scenario-video

场景视频生成与编辑

概述

Scenario 通过一个 MCP 工作流提供丰富的视频目录：包括文本生成视频和图像生成视频，以及视频生成视频编辑器、口型同步、升频和确定性的剪切／拆分／拼接工具。各系列的接口约定：scenario-kling、scenario-veo、scenario-seedance、scenario-gemini-omni、scenario-luma-video、scenario-runway、scenario-grok-imagine-video、scenario-wan、scenario-minimax-video、scenario-vidu。

连接和核心生成工作流：请参阅 scenario 技能。如果此处提到的某项相关技能不在可用技能中，请让用户安装它 （npx skills add scenario-labs/skills --skill <name>）；若无人值守，则根据工具架构继续操作，并指出这一缺口。

快速参考

步骤	工具	说明
查找模型	recommend 或 search	使用 recommend 时，以用户自己的措辞描述需求，并从其枚举值中选择一个 capability（歌曲对应 img2video、video2video、audio2video；升频视频素材和将其与音轨同步都属于 video2video）；按名称查找时使用 search
检查输入	model_schema_get	始终在 model_run 之前调用；视频架构差异很大（时长、宽高比、帧锚点）
上传源素材	upload_asset	本地静态图像或视频片段会变为一个 asset_id
生成	model_run	生成视频时使用 wait=false；先用 dry_run=true 估算费用
等待	jobs_wait	使用返回的 pending_job_ids 重复调用，直到完成；其约 180 秒的超时不代表错误
查看	asset_display / asset_download	内联显示；asset_download 会返回文件 URL，使用 curl -L 保存

示例：将主视觉静帧制作成短广告片

1. 用用户自己的措辞作为 prompt 调用 recommend（需求是一种能力，即 img2video）；按照 scenario 技能的指引处理 next_step。
2. 对选中的模型调用 model_schema_get。留意图像字段、时长选项，以及任何末帧锚点。
3. 对静帧调用 upload_asset；它会返回 asset_id="asset_abc"。
4. 调用 model_run，使用 parameters={"image": "asset_abc", "prompt": "Close-up on the mug; slow dolly-in as steam curls through window light, shallow focus on the rim. Room tone and a soft kettle hiss, no subtitles."} 并设置 wait=false。返回一个 job_id。
5. 使用 job_ids=["job_xyz"] 调用 jobs_wait；只要还有待处理任务，就使用 pending_job_ids 再次调用。
6. 对输出调用 asset_display（asset_id），然后调用 asset_download（不指定 format）。

源图像已经确定了画面风格，因此提示词只需描述动作、镜头和时序（“向左环绕”“停留在最终姿势”），每次重试只改一个分句。首帧字段会固定片段的开场方式（如果提供了末帧字段，则会固定片段的收尾方式；且末帧字段只能与首帧字段同时使用：单独使用会报 400 错误 A first frame must be provided if a last frame is set）；参考图像字段则用于传递角色身份和画面风格，但不固定任何时刻。因此，精确的开场构图应通过渲染后的静帧提供，反复出现的角色或产品则应作为参考图像提供；一次运行能否同时使用两者取决于模型架构，而有些模型禁止同时使用这两项。参考音频字段是提示词必须明确说明用途的引导：它的作用（在某一类模型中控制时序和能量，在另一类模型中提供人声）以及它能否单独使用，还是必须同时提供图像或视频参考，都由该系列技能的约定规定。但对于每个模型成员，如果在角色参考旁静默地传入一段音轨，很容易被忽略，因此提示词要说明音轨的用途（语音场景写“参考音频是她本人的声音，与口型同步”；音乐场景则说明剪辑应落在哪个节拍上）。训练好的 LoRA 不会随之传入：在编写本文时，没有视频模型成员接受 loras，因此自定义风格需通过使用 LoRA 生成的静帧传递，并将其作为首帧或参考图像。先用成本最低的分辨率档位和最短的实用 duration 进行迭代，再将选中的成片放大：在更高档位重新运行属于一次新的生成，因为许多视频模型架构没有 seed，也没有任何架构保证跨档位复现同一镜头。

