scenario-ugc

场景 UGC 创作者视频

概述

UGC 是一种表达方式，而非内容长度：内容读起来像一个人对着自己的手机说话，而不是品牌通过摄制团队对着镜头说话。本技能中的一切都服务于这种表达方式，大多数问题都源于把广告制作手法带入其中。本技能负责安排制作流程；具体操作由各环节中提到的相关技能负责。关于衔接和核心循环，请参阅此仓库中的 scenario 技能。如果你可用的技能中缺少这里提到的相关技能，请让用户安装（npx skills add scenario-labs/skills --skill <name>）；如果无人值守，则根据工具架构继续操作，并标明缺失项。

有两条规则不可妥协。绝不生成产品：演示镜头必须从真实产品的上传照片或视频素材开始（静态图使用 scenario-product-shots）。绝不编造文案：不得捏造用户评价、评论数量、指标、医疗或财务声明，也不得编造法律文案；只说用户提供或批准的内容，并优先使用可观察的描述（“质地看起来更轻薄”），而不是声称效果（“这能治痤疮”）。

快速参考：按发言者环节安排流程

使用 recommend 发现成员，并传入该环节的能力和用户原话：它会按实测成本和延迟排序，并指出专用选项；而使用描述能力的 search 会返回数百个关键词匹配项，让人无从选择。按照 scenario 技能的要求，选择前先阅读 next_step。只有在你已经知道成员名称时才使用 search。绝不要将生成模型的 id 写死为常量。下文直接列出了 Scenario 自有的单用途工具模型：每种恰好只有一个，因此发现它们只会再次推导出一个常量。

路径	路由	合约
肖像加语音音频	说话头像成员（img2video）	scenario-kling
现有视频，新台词	唇形同步成员（video2video），使用音频或 text，不能两者兼用	scenario-kling
录制好的表演，换一张脸	动作控制成员（video2video，在 recommend 提示词中写上“motion control”，否则会返回唇形同步成员）：静态角色图加上作为驱动 video 的录制视频；keepOriginalSound 可保留人声；输出采用成员自身的尺寸，静态图仅提供方向	scenario-kling
生成原生语音的创作者视频	原生音频视频系列（txt2video），将对白放在引号内，并注明表达方式（语速、语气、一个手势）	scenario-veo、scenario-seedance、scenario-kling
无人出镜的配音	B-roll 片段（txt2video）加上 TTS 旁白（txt2audio）	scenario-video、scenario-elevenlabs
产品演示插入镜头	基于上传的产品静态图进行图生视频	scenario-product-shots、scenario-video
字幕、剪辑、9:16 成片	使用组装工具模型；将文字卡片作为图像图层	scenario-video-assembly、scenario-text-overlay
脚本分为六个口语节拍：钩子（一个具体的矛盾或结果）、背景（为什么这个讲述者在意）、产品时刻、证明（可见演示或用户提供的事实）、转折（回应异议或展示前后变化）、结尾（轻柔的行动号召）。写出来要适合说出口，而不是适合阅读：可以使用缩略说法和话说一半的停顿，不要用广告语。口语语速接近每秒 2.5 个词，因此 25 秒广告大约有 60 个词，但这只是初步估算，而且虚拟形象成员往往达不到这个速度：观察到的语速为每秒 1.76 到 1.94 个词，有一位成员还在 60 词的脚本中插入了 21 秒静音。拼接前先计时返回的片段，然后删掉其中的静音，并在只是语速偏慢时删减脚本。合成器无法在单个图层内剪切，因此每个保留的片段都要单独用一个图层，并为其设置各自的 trimStart 和 duration。

在每条视觉提示词中保持统一的风格：手机高度的取景、自然光、带有杂物的真实场所、自然的皮肤纹理，手持镜头漂移最多一次。电影化的表现手法（推轨移动、黄金时段的轮廓光、浅景深变形宽银幕效果、调色、磨皮）会让内容看起来像广告，削弱可信度。原生采用 9:16 构图；生成前，按 scenario-formats 对工作流中使用的任何非竖版静帧重新取景（虚拟形象肖像、运动控制角色静帧、产品照片）。裁切自 16:9 母版的画面看起来会像电视。

