music-video-subtitle-generator

音乐美学 MV

目的

当用户想要创作、修改、审核或生成音乐视频提示词或情感短片提示词，且需要将音乐、歌词、字体设计、参考素材、节奏、表演和镜头语言结合起来设计时，使用此 Skill。该工作流将 MV 提示词规则融入 Hub 执行：确认关键创意决策，将锁定后的提示词写入画布文本节点，并将媒体创作委托给 Hub Agent。

请勿将其用于普通字幕烧录、通用视频编辑、非音乐类产品广告，或不具备 MV 结构的简单单图／单片段请求。

Hub 兼容规则

• 不要假设可以使用第三方工具、Shell 脚本、浏览器插件或外部生成 API。
• 将锁定后的提示词和修订内容写入 Hub 画布文本节点。
• 将角色卡、场景卡、字体设计卡、视频片段、背景音乐和最终合成工作委托给 Hub 图像、视频、音乐和编辑 Agent。
• 不要硬编码输出路径；始终使用 Hub 返回的路径。
• 如果用户说“跳过确认／直接做”，除非外层编排器已授予当前会话授权，否则仅对本次运行生效。
• 如果用户只需要提示词，交付后即停止。如果用户想要完成的 MV，则在确认后继续生成和合成。

核心原则

1. 先理解作品，再选择结构。模板用于组织内容，但并非必须遵循的表单。
2. 以最新确认的创作意图为准。
3. 省略无关字段，不要填充占位符。
4. 不要仅仅因为预设中包含表演、字体设计、转场、镜头运动或角色动作，就机械地加入这些内容。
5. 除非用户明确要求添加字幕，否则屏幕文字应作为经过设计的视觉层，而非普通字幕。
6. 如果用户上传了歌曲或节拍，应将其作为主音乐轨，除非用户要求替换。
7. 超过 15 秒视频的自然多镜头衔接：当时长超过模型的单次生成时长限制时，使用“多镜头分镜拆解 + 尾帧／首帧延续 + 节拍硬切 + 全局主音轨对齐”。每个片段都必须保持相同的律动、速度感、宽高比、角色逻辑、视觉预设、灯光风格和字体动态规则。
8. 如果用户想要一支没有歌词的完整音乐美学 MV，先创作并锁定原创歌词。最终 MV 必须同时参考角色卡、字体包装卡和场景卡。字体包装卡仅控制文字包装风格、字体纹理、平面设计、版面比例和动态语言。

步骤 1：制作前确认

编写最终制作提示词前，先用简洁的推荐选项确认最低限度的基础信息。

1.1 视频格式

提供固定选项：

用途	宽高比	分辨率
TikTok / Reels / Shorts 竖屏	9:16	1080×1920
YouTube / Bilibili 横屏	16:9	1920×1080
信息流方形	1:1	1080×1080
高密度竖屏广告测试	9:16	720×1280
电影感宽银幕 MV	21:9	2560×1080

选定的宽高比必须在角色卡、场景卡、字体参考、镜头提示词、视频片段和最终合成中保持一致。

1.2 目标时长与多镜头结构

编写提示词或生成视频前，先确认 MV 的目标时长。切勿默认将模型默认时长视为用户意图。

提供简洁的时长选项卡：

1. 10 秒测试：一个或两个镜头，用于验证角色、场景、字体和音频风格。
2. 15 秒钩子段：2–4 个短镜头，呈现更完整的副歌／钩子／表演乐句。
3. 30 秒或更长的完整 MV（多镜头拼接）：由于许多模型的单次生成时长上限为 15 秒，自动采用多镜头拼接工作流。先生成或锁定一段连续的歌曲／背景音乐，再将 30 秒拆分为 4–8 个时长为 2–5 秒的动态镜头，最后通过节拍同步和首尾帧衔接进行拼接。
4. 自定义时长：由用户提供时长，并根据所选模型的单段视频时长上限规划镜头数量和拼接方式。

如果用户上传了音乐，确认的时长就是音乐片段的长度。

1.3 音乐片段

如果上传或指定的音乐长于确认的时长，编写提示词前先锁定音乐片段：

1. 推荐片段：助手找出最有感染力的副歌／钩子／情绪转折段，并请求用户确认。
2. 用户指定时间戳：用户提供起止秒数；确认两者均在音频范围内。
3. 多版本：仅用于广告钩子测试或多种创意方向。

