scroll-world

scroll-world

生成一个由滚动驱动摄像机的落地页：摄像机从场景外部俯冲进入内部，然后飞出并进入下一个场景，整个过程连续流畅，没有可见的剪切。视觉素材由 AI 生成——静帧通过 Higgsfield（或 Codex）生成，视频链默认通过 Monid 生成（按片段付费的 Seedance 2.0；Higgsfield 点数作为备用）——页面只根据滚动位置擦播预渲染的视频。这与 Apple 产品页面中滚动浏览的技术相同——摄像机确实在移动，滚动只驱动时间。

**生成内容：**N 张场景静帧 → N 段“俯冲进入”摄像机视频 → N-1 段“连接”视频，无缝衔接连续场景 → 一个便携式擦播引擎，将整条视频链作为一次飞行播放。

**成败攸关的一条规则：**接缝处必须做到帧完全一致。生成任何连接视频前，请先阅读无缝视频链。这是最常见的失败原因，处理不当会导致场景之间出现明显的“跳变”。

不要假设使用某种前端框架。references/scrub-engine.js 中的擦播引擎是独立的原生 JS（它会构建自己的 DOM，并将 CSS 注入你提供的容器），因此可以用于纯 HTML、Next.js、Vue、由 Python 提供服务的页面等任何环境。这项技能的价值在于 Higgsfield 流程、提示词和接缝处理方法，而非框架。

---

第 0 步 — 初始化

1. **Monid CLI — 默认的视频链后端。**检查 monid --version、 monid keys list（活动密钥）和 monid balance——视频链按片段以美元计费 （第 1.7 步列出了具体费用；1080p、N=6 的视频链约为 $27）。如果未安装 CLI 或余额不足以支付整条视频链，请说明情况，并改用 Higgsfield 点数渲染视频链—— 模型和流程相同，只是计费方不同（第 4 步 → Monid 后端）。
2. **Higgsfield CLI — 即使使用 Monid 流程也仍然需要：**它负责渲染场景静帧 （gpt_image_2），也是 kling3_0 NSFW 备用方案和备用视频链的所在平台。如果 $PATH 中没有 higgsfield，请按照 higgsfield-generate 技能安装。如果 higgsfield workspace list 身份验证失败，请让用户运行 higgsfield auth login （交互式 OAuth——你无法运行此命令），并在需要时运行 higgsfield workspace set <id>。确认点数足以生成静帧（约 N 张图）—— 如果视频链改由此处生成，还需额外支付 (2N-1) 次视频生成的费用。
3. $PATH 中需有 ffmpeg / ffprobe（用于提取帧和编码）。
4. 图像工具，用于抠除背景（如果需要场景悬浮效果）。可使用 PIL （python3 -c "import PIL"），或 cwebp/sips。此项为可选——见第 3 步。
5. （可选）Codex CLI——如果 $PATH 中有 codex（≥ 0.125），且 codex login status 显示已登录 ChatGPT，则可以通过 Codex 内置的 image_gen （同一 gpt-image-2 模型）生成场景静帧，并从用户的 ChatGPT 订阅中扣费，而非使用 Higgsfield 点数——请在第 1.7 步提供此选项，命令见第 2 步。未安装只会导致该选项不可用。
6. 注意事项：macOS 自带 bash 3.2（不支持 declare -A）；脚本中不要使用关联数组。 Higgsfield 每次生成需要 3–8 分钟——始终在后台运行并轮询，切勿在前台阻塞运行。 媒体参数不接受通过任务 UUID 引用资源——请将本地文件路径传给 --image/--start-image/--end-image。视频模型接受的参数各不相同（例如 Kling 不支持 --resolution），且未必都支持起始/结束图像条件控制——批量生成前，请通过 higgsfield model get <job_type> 确认所选模型的参数规范，并参阅第 4 步的模型表。

---

第 1 步 — 询问用户

主题应由用户自行说明——用平实的措辞提出开放式问题，绝不要编造多选题。虚构的行业列表会引导用户，也会让人觉得你在替他们决定业务；让他们用自己的话作答（可以是他们自己的业务、客户的业务，或任何想法）。只有对于以下确实可以枚举且风险较低的选项——艺术指导、镜头风格和品牌素材包方案——才使用结构化多选题（在 Claude Code 中使用 AskUserQuestion；其他地方使用简单的二选一问题）；即便如此，也要表明他们可以另选（“其他”）。只询问那些无法合理预设的问题。涵盖：

