实」这个限定语才能校准效果。
• 不要在时间轴节拍中使用夸张的情绪形容词，例如「灿烂的笑容」「害羞又兴奋地扭动」「眼睛睁大」「也咯咯笑起来」。请使用克制的动词：「注意到」「浅浅一笑」「交换眼神」「一起轻声笑」。
• 不要在任一提示词中指定特定风格（Pixar、anime、Disney、photoreal 等）。参考图定义风格；提示词只需写「保留参考图的风格」。
• 不要把亲吻改成亲吻额头、脸颊或「亲吻头顶」。 这种趋势是唇吻——保留原样的节拍 gentle kiss on the lips — brief, sweet, natural, not staged。
• 不要把音频部分写成没有画外锚点的纯引号对白。 Kling 默认会把任何引号中的台词归给可见的人脸，并将播报员的台词同步到主体 A 或主体 B 的嘴型上。音频部分务必以 Audio (non-diegetic / OFF-SCREEN only — Subject A and Subject B stay SILENT throughout, mouths closed, never lip-sync any dialogue below) 为框架，并在 negative_prompt 中加入防止唇形同步的术语。
• 不要在叙述或 PA 对白中指定任一主体的性别。 使用「主体 A / 主体 B」、「they/them」或不带代词的描述。
• 审核未通过时不要更换服务提供方——只有在步骤 1 预算仍有剩余时，才重新运行同一个 gpt-image-2 调用。
• 不要尝试 Seedance。
• 不要生成音乐。 原生 PA 播报员声音加上现场人群环境音就是配乐。
• 不要运行后期处理层（add_captions、generate_music、edit_concat、edit_text_overlay、edit_pip，以及任何 edit_*）。Kling 会直接烧录比分牌、字幕条和原生解说；之后添加任何内容都会破坏亲吻镜头的错觉。