如果音乐短于目标时长，使用完整音频，除非用户明确要求拉伸或延长。

1.3.0 锁定歌词与歌词优先的备用方案

生成最终视频提示词或开始生成前，先确定歌词归属：

1. 如果用户提供了歌词，则将其锁定。除非用户明确要求，否则不得生成、添加、改写、扩展、翻译、转述或替换歌词。
2. 如果用户想制作没有歌词但具有完整音乐美感的 MV，则生成符合音乐风格、演唱方式、时长、情绪和视觉预设的原创短歌词，然后将其锁定。
3. 锁定的歌词是说唱／演唱表演和画面文字的唯一文本来源。
4. 将锁定的歌词拆分到每个镜头的 Rap line:、Vocal line:、Soft vocal line: 或 Spoken line: 字段中。
5. 每个 Typography: 字段的内容都必须取自同一份锁定歌词。演唱过程中，画面文字必须与演唱的乐句逐字一致。
6. 在最终的文字排版 MV 中，表演者必须说唱或演唱锁定的歌词，并通过可见的唇形、下颌动作、呼吸、面部表情、点头和手势配合措辞与节奏。

1.3.1 >15 秒视频的默认多镜头拼接

对于 30 秒等时长超过 15 秒的 MV，以全局多镜头提示词脚本为准：

1. 锁定完整母版音轨：锁定一段包含完整人声和律动的连续歌曲／背景音乐，作为唯一的音频基准。
2. 构建镜头时间线：将 30 秒拆分为 4–8 个时长为 2–5 秒的短镜头，精确对应歌词时间戳和军鼓、808、Drop 等节拍点。
3. 衔接首尾帧与场景：如果镜头 B 延续同一场景，则使用镜头 A 的尾帧作为镜头 B 的首帧。如果是硬切，则保持角色设定卡、服装和灯光提示词一致，并使用方向相同的摄影机运动或匹配剪辑的视觉元素。
4. 生成与剪辑组装：视频 Agent 根据镜头列表生成每个镜头。剪辑 Agent 将所有片段对齐到全局母版音轨的节拍网格，并通过裁切、变速和拼接，实现自然的唇形同步、节拍同步和转场。

STEP 2：创意约定

在撰写最终提示词之前，先拟定一份简洁的创意约定：

• 音乐流派、乐器编制、速度／BPM 感、演唱方式和情绪基调。
• 歌词来源和锁定歌词。
• 目标时长和多镜头拆分，例如：30 秒拆分为 6 个短镜头。
• 参考图的作用：角色卡、场景卡、字体包装卡。
• 镜头语言、景别、焦点、节拍剪辑密度和转场逻辑。
• 排除项，例如不使用淡入淡出、不采用光鲜精致的 AI 美颜脸、不拉伸单一镜头以免造成变形。

STEP 3：参考图分工与场景采样

为每张参考图指定一项明确的用途：

• 字体参考卡：仅控制文字包装风格、字体质感、平面设计、布局比例和动态语言。不得提供人物或场景元素。
• 角色参考卡：控制角色身份、面部气质、发型、服装轮廓、身材比例、姿势和存在感。
• 场景参考卡：控制场景风格、空间氛围、画面质感、背景纵深和光线情绪。

3.1 特写场景切换与多镜头采样

对于 Trap、Dark-pop、Cyber-grunge 及其他快节奏 MV，在多个特写空间之间快速切换：

• 保持场景情绪统一，但每个镜头的空间都必须明显不同，例如局部背景、隧道、墙面、灯带或反光地面。
• 场景切换必须由音乐冲击触发：低音重击、808 下坠、军鼓、演唱重音或字体撞击。
• 镜头切换是 Trap 节拍上的“视觉采样”：硬切、跳切、扫描故障切、闪切或动作匹配切。

STEP 4：预设语法，Dark-pop / Cyber-grunge 与 Trap 示例

视觉与剪辑语言

• 采用写实的高级时装质感和电影杂志质感，参考 90 年代末至 00 年代初的独立杂志、复印纸、胶片扫描和 zine 拼贴风格。
• 粗颗粒、轻微胶片抖动、半色调网点、粗糙的印刷边缘、扫描错位。
• 剪辑只能使用硬切。不得使用淡入淡出、叠化或柔和转场。
• 画面和字体必须强烈响应节拍提示：hi-hat 连击触发微抖动／跳帧，军鼓触发放大／硬切／肩部下沉，808 低音重击触发低频压缩／拉伸／错位。