1. 主题（开放式提问，不要给出选择题）——“您希望这个世界围绕什么展开？可以是您的业务、客户的业务，也可以是任何创意——一个词或一句话都可以。”记录行业／产品和一句话简介（例如“从茶叶到最后一口的珍珠奶茶公司”）；如果对方已有品牌名称，也一并记录，否则稍后由您提出一个。
2. 品牌套件——提供三种方案，让对方选一种：
   • 从 URL 导入：higgsfield marketing-studio brand-kits fetch --url <site> --wait （提取名称、颜色和语气）。然后用 brand-kits list --json 读取结果。
   • 用户直接提供调色板、名称和语气。
   • 您提出调色板和名称，再让用户确认。 记录 4–6 个命名的十六进制颜色值、一个展示名称，以及一两个表示语气的词。
3. 艺术指导——默认采用“柔和哑光低多边形黏土微缩景观、等距视角、移轴微缩效果、暖光”。也可以提供其他选择（平面纸艺、亮面玩具、黏土动画、霓虹夜景）。无论选择哪种，都要作为共享的风格前言，在每个场景提示词中原样复用（这能让整个世界风格统一）。
4. **镜头风格——务必询问；这是影片的个性，而非技术细节。**根据感受提问（在 Claude Code 中使用 AskUserQuestion；其他地方直接提问），并将答案记录为 CAMERA。各选项对应第 4 步的架构——第 4 步负责实现选择，不会重新替用户决定：
   • “穿梭于世界之中”——镜头潜入每个场景，再向上拉远，穿过微缩世界跳转至下一个场景；角度不断变化，并运用大幅且富有表现力的空中运镜（这是旗舰演示片的风格）。 → 架构 B。推荐用于微缩景观／微缩模型艺术指导。
   • “一镜到底的连续漫游”——镜头持续向前飞行，流畅地穿过每个场景并直接进入下一个场景，从不拉远；每个场景中的运镜富有表现力，但始终向前（见镜头语言表）。 → 架构 A。推荐用于写实／照片级真实艺术指导。
   • “固定等距视角滑行”——整个影片中镜头都保持一个固定角度，采用 Emons 风格；世界从镜头前方掠过或朝镜头靠近，不旋转，也不揭示新场景。 → 架构 A + 每段提示词中的固定等距视角条款（prompts.md）。 用一句话分别说明取舍（架构 B 会在衔接处反转方向——用于微缩景观时很讨喜，用于写实时则会显得突兀；固定等距视角最平稳，也最省重新生成成本；连续漫游介于两者之间）。
5. 旅程（各段场景）——镜头飞过的有序场景。根据主题自身的价值链提出一组场景，再让用户修改。5–7 个场景效果较好。 珍珠奶茶示例：茶园 → 珍珠制作厨房 → 旗舰店 → 配送 → 社区广场 → 主打产品。每个场景需要：简短的主体描述（微缩景观中包含什么）、眉题、标题、一行正文，以及 0–3 个标签胶囊。最后一个场景通常呈现主打产品和 CTA。
6. **移动版——务必询问；绝不要默默生成两个版本。**以两个选项的形式提问（在 Claude Code 中使用 AskUserQuestion；其他地方直接提问）： “还需要移动端优化版本吗？移动版是单独生成的第二条镜头链，以原生 9:16 竖屏呈现——专为手机构图，而不是从横屏影片裁剪而来——这会让 Higgsfield 积分消耗大致翻倍（请说明预估数量）。” 选项：“仅桌面版”／“桌面版 + 移动版（原生 9:16——约 2 倍积分）”。必须明确告知用户积分成本，不能只暗示。 答案决定的事项：
   • 是 → 渲染并交付并行的 9:16 竖屏链，作为移动版变体（第 6 步／pipeline.md §6b）：竖屏起始画布 → 以自身渲染结果锁定帧的 9:16 下潜镜头 + 衔接镜头 → 编码为 720 像素宽的 -m.mp4 → 竖屏海报图 stillMobile。接入 clipMobile／connectorsMobile／stillMobile（第 7 步）；运行完整的移动端 QA（第 8 步）。额外预算约为 2N-1 次视频生成 + NSFW 重新生成。 默认绝不要把居中裁剪版作为移动版交付——如果积分不足以覆盖竖屏链，要明确说明，并提出使用裁剪编码（pipeline.md §6）作为临时替代方案，且必须明确标注并经用户批准。
   • 否 → 完全跳过移动版编码和接入。引擎的手机兼容性强化（seek-coalescing、iOS priming、安全区域 CSS）始终启用——这不是“移动版”，只是确保手机访问时页面不会出问题——因此仅桌面版构建也能在手机上优雅降级。
7. 预算——按成本展示引擎，并在开始渲染前确定。 展示渲染档位（AskUserQuestion），然后计算并说明用户 N 个场景的预估总价：N 张静帧 + (2N−1) 个视频 [移动端视频数 ×2] + ~15% 的重生成余量，并在生成前征得用户同意。

   • 视频档位（仅限以下名单——所有选项都会锁定帧间衔接，见步骤 4）：

     档位	模型	粗略成本
     草稿 / 预演	seedance_2_0_mini（720p）	约为标准档的 ¼
     标准（默认）	seedance_2_0（1080p）	基准
     替代选项	kling3_0（原生 720p）	≈ 标准档；风格不同，且有内容过滤器

     草稿档也可用于预演路径：以低成本跑完整条链路，确认旅程后，再用标准档重新渲染最终片段（见 pipeline.md 的 Notes）——如果余额看起来吃紧，应主动建议此方案。