镜头提示词

将提示词写成镜头指导句，而不是标签：镜头景别、场景、主体和一个动作、一个明确命名的缓慢运镜、光源、风格，以及一条音频说明，并按该系列技能规定的顺序排列。明确命名的运镜和具体的光源在生成后仍能保留；情绪词则不能。

许多生成器会随画面一起返回声音（对白、音效、环境声，有时还包括配乐），由 generateAudio 或 audio 控制（若模型架构包含其中一项），且各自都有默认值；如果两者都没有，搜索结果会说明是否会返回声音，而提示词是控制返回内容的唯一手段。音效和环境声用普通文字描述，对白则放在引号中，并只说明应当听到的内容：“不要音乐”可能像指定流派或乐器一样触发配乐自身的审核（配乐会在后期合成中一次性添加；如果后期合成会提供完整配乐，就关闭音频）。如果仍然混入音乐，请关闭音频后重新运行，并使用音效或视频转音频模型添加声音；没有音频开关的模型成员无法这样重跑，因此请改用带有该开关的模型成员。对于画面，仍然要注明排除项，例如“不要字幕，不要屏幕文字”，因为字幕工具只会添加字幕，不会移除字幕。除非模型架构包含 negativePrompt，否则排除项应写在提示词中。观众必须阅读的文字应在后期合成中添加（scenario-video-assembly）：生成的文字会出现偏移。

编辑现有素材

所有编辑都通过视频输入模型上的 model_run 完成，模型由 recommend 查找：

• 提示词驱动的编辑（重新设计风格、替换物体、角色或背景，或重新构图为其他宽高比）。重新构图会在画面外进行扩绘，不同于确定性调整尺寸。如果提示词驱动的编辑器未能完成指定更改（如重新着色、替换道具），请编辑静帧：asset_get 会将片段的 firstFrame 作为免费资源 ID 返回；使用图像模型编辑该静帧，再以其作为首帧重新渲染，并在架构要求传入这对素材的地方同时传入源片段（只有少数模型如此）。
• 口型同步和配音：见下一节。
• 升级至最高 4K。
• 确定性工具（修剪、拆分、调整尺寸、特效、调色、提取帧、移除背景）：见 scenario-video-editing。组装完成的剪辑：见 scenario-video-assembly。
• 从片段最后一帧延长片段，可使用专用的延长接口，或通过首帧运行串联，突破任一接口的时长上限：对渲染出的片段调用 asset_get，并将其 lastFrame 资源 ID 作为下一次运行的首帧；编写提示词时应根据画面内容（位置、朝向、镜头所在一侧，确保屏幕方向在衔接处保持一致），而非原计划，因为渲染结果可能会偏离计划；使用 model_scenario-video-concat 将各次运行拼接起来（这是固定 ID，原因与剪切和拆分工具相同；默认硬切，详见 scenario-video-assembly）。

配音不等于口型同步

配音会翻译语音，并保留每位说话者自己的声音、语气和时间节奏。它不会移动嘴部，因此配音后的对话头像仍会做出说原语言时的口型。以下是三个步骤，如下方限制要求，先进行必要的修剪：