字体包装规则

• 字体是空间中的动态平面设计主体，而非字幕条。它可以位于前景、中景或背景，也可以被肩膀／手部遮挡。
• 文字不得遮挡眼睛或主要面部表情；关键唇形同步期间应避开嘴部。
• 有人声时，画面中可见的歌词必须与实际演唱的歌词完全一致。每个镜头只安排一个主要字体事件。

STEP 5：提示词结构模板

多镜头脚本必须按镜头模块化，并准确映射时长和音频：

[Global Aesthetic & Character Lock]: (global character and aesthetic anchor prompt)

Shot 1 (0.0s - 3.5s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: hard cut to Shot 2 on bass hit / same-direction whip pan

Shot 2 (3.5s - 7.0s)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: ...

STEP 6：BGM 连贯性与自然多镜头拼接系统

6.1 全局音频连贯性

整支 MV 必须与同一条 Master Audio 音轨绑定。分段生成视频时，不得使用彼此独立、不连贯的片段音频。剪辑组装时，所有视频片段都必须与 Master Audio 时间线上的对应时间戳对齐。

6.2 自然拼接协议

对于超过 15s 的拼接，须确保五项连续性：

人声与唇形连续性：剪辑点必须落在歌词停顿、换气、军鼓或音乐骤降处。不要在元音或歌词尚未结束时直接硬切，除非下一镜头是极近景，且嘴型保持连续。

节奏与节拍匹配：剪辑点必须落在 1/4 或 1/8 拍网格上。使用变速来让点头、手势和眨眼与节拍对齐。

美学与调色：每次跨镜头生成都使用相同的美学提示词头部：颗粒级别、LUT 方向和光线方向。最终合成时统一使用 35mm 胶片颗粒和 LUT，以掩盖批次间的色彩差异。

转场与动作连续性：延续长镜头时，使用前一镜头的尾帧作为下一镜头的首帧，并提示动作延续。硬切换场景时，使用同方向摇镜或手部遮挡匹配剪辑等动态连续性手法。

排版文字动态拼接：前一镜头中的文字应在低音重拍时碎裂、扫出或撞出屏幕；下一镜头的文字则在重音处撞入或展开，延续视觉动势。

STEP 7：检查清单

交付前，静默核验：

• 如果目标时长超过 15s，是否已自动使用多镜头拆分？
• 是否锁定了一个全局主音频，且剪辑点已与节拍对齐？
• 剪辑是否避开歌词中途的人声断点，并保持自然的唇形和换气连续性？
• 相邻镜头是否具有清晰的拼接逻辑，例如尾帧/首帧延续、同方向运动、匹配剪辑或节拍硬切？
• 剪辑风格是否严格采用硬切，没有淡入淡出或柔和转场？
• 角色、场景和排版文字卡是否彼此隔离，没有交叉污染？
• 排版文字是否作为空间图层，且不会遮挡眼睛或主要面部表情？
• 画质、颗粒、色彩和光线是否在全局保持一致？

STEP 8：画布交付

完整的 MV 提示词脚本锁定后，将其写入专用画布文本节点，命名为 Complete MV Prompt 或 完整MV Prompt。该节点必须包含完整的多镜头提示词脚本和拼接说明。之后的修订都应更新同一节点。

STEP 9：最终 MV 生成与合成工作流

1. 锁定提示词并写入画布：确认包含时间戳、歌词映射和转场逻辑的完整多镜头提示词脚本已写入画布。
2. 并行生成镜头：视频 Agent 根据镜头列表生成每个 2–5s 的镜头。对于延续镜头，提取前一镜头的尾帧，作为下一镜头的 I2V 首帧。
3. 多轨剪辑与拼接：剪辑 Agent 导入全局主音频，按时间戳对齐所有镜头视频，在节拍网格上进行修剪和变速，并通过同方向运动或闪切遮罩检查接缝。
4. 后期处理：应用统一的电影 LUT 和 35mm 胶片颗粒叠加层，以降低 AI 塑料感并确保视觉一致性。
5. 交付：输出无缝完整的 MV 视频文件。