   • 后端——Monid 是整条链路的默认计费方（步骤 0.1；接线配置见 pipeline.md → Monid backend）。使用相同的 Seedance 2.0，按片段以美元计费，而非点数。按 token 计价，计算方式为 宽度 × 高度 × 24 × 秒数 / 1024，480p/720p 为 $7/1M，1080p 为 $7.7/1M——实测：1080p 8 秒俯冲片段约 $2.99，5 秒衔接片段约 $1.87；720p 约 $1.21 / $0.76；480p 约 $0.28 / $0.35。N=6 的桌面端链路在 1080p 下约 $27，720p 下约 $11，而 Higgsfield Plus 月付约 $32 / $16——每个片段便宜约 15%，与 Plus 年付持平；从结构上看更适合一次性构建（按使用量付费，没有月度到期）。在 Monid 上，草稿 / 预演档就是同一端点的 480p——无需切换模型，因此预演→最终输出从一开始就使用同一模型。根据预估说明 monid balance；当用户更倾向使用自己的订阅、余额不足，或必须使用 kling3_0（仅 Higgsfield 提供）时，改用 Higgsfield 点数（上方列出的各模型档位）。两者使用相同的底层模型（seedance_2_0 ≙ Monid 的 seedance-2.0），因此在另一计费方处完成中断的链路是合理的补救方式——但两边的服务栈不同，跨服务商的片段衔接效果尚未测试：在渲染其余内容前，先检查第一个补救片段的衔接效果，与任何模型切换时的做法相同。

   • 静帧来源（仅当存在 Codex CLI 时才提供，见步骤 0.5）：Higgsfield gpt_image_2（消耗点数）或 Codex image_gen——同一 gpt-image-2 模型，费用计入 ChatGPT 订阅（不消耗点数；计入 Codex 使用限额；输出为 1536×1024，恰好是 3:2，比 Higgsfield 的 2k 略小）。静帧只是传给 --start-image 的普通 PNG，因此视频链路不受其来源影响。命令见步骤 2。同一个构建中的全部 N 张静帧必须使用同一来源——两种来源渲染出的角色观感略有不同（已验证：Codex 的效果更暖、更亮），跨场景混用会显得风格漂移，原因与视频链路统一使用同一模型相同。

   • 校准成本，不要猜。 CLI 不会显示定价，而且不同套餐也不一样。先各运行一个静帧和一个视频，比较运行前后的 higgsfield workspace list，据此推算完整运行的成本；如果预估超过余额的约 70%，务必提醒用户。（2026-07 在 Plus 套餐上的观察结果：标准视频约 40–55 点数，静帧约 15 点数。）运行中实际遇到 not_enough_credits 仍可补救（已完成的片段会保留；充值后可以续跑），但过程很不理想——这一步的核心目的，就是让用户在花费发生前做出决定。

如果用户指定名单之外的视频模型，只有在该模型能够锁定帧间衔接时才予以采用（见步骤 4）。此技能只提供无缝输出，因此如果某个模型无法锁定帧间衔接，应以一句话说明原因并拒绝，而不是擅自替换——请改用名单中的模型。

保持滚动机制不变（连续飞行穿越）——这正是此技能的核心。 请参阅 references/prompts.md，了解信息收集清单和文案结构。

---

步骤 2 — 生成场景静帧

每个部分生成一张图，所有图片共用相同的风格前置提示词，以保持整体协调。默认 模型为 gpt_image_2（画面清晰，擅长等距插画；生成纯色／白色 背景，非常适合悬浮的立体模型“岛屿”）。仅当需求以角色／卡通为主时才使用 nano_banana_2（注意：nano_banana_2 是 CLI 别名，会解析为 nano_banana_pro；在 higgsfield model list 中不会显示此名称）。

提示词结构（完整模板见 references/prompts.md）：

<STYLE PREAMBLE, identical every time>. On a plain solid <bg> background with a soft
contact shadow. <PALETTE hexes>. No text, no letters, no logos, centered, 3:2.
Subject: <what is in THIS diorama>.

• 将全部 N 个任务并发运行，并使其脱离终端。每个场景的命令： higgsfield generate create gpt_image_2 --prompt "$(cat scene_i.txt)" --aspect_ratio 3:2 --resolution 2k --quality high --wait --wait-timeout 15m --json > scene_i.json 2>scene_i.err

• 结果 URL 位于 --wait --json 输出中的 .[]0.result_url。使用 curl 下载。

• Codex 静帧方案（若在步骤 1.7 中选择——按订阅计费，不消耗 点数）：使用相同的提示词文件和逐字节相同的前置提示词，通过 Codex 内置的 image_gen 生成：

  codex exec -C "$WORK" -s workspace-write --skip-git-repo-check \
    'Use the image generation tool ($imagegen) to generate: '"$(cat "$WORK/still_i.txt")"' Wide 3:2 landscape, high resolution. Save it as ./still_i.png. Do not do anything else.' \
    < /dev/null
  

  将 $imagegen 部分用单引号括起来（shell 不得对其展开）；如果使用参考图片进行编辑，提示词必须放在任何 -i 标记之前（该标记接受可变数量的参数）。 每张图约需 1–3 分钟；并行运行少量任务，不要一次运行全部 N 个任务——并保留 < /dev/null：多个 codex exec 调用共享脚本的标准输入时，会挂起等待输入（注意事项）。输出尺寸为 1536×1024（3:2），适用于 --start-image 和海报。后续所有步骤 （整体协调性检查、抠图、潜水镜头）均不变。

• 生成可能会暂时失败（HTTP 503）——单独重新生成失败的那张；不要 重启整批任务。

• 继续之前先检查静帧。 它们必须呈现为同一个协调一致的世界（角度、 色彩搭配、光线一致）。如果某张风格不符，请重新生成；也可以将一张已批准的场景作为 --image 传入，以锁定风格。