1. 配音。 将片段作为 file 传入，并从架构允许的值中选择必填的 targetLang。省略 sourceLang 以自动检测，因为不同模型表示自动检测的值各不相同。如果翻译必须保留品牌或名称，请选择架构包含 keyterms 的模型，因为并非所有模型都支持；若该字段为 array: true，即使只有一个术语，也要传入 ["Scenario"]。
2. 提取。 配音会返回配音后的视频，而不是单独的音轨；口型同步需要音频资源。使用 model_scenario-audio-extract 提取语音。这是固定的第一方 ID：Scenario 在此操作中只有这一个确定性工具，因此发现工具也只是重新推导它。
3. 口型同步。 同时传入配音后的视频及其提取出的音轨。没有任何架构说明输入自身的音频是否会保留，因此交付前请试听输出。大多数模型将片段和音轨分别放在 video/audio 字段中，其他模型则使用 videoUrl/audioFile。并非所有模型都支持时长不匹配控制：支持时，字段为 syncMode 或 lipsyncMode（cut_off、loop、bounce、silence、remap），默认值因模型而异；其中 loop 和 bounce 会延长较短的流，而 cut_off 会在较短的流结束时停止。其他模型则通过 loop 布尔值来循环音频。

先在风格化角色上评估本地化对话头像的效果，再决定是否承诺在照片级真实角色上实现。

时长限制

如果模型设有输入时长上限，超限时会拒绝请求，而不是截短：30.08 秒的参考素材遇到 30.0 秒的上限，会导致整个运行失败，错误会列出这两个数字。成功的 dry_run 只会为载荷估价，并不能证明它符合上限：通过 asset_get 读取输入素材的时长，再自行与上限比较。上限可能是文件字段上的 max_duration 类型参数、该字段描述中的文字，也可能根本没有，因此两处都要检查；音频输入也和视频输入一样需要检查。如果有上限，在执行受限的运行之前，以及执行任何输出必须与截短后素材匹配的步骤之前（例如配音），使用确定性剪切或拆分工具（出于与上文提取器相同的原因，使用固定 ID）：model_scenario-video-cut、model_scenario-video-split。确保时长落在规定范围内，不要刚好卡在边界上。

时长下限和上限同样严格。成员可渲染的最短片段时长会写在其架构中，可能是数值 duration 的 min、duration 枚举 allowed_values 中的最小值，或者字段缺失时的固定时长（一个参考条件成员在创作时为 5 秒，其他成员为 1 或 2 秒）。因此，对第一个选项来说，1 到 2 秒的 VFX 元素不能通过设置 duration: 1 来请求：在用户描述中注明片段长度后调用 recommend，从架构中读取时长下限；如果没有合适的成员，就渲染最短片段，再用 model_scenario-video-cut 截短；或者要求在一个片段中生成多个事件（“连续发生三次爆炸”），再用 model_scenario-video-split 将它们拆分。反过来，若要延长超过 max，请参阅“编辑现有素材”中的末帧链。

唇形同步：视频素材或静帧

有两种路径，取决于手头的输入。视频素材加新音轨时，使用 recommend 和 capability="video2video"，并用用户自己的话描述需求：这些成员会重绘嘴部区域， 并保留画面其余部分（video 和 audio，或 videoUrl 和 audioFile；有些成员接受带语音的 text，而不是音频，但两者不可同时使用）。静帧加音轨时，使用 capability="img2video"： 会说话的虚拟形象成员会为整个肖像添加动画并生成动作，因此适用于没有视频素材的肖像， 或动作可以舍弃的视频素材；但绝不能用来挽救唇形同步失败的片段，因为结果会是另一个镜头 中的另一段表演。将唇形同步作为能力名称时，系统会重新将其归入这两种路径之一，因此要说明输入。