示例：从肖像制作一支 25 秒的创始人广告

1. 一次性说明需求：优惠、平台、时长、创始人可以声称的事实以及语气。收集肖像和真实的产品照片，然后不中断地完成整个流程。
2. 在首次生成前创建本次运行的集合（collection_create，目录写入通道，仅填写 name），然后每当有素材通过筛选，就用 collection_add_assets 将其加入；返回的 itemCount 就是凭据。
3. 起草六个节拍，总字数约 60 词，并与用户确认措辞；脚本是声明内容的载体，不只是文案。若无人值守，所有台词都只能使用需求说明中已有的措辞，并删去任何需要新增声明的节拍。
4. 配音：上传创始人录制的旁白（upload_asset），或者在他们想使用经批准的替代声音时，按照 scenario-elevenlabs 生成 TTS。
5. 使用 capability="img2video" 和用户自己的措辞描述需求，调用 recommend；根据输入约定从其排序列表中选择：语音只以文本形式存在时，选用接受脚本的成员；有录音时，选用接受音频的成员。然后根据该成员能否设置为不嵌入字幕来选择：有些成员会臆造乱码字幕，任何负向提示词都无法抑制；而带有此开关的成员价格会高出数倍，recommend 会替你计入价格。
6. 上传肖像（upload_asset）。提示角色双手空着、场景中不出现产品：头像类成员会臆造道具和标签字体。先设置 dry_run=true 调用 model_run：头像类成员之间的价格差异很大，因此花钱前先报价。
7. 正式运行时设置 wait=false，然后使用返回的 job id 调用 jobs_wait；超时后再次调用时使用 pending_job_ids，绝不要第二次调用 model_run。
8. 插入演示镜头：使用图像转视频成员为上传的产品照片制作动画（scenario-video），时长 3 到 5 秒，只做一个微小动作。起始图像存在时 aspectRatio 是否生效取决于具体成员，架构说明可能对，也可能不对，因此不要假设比例已生效，而要读取返回素材的 width 和 height。
9. 按照 scenario-video-assembly 使用 model_scenario-compose-video 进行拼接：以对话头像为主线，在第三和第四个节拍之间插入镜头；通过 scenario-text-overlay 将产品名称卡片制作为图像图层；若没有经批准的产品名称，则完全舍弃卡片，因为臆造名称正是需求说明所禁止的捏造。每个叠加图层都必须明确指定 width 和 height，否则合成器会缩放图层；durationMode: "custom" 则可锁定主视频的时长，避免图像图层将其拉长。合成任务成功并不能证明图层已绘制或放在指定位置：交付前，从合成视频中提取一帧，确认卡片存在且位置正确。最后再为成片添加字幕；使用 recommend 发现 scenario-video-assembly 中的字幕工具（有两个，因此没有固定 id），并将字幕放在平台的安全区域内：合成器没有文本图层。
10. 使用 asset_display 查看主视频。所有生成的片段都必须经过审核，包括对话头像：先获取平台提供的帧、通过 asset_get 免费获取 firstFrame 和 lastFrame；如果需要片段中间的帧来作出判断，再使用 model_scenario-video-to-image-seq 提取帧，然后将它们与上传素材对照（scenario-asset-analysis）。无论预算多少，本地提取都不能替代这一流程，因为本地提取不会生成可归档或审计的素材，审核流程也就无法追溯；角色手中臆造的产品或清晰可读的生成字体，都会使片段不合格，就像插入镜头中的标签偏差一样。按 job id 汇总本次运行各 job 记录，计算花费：jobs_list 的范围是整个项目，因此会高估花费；usage 的主要数字则是项目的生命周期累计值。

常见错误

• 写好广告文案后直接交给创作者念：押头韵的标语让人面对镜头念出来会显得生硬；生成前先大声朗读脚本。
• 编造社会认同：虚构的“10,000 条五星好评”是用户从未提出的说法；数字和用户评价都应严格采用用户提供的表述。
• 把创作者当成商业广告来提示：三脚架取景、完美灯光和一尘不染的摄影棚厨房看起来都像广告；不完美才是这种形式的特点。
• 同时向 lipsync 成员传入音频和 text：输入只能二选一；选一个即可。
• 为虚拟形象和 lipsync 运行跳过 dry_run：各成员的定价差异太大，无法靠猜测估算。
• 生成产品或任何屏幕文字：产品应来自上传的照片，文字应在组装时叠加。原生语音成员可以为引用的台词添加字幕，而这些字幕会与字幕工具放在安全区域内的字幕冲突，因此每条对话提示词都以“no subtitles, no on-screen text”结尾。台词是唯一能调整的部分，而且不产生费用，但这并非保证（有个原生语音成员在创作时还是添加了字幕），所以合成前先提取一帧；虚拟形象成员可能会凭空生成字幕，且没有任何提示词能抑制这种情况，因此第 5 步会为它们的字幕开关计价。
• 只生成一段 40 秒的 B-roll 或创作者生成视频：应按节拍生成片段，并在节拍转换处剪辑；单个长镜头容易偏离方向，而且重试成本更高。面对镜头的脚本应保持为一个镜头，并在组装时修剪。
• 将横向母版裁剪为 9:16：人物头部和字幕会落在安全区域之外；从一开始就按竖屏构图。