确切的批处理脚本见 references/pipeline.md。

---

步骤 3 —（可选）让场景悬浮

如果希望立体模型悬浮在氛围背景之上，而不是置于纯色方框中，可使用 references/knockout.py 将纯色背景抠成透明背景（基于边界连通区域的泛洪填充——保留与背景颜色相同的内部颜色， 例如奶油色墙壁）。然后编码为 webp。如果希望保持简单， 只需将页面背景设为与场景背景相同的颜色，并跳过此步骤。

这些静帧也会用作视频海报和延迟加载的后备图片，请保留。

---

步骤 4 — 摄像机架构（实现步骤 1.4 中的选择）

场景之间的摄像机移动方式，是影响质量的最大因素。用户 已在访谈中选择了风格（CAMERA，步骤 1.4）：飞越 → B， 漫游 → A，锁定等距视角 → A + 锁定等距视角段落条款（prompts.md）。如果 访谈中意外遗漏了这一项，现在就询问——绝不要默默替用户选择。两种 结构，以及为其赋予风格的语法如下：

视频模型 — 整条链路只选一个

此技能只输出无缝视频，因此只有能够锁定衔接帧的模型才可用：每个串联片段都必须接受 --start-image，连接片段还需要 --end-image。选择规则取决于这项能力，而非个人偏好。使用 higgsfield model get <job_type> 检查模型，并跳过所有媒体输入仅支持参考素材的模型（没有起始/结束图像）：它们只能为生成提供条件，不能延续镜头，因此无法真正保持衔接。以下架构已通过 CLI 确认：

模型	起始/结束图像	说明
seedance_2_0（默认）	✓ / ✓	支持完整链路（片段 + 连接片段）。使用 --mode std --resolution 1080p。它的 NSFW 过滤器最敏感（参见注意事项）。
kling3_0	✓ / ✓	支持完整链路 — 已测试：接受带起始和结束图像的 --mode std --sound off --duration 5，衔接帧锁定效果良好。没有 --resolution 参数（不要传入该参数；--mode std 返回原生 720p — 按 ffprobe 报告的结果编码，绝不要升采样）。声音默认开启 → --sound off。--duration 默认为 5，可尝试为片段设为 10。内容过滤器与 Seedance 不同 — 这是获准的 NSFW 备用模型。
seedance_2_0_mini	✓ / ✓	经济型草稿档，同时保留帧锁定能力（720p）。适用于预演：先在此模型上运行完整链路，再用完整版模型重新渲染最终片段 — 仍然无缝，因此可直接转换。

这三个就是候选名单 — 都支持这两种架构。（kling3_0_turbo 也可通过 --start-image 锁定帧，但没有 --end-image，因此仅支持架构 A，无法制作连接片段；它的标志参数也不同 — 没有 --mode，但有 --resolution — 所以无法直接用于现有流程。它不在默认名单中；只有在架构 A 的顺序渲染时间已被证实是瓶颈，且基准测试确认它确实更快时，才考虑使用并手动接入。）

还有一个仅支持架构 A 的候选模型，值得了解，因为它的测试成本低得多：minimax_hailuo（Hailuo-2.3，每段 768p/6s 视频约需 6 积分，而名单中的模型需 22–72 积分）。已于 2026-07 验证：--start-image + 提示词可锁定帧（输出第 0 帧 ≡ 输入，PSNR 为 33 dB），且能温和地遵循向前滑动的提示词。限制：2.3 版本会拒绝 end_image（不支持连接片段 → 仅限架构 A）；输出宽高比跟随输入图像（请提供 16:9 画布，而不是未经处理的 3:2 静帧）；运动效果比 seedance 更含蓄；不要传入 --resolution（CLI 会错误处理枚举值；默认 768 可用 — 1080 仅支持 6s）。一个片段不等于一条链路：投入完整构建前，先确认片段之间的衔接效果。

规则：

• 所有串联片段使用同一个模型。 每个渲染器都有自己的运动、色彩和颗粒特征；在链路中途混用模型仍能保持位置连续性（帧仍可衔接），但渲染特征的变化会造成轻微跳变。唯一获准的例外是：单个顽固片段使用 NSFW 备用模型（参见注意事项）— 一个 5s 连接片段的轻微特征变化，总好过缺少连接片段。
• 默认使用 seedance_2_0，并通过 Monid 默认渲染（按片段计价，美元 — 见下一节），以 Higgsfield 积分作为备用计费方式（步骤 0.1/1.6）；只有用户指定的模型符合要求（能锁定帧）时，才遵循其偏好。如果不符合，请说明原因并使用受支持的模型 — 绝不要为了满足模型请求而交付不无缝的构建。kling3_0 和 seedance_2_0_mini 仅在 Higgsfield 端提供。
• 流程脚本通过 $VMODEL 指定模型，并已为每个模型配置相应标志（references/pipeline.md）。

Monid 后端——默认链路计费方（2026-07-25 通过资格验证）

Monid 的 bytedance /v1/video/seedance-2.0 于 2026-07-25 通过了两项付费探测，是此技能渲染链路的默认方式，适用于两种架构——它是名册中的 seedance_2_0，按美元付费调用（接线方式见 pipeline.md →“Monid 后端”；Higgsfield 仅作为备用计费方或用于 Higgsfield 专属模型渲染链路）：