预检免费，并决定是否运行。同步成员会重绘其检测到的嘴部周围像素；如果人脸在画面中太小、 朝向别处、被遮挡或因运动而模糊，它们就无从重绘，而运行仍会完成并计费，但嘴部依然没有 跟上新音轨，这正是用户报告的“完全没有唇形同步”。对片段使用 asset_display 查看 firstFrame（通过 asset_get 免费获取）：嘴唇在显示尺寸下应清晰可辨。若不清晰，先裁剪 画面聚焦人脸（使用 model_scenario-compose-video，可学习合成器 scenario-video-assembly， 以及上述剪辑工具中的固定第一方 ID；或者使用提示词要求收紧画面、聚焦说话者的生成式重新取景； 外扩式重新取景会扩大画面并缩小人脸），不要重试其他成员。裁剪会降低分辨率，因此在为同步运行 定价前，从 asset_get 读取裁剪后片段的宽度和高度，并与成员要求的最低值比较；低于要求时， 先升频，或选择没有最低分辨率要求的成员。如果画面中有多张人脸，请选择支持说话者选择的成员 （在创作时为其中一位设置 activeSpeaker），或裁剪到只剩一位说话者。每位成员的限制都在架构中， 而非描述里：一位成员接受时长为 2 至 10 秒、分辨率为 720p 至 1080p 的片段，其他成员没有这些限制； video 字段带有 cost_impact: true，因此运行前应先裁剪到规定范围内（见上文“时长限制”）。

这里常见计划门槛：recommend 会在此类成员的排名条目上标记 requires_plan_upgrade: true，并在 required_plan 中注明所需计划（除非其响应表明计划门槛为 _degraded）；即便仍然运行，也会返回 403，指出模型及其所需计划，重试无法解决这一问题； 请根据 scenario 技能中的计划表，选择可用成员或提示用户升级。

任务完成只能证明模型运行了，并不能证明嘴部动了。交付前，请下载输出和源文件，并比较相同时间戳的帧 （在本地将两者扫描为联系表，使用 ffmpeg -vf "fps=2"，并查看嘴部区域）：如果整个扫描中嘴部像素 都未变化，说明模型没有找到人脸；用相同输入仍会重现这一结果，因此应调整取景或更换路径，而不是 更换随机种子。也要试听：输入自身的音轨是否会保留尚无文档说明（见上文“配音”）。

一次生成整首歌曲的视频

使用 capability="audio2video" 和用户的文字调用 recommend，即可找到能一次调用将完整歌曲转换为音乐视频的成员。编写本文时，整首歌曲类成员可处理 10 秒到 6 分钟的 audio，并返回与曲目等长的视频（同一排名中也会列出时长上限约为 20 秒的片段类成员），因此：

• 先剪辑。 audio 和 resolution 一样，会影响成本：先用 model_scenario-audio-cut 剪出最终要用的片段，再对实际载荷执行 dry_run。
• 仅在自定义风格下使用风格参考图。 预设 style 会忽略 styleImage；设置为自定义值才能使用它。角色 image 是单独的可选字段。它不接受提示词：方向由 style、musicStyle 和参考图提供。
• 歌词会烧录为字幕。 如果在组装阶段添加字幕（scenario-video-assembly），请将 lyrics 留空，否则两组字幕会相互冲突。

整首曲目一次生成时选用此方案；如果要按节拍切分镜头并逐镜头指定方向，请使用 scenario-seedance-music-video。启动时设置 wait=false 并使用 jobs_wait，因为任务耗时会随歌曲时长增加。

常见错误

• 仅凭任务已完成的状态，就提交口型同步结果：常见故障是新曲目下嘴部静止不动，因此请先将画面与源素材进行比较。
• 未调用 model_schema_get 就调用 model_run：适用于 Kling 的载荷不一定适用于 Veo。
• 将搜索结果视为固定不变：目录会持续更新，因此请重新运行 search 并优先选择未弃用的结果（deprecated:<replacement_id> 标签会标明后继项）。系列可能会提前通知后整体淘汰某一代，且已退役成员的专属控制项（例如关键帧强度、fps 枚举）不会沿用：请重新读取后继项的架构，而不要照搬旧载荷；如果保存的 ID 返回 404 Model not found，请按系列名称执行 search，不要重试该 ID。
• 在启用音频的提示词中排除音乐：配乐会单独接受审核，即使在排除项中写“无音乐”或指定某种曲风、乐器，也会触发审核。请正向描述场景内声音（“室内环境音、脚步声、一个人的声音”），或关闭音频字段。