• 腿部探测（提示词 + first_frame 图像）：输出第 0 帧 ≡ 输入静帧（PSNR 31.6 dB），遵循向前滑行提示词，按公布的价格档位计费（$0.279 / 480p 4s）。
• 连接器探测（提示词 + first_frame + last_frame）：起始帧锁定（31.6 dB）；结尾接近目标，但并非像素级完美（27.5 dB，构图相同，物体细节有偏差）——这与 Seedance 在 Higgsfield 上呈现的确切结尾图像效果一致，可通过引擎的接缝交叉淡化处理，并将下一段潜入视频的实际首帧用作结束图像（步骤 5 规则不变）。

I/O 契约与 Higgsfield CLI 不同——有三条规则：

1. 图像必须通过 URL 传递，不能内联。 content 项的格式为 {"type":"image_url","image_url":{"url":…},"role":"first_frame"|"last_frame"}； base64 数据 URL 会被拒绝（“Must be a public https:// URL or an asset:// reference”）。本地帧通过 Monid 的免费工作区文件系统传输：sfs /put → 用 curl -T 上传字节 → sfs /cat 返回可粘贴到请求体中的签名公共 URL（$0，明确为此用途而构建）。
2. 明确传入 ratio（16:9，移动端链路则用 9:16）——自适应默认值会采用输入图像的宽高比。
3. 逐段核对账单：费用按 token 计价（w × h × 24 × sec / 1024，费率为 $7–7.7/1M）；每次运行都读取 cost.value。

这些规则的由来（截至 2026-07-25 仍然有效）：seedance 端点直到 2026 年 7 月下旬都仅支持文生视频——每次构建前都要重新执行 inspect；目录变化可能朝任一方向发展。 minimax /v1/video_generation（Hailuo-2.3）仍不合格：同时发送 prompt 和 first_frame_image 会静默丢弃图像（输出与输入无关的文生视频结果，且价格档位错误）；仅用图像时可以锁定帧（33 dB），但无法控制摄像机。

任何新增或变更 Monid 端点的资格验证流程（每项探测生成一个低成本 480p 视频）：(1) 使用提示词和来自真实静帧的首帧——第 0 帧必须与输入一致，仅有编解码噪声（PSNR ≳ 30 dB），且 cost.value 必须与公布的价格档位相符；(2) 用于连接器时，再添加来自另一张静帧的 last_frame——结尾必须落在该构图上（可接受 Seedance 风格的近似偏差，交叉淡化会处理）。通过后 → 按片段付费档位（架构 A 仅需起始帧；完整名册需起始帧和结束帧）。

A) 连续向前镜头——适用于写实 / 逼真 / 漫游场景的推荐方案

摄像机始终只向前方滑行，从第一个场景到最后一个场景，一镜到底。 按顺序生成各段：第 0 段以场景 0 的静帧为起点（向前滑入场景）；此后每段的 --start-image 都使用上一段的实际最后一帧（用 ffmpeg 提取），提示词为 "continue gliding smoothly FORWARD into [scene i], never pulling back"（或根据运动交接契约使用富有表现力的段中移动——见下文的 摄像机语法），并且不设置 --end-image——宽阔全景建立镜头的结束图像会迫使摄像机后退，这是卡顿的首要原因。提取每段的最后一帧，作为下一段的输入。这样每个接缝的帧都完全相同，且摄像机绝不会反向移动。不需要连接器（跳过步骤 5）——各段本身就是完整旅程。将每段接线为带 connectors: [] 和较短 crossfade（约 0.08）的分段视频。即使没有 --end-image，各段仍会到达不同房间（由提示词引导内容）。代价：必须严格按顺序生成（无法并行），速度较慢；室内场景会触发 NSFW 过滤器，因此要预留重试次数（每段尝试 3 次）。

B) 下潜 + 航拍衔接器 — 仅适用于立体模型 / 微缩模型 / 上帝视角世界

片段先“下潜进入每个场景”，再通过衔接镜头向上并向外拉出，飞往下一个场景（第 5 步）。拉出镜头会在每个衔接处反转摄像机方向（向前下潜 → 向后拉出）。在微缩模型 / 立体模型世界中，这会让人感觉是在刻意“缩小视野，回到地图，再飞往下一个岛屿”；但在写实的第一人称漫游中，则会显得像倒放一样突兀 / 卡顿。仅在地图式美学中使用 B——这正是“飞越这个世界”的访谈回答所选择的风格；在那里，方向反转看起来是刻意为之。如果用户在写实 / 照片级真实的风格下选择了 B，请说明它为什么会显得卡顿，并在渲染前确认。

摄像机运动语法 — 镜头运动应符合概念（A 并非“只能向前”）

“只能向前”是指衔接处的规则，并非单个镜头段的规则。整段镜头的运动逻辑如下：

• 衔接处的位置连续性来自帧交接（下一镜头段从上一镜头段的实际最后一帧开始）。
• 衔接处的速度连续性意味着摄像机绝不能在衔接处反向运动——否则就会像倒放一样卡顿。
• 单个镜头段内，摄像机可以自由运动。 一个镜头段是一次连续渲染——中间没有衔接处，因此环绕、升降、横向跟拍，甚至推进后再缓缓拉回，都可以在片段内部安全使用。只有在衔接处发生方向反转才会出问题。

因此，为每个镜头段选择符合场景自身逻辑、富有表现力的运动，并遵守运动交接约定：每个镜头段结束时都要逐渐稳定为缓慢、平稳地向前漂移，朝向下一个目的地（最后约 1 秒）；每个镜头段开始时都要延续相同的漂移。在提示词中逐字保留这两条要求（模板见 references/prompts.md）。

根据概念选择运动语法：

概念 / 基调	镜头段中途的运动
产品 / 奢侈品零售	围绕主体物缓慢环绕半圈，然后继续从旁经过
房地产 / 酒店与接待	稳定器镜头滑过门道；在中庭轻柔升起
工业 / 流程 / 物流	沿生产线低位横向跟拍，突出前景视差
旅行 / 户外 / 校园	无人机式升起并展现全景，然后俯冲下降
美食 / 手工艺 / 细节导向	推近工艺制作的关键瞬间，缓缓拉回，然后继续前进
趣味微缩景观（架构 B）	下潜 + 航拍跳转 — 衔接镜头本身就是运动语法

需要坦诚说明的代价：富有表现力的镜头段中途运动会增加重拍的可能性——模型可能会在复杂运动结束时，无法停在干净的向前漂移状态。缓解方法：逐字保留最后一秒稳定镜头的要求；串接下一个镜头段前，仔细检查每个镜头段的最后一帧（看起来应像平缓向前滑行的一帧——否则就重拍，别浪费下一个镜头段）；每个富有表现力的镜头段预留约 1 次额外重拍。简单的向前滑行仍是零风险默认选项——适用于场景本身就是重点的镜头段。

固定等距视角变体（CAMERA = 固定等距滑行）：适用于架构 A，每个镜头段都固定视角，而不进行中途运动——“摄像机始终保持完全相同的高位等距角度，不旋转、不环绕、不倾斜；只直线水平移动，世界在同一视角下从下方掠过”（prompts.md 中的原文要求）。交接约定保持不变。长镜头段中，Seedance 的视角会略微漂移——现有的逐帧检查规则正是应对方法；如果某个镜头段的视角发生旋转，就重拍。画面最平静，重拍成本最低，也最接近 Emons 参考。

引擎中有两个相关的节奏控制项（第 7 步）：每个部分的 scroll（滚动距离越大，该场景停留时间越长）和 linger（摄像机恰好在文案达到高潮时于场景中途稳定下来，然后加速驶向衔接处）。优先在片段中使用富有表现力的运动，在滚动映射中保持克制——两者叠加会强化效果。 还要记住，滚动条就是一个擦洗器：访客可以向上滚动，因此每个镜头也会反向播放。这是免费且符合预期的——无需额外操作——但这也说明了为什么接缝处的速度必须在两个方向上保持一致（正向看起来流畅的接缝，如果速度反转，反向播放时也会出现卡顿）。

对于 B，每个场景安排一次镜头飞行：从高处/外部开始，下降进入内部，建筑结构打开。模型：使用你在上面选择的链路模型（默认 seedance_2_0），--start-image = 场景静帧。

• 使用纯色背景静帧（而非抠出主体后的透明静帧）作为起始图像，这样视频才会有完整画面。
• 提示词："Single continuous cinematic camera move, no cuts. Begin high and far looking at the whole from outside … descend and fly inside toward … the roof/walls gently open to reveal the interior. , smooth graceful slow motion. No text."（模板见 references/prompts.md。）
• 参数（seedance）：--mode std --resolution 1080p --aspect_ratio 16:9 --duration 8。对于 Kling：去掉 --resolution（没有这个参数），添加 --sound off、--duration 10。不要传入 --generate-audio（seedance 会报错；反正音频也用不上——你会将其静音）。
• 并发运行并使进程脱离终端，然后下载每个 .result_url。单独重新生成失败项。保留原始 1080p 源文件——接下来还要从中提取帧。

---

第 5 步 — 连接镜头（仅架构 B）

架构 A 可跳过本步骤——向前推进的镜头没有连接镜头；它的各段本身就能无缝衔接。本步骤适用于 B（立体模型/微缩景观），并请注意第 4 步提到的反向播放注意事项。

连接镜头能让世界显得彼此相连，而不是被剪开。连接镜头会从场景 i 的结尾飞出，再进入场景 i+1 的开头。它的两个端点都必须是相邻片段的实际渲染帧——绝不能使用原始的立体模型静帧。

原因：每次 Higgsfield 生成的画面都会略有不同。如果连接镜头的结尾是重新生成的“厨房立体模型”，而下一个俯冲片段的开头则是该片段对同一立体模型的另一次渲染，两者就无法匹配，接缝处会出现跳变。解决方法是交接完全相同的像素：

For each connector between dive_i and dive_{i+1}:
  start-image = the LAST frame extracted from dive_i's rendered video
  end-image   = the FIRST frame extracted from dive_{i+1}'s rendered video

现在，每个接缝的两侧帧都完全一致： dive_i.end == connector.start 和 connector.end == dive_{i+1}.start。

从已渲染的俯冲片段中提取边界帧（不要从静帧中提取）：

ffmpeg -sseof -0.15 -i dive_i.mp4   -frames:v 1 -q:v 2 dive_i_last.png    # interior of i
ffmpeg -ss 0      -i dive_{i+1}.mp4 -frames:v 1 -q:v 2 dive_next_first.png # establishing of i+1

生成连接镜头（--duration 5 足够）。连接镜头需要 --end-image，因此模型必须支持该参数——模型列表中的任意模型都支持（seedance_2_0、seedance_2_0_mini、kling3_0）：

higgsfield generate create "$VMODEL" \
  --prompt "$(cat connector_i.txt)" \
  --start-image dive_i_last.png --end-image dive_next_first.png \
  $VOPTS --aspect_ratio 16:9 --duration 5 --wait --json
# seedance: VOPTS="--mode std --resolution 1080p"; kling3_0: VOPTS="--mode std --sound off"

连接镜头提示词："Single continuous camera move, no cuts. Pull up and back out of , rise into the sky, glide across the connected miniature world, and arrive above <scene i+1>, beginning to descend toward it. Seamless flowing aerial transition. . No text."（模板见 references/prompts.md。）

保险措施：Seedance 生成的画面会接近结束图像，但不一定像素级完全一致，因此引擎仍会在每个接缝处应用短暂的交叉淡化（几帧）。端点帧匹配再加上短暂的交叉淡化，就不会出现可见的剪切。绝不要跳过实际帧交接而只依赖交叉淡化；内容变化幅度太大时，交叉淡化无法掩盖。

第 6 步 — 编码以实现流畅拖动浏览

拖动浏览 = 根据滚动位置设置 video.currentTime。有两点很重要，而且经常被弄错：

1. 拖动浏览是否有效，取决于能否跳转，而非关键帧密度。 许多静态主机（以及 python -m http.server）不会提供 HTTP 字节范围请求，这会使 video.seekable 固定为 [0,0]，并将每次跳转都限制在第 0 帧——视频看起来就像卡住了。稳妥的解决方法是将每个片段获取为 Blob，并通过内存中的对象 URL 播放（Blob 始终可以完整跳转）。引擎会这样处理。因此，不需要全帧内编码视频。
2. 不要为了跳转流畅而降低画质。 使用原始分辨率编码（Seedance 输出为 1080p——不要缩小），crf ~20，并使用较小的 GOP（-g 8），而不是全帧内编码（全帧内编码会让 8 秒片段膨胀到约 25 MB；GOP 8 约为 8 MB，通过 Blob 拖动浏览也很流畅）。移除音频、添加 faststart，并使用轻度 unsharp 来改善视频的柔和感：

ffmpeg -i src.mp4 -an -vf "unsharp=5:5:0.8:5:5:0.0" \
  -c:v libx264 -preset slow -crf 20 -pix_fmt yuv420p \
  -g 8 -keyint_min 8 -sc_threshold 0 -movflags +faststart out.mp4

使用相同设置编码全部 2N-1 个片段（潜入片段 + 连接片段），以确保画质一致。

移动版编码（仅当用户在第 1.6 步选择启用时）。 移动版采用原生 9:16 竖屏片段链（pipeline.md §6b）：为每个潜入片段和连接片段渲染竖屏画面，编码时设置宽度为 720（scale=720:-2）、-g 4（关键帧越多，跳转成本越低——手机解码器的跳转成本会随 GOP 长度增加），crf 23 — 并将其接入 clipMobile / connectorsMobile，同时提取每个竖屏潜入片段的首帧，作为该章节的 stillMobile 海报（第 7 步）。引擎会自动在手机上提供这些版本；如果没有，则回退到桌面版片段。16:9 中心裁剪的 encm() 编码版本（pipeline.md §6）仅作为备用方案——仅当额度不足以覆盖竖屏片段链时使用；如果要发布这些版本，必须告知用户，不能默不作声。如果用户选择仅支持桌面端，则跳过此项——无论如何，引擎仍会完善手机端的拖动浏览体验（跳转合并、iOS 预热），让页面能够平稳降级，而不是无法使用。

---

第 7 步 — 组装页面

将 references/scrub-engine.js（如果想要一个完全独立的页面，也可复制小巧的 references/index-template.html）复制到用户的项目中，或将其改编为适用于他们的 框架。它由配置驱动且独立自足：

mountScrollWorld(document.getElementById('world'), {
  brand: { name: 'Pearl & Co.' },
  diveScroll: 1.3, connScroll: 0.9,          // viewport-heights of scroll per clip
  sections: [
    { id:'farm', label:'The Farms', still:'assets/farm.webp',
      clip:'assets/vid/farm.mp4',
      clipMobile:'assets/vid/farm-m.mp4',      // mobile opt-in only: native 9:16 render
      stillMobile:'assets/farm-m.webp',        // its first frame as the portrait poster
      scroll: 1.6, linger: 0.45,   // optional pacing: longer dwell + camera settles mid-scene
      accent:'#8FB98A', eyebrow:'From leaf to last sip', title:'It starts in the hills.',
      body:'…', tags:['Single-origin','Hand-picked'] },
    // …one per section; last may carry a `cta`
  ],
  connectors:       ['assets/vid/conn1.mp4','assets/vid/conn2.mp4',   /* … length = sections-1 */],
  connectorsMobile: ['assets/vid/conn1-m.mp4','assets/vid/conn2-m.mp4' /* … same length; mobile opt-in only */],
});

引擎负责：有序的潜入／连接片段链、带 rAF 平滑处理的滚动→currentTime 映射、blob 加载、附近片段的延迟预取、帧匹配交叉淡化、每个分区固定的文案（首个分区在着陆时打招呼，最后一个分区保持其 CTA）、路线栏、 prefers-reduced-motion 和移动端适配。每个分区的节奏：scroll 会覆盖该场景的 diveScroll（滚动越多，停留越久）；linger（0–1，保持 ≤ 0.6） 会重新映射时间，使摄像机在场景中段稳定下来——恰好与文案达到高潮的时刻一致——然后在接缝处加速；接缝帧不受影响（f(0)=0，f(1)=1）。为主视觉和结尾场景设置更高的 scroll 值并增加一些 linger；过渡场景则保持轻快。使用 CSS 变量（--accent、 --sw-bg、--sw-ink，…）为其设置主题——视觉识别来自生成的片段，因此界面装饰应保持低调。完整配置和 CSS 变量请参阅 scrub-engine.js 的文件头。

在手机上，引擎会自动适配（粗略指针或 ≤860px）：如果存在 clipMobile / connectorsMobile，就会使用它们；合并 seek 操作（解码器仍在 seek 时绝不排入新的 currentTime——这能避免快速滑动导致片段卡住）；在片段绘制出首帧前，将静帧保留为海报图；并且首次触摸时预热每个视频（修复 iOS 视频在播放前显示空白的问题），移除漂移粒子，忽略仅由 URL 栏变化引起的尺寸调整（避免滚动跳动），并使用安全区域内边距，让文案避开刘海／主屏幕指示条。默认启用所有这些增强，无需配置。clipMobile / connectorsMobile 编码是可选部分 （第 1.6 步）：只有用户要求移动端版本时才接入。

对于非 JS 后端（Python/Rails 等）：提供这些资源，并将引擎 <script> 插入渲染后的 HTML 中；它不依赖任何特定框架。

---

步骤 8 — 检查衔接处（不要跳过）

在无头浏览器中操作页面，并验证衔接处的画面连续性。这是最容易出错的地方：

• 在每个衔接处前后不远的位置截图。两帧必须几乎相同（下潜片段的最后一帧 == 连接片段的第一帧）。如果画面突然跳变，说明你用了场景模型静帧，而非实际渲染帧（重做步骤 5），或者交叉淡化带太短。校准：判断衔接处时看构图，而非原始 PSNR——在 720p/1080p 下，即使帧锁定正确，单是细节闪烁也可能让 PSNR 约为 18–25 dB（已在验证通过的构建中观察到）；真正不匹配时，差异体现在构图或道具不同，而不只是画面柔和度。
• 检查控制台是否有错误，确认 video.seekable.end(0) > 0（blob 正常工作），并确认 currentTime 会随每段片段的滚动区间变化。
• 移动端——仅当用户选择了移动端版本（步骤 1.6）时，才进行完整检查清单。 对于仅限桌面端的构建，只需在手机视口下做一次基本检查：页面能加载，静态海报能显示，没有元素重叠——引擎的加固措施可确保优雅降级。 对于移动端构建（在真实手机或模拟设备上测试，竖屏和横屏都要测）：
  • 模拟手机视口，将 CPU 降速 4–6 倍并快速滚动——片段应能跟随滚动，不会卡住（这依赖于寻帧合并和 -m.mp4 编码）。
  • 确认首个场景立即显示（其静帧是海报），并且滚动时视频会立即接管——不能出现空白或黑屏场景（iOS 预热修复）。务必专门测试 iOS Safari；如果出现回归，它是唯一会变成空白的浏览器。
  • 确认移动端实际提供的是 -m.mp4 版本（检查 Network 面板），而桌面端提供的是 1080p 大师版本。移动端片段必须是原生竖屏（videoWidth < videoHeight——不能是缩小后的 16:9 文件），并且必须提供 stillMobile 海报，且与对应竖屏片段的第一帧一致（视频开始绘制时不能出现从横屏闪切到竖屏的情况）。
  • 缓慢滚动，让 URL 栏收起——页面不能跳动（触摸操作时忽略仅高度变化）。旋转设备——布局应能平顺地重新排布。
  • 仅当使用了裁剪回退方案（没有预算用于竖屏素材链）时：竖屏画面会把 16:9 片段裁剪到中央——确认焦点主体仍清晰可辨，并提醒用户这只是权宜之计，不是移动端版本。
• 检查减少动态效果设置（应回退到静帧，不播放视频，也不显示粒子）。

---

易踩的坑（经验之谈）

• 接缝跳变 → 连接片段的端点使用了场景图静帧，而不是相邻片段的实际帧。务必提取真实帧（步骤 5）。
• 接缝卡顿／镜头“倒退跳变” → 即使接缝匹配了帧，如果镜头速度反向（先向前推进，再接一个向后拉出的连接片段），看起来也会像倒带。这是架构 B 固有的问题。任何写实漫游都应使用架构 A（一次连续向前拍摄——各段从实际最后一帧开始衔接，不向后拉，也不使用 --end-image）；参见步骤 4。
• 视频冻结／卡在第 0 帧 → seekable=[0,0]；主机未提供字节范围服务。请使用 blob URL（引擎会使用）。
• 文件过大 → 你使用了全帧内编码。请改用 -g 8 + blob。
• 画面模糊／质量低 → 你缩小了分辨率或压缩过度。请按原生 1080p 编码，crf ≤ 20，并添加 unsharp。视频本质上比静帧更模糊——为获得最高保真度，请将静帧保留为轻量备用方案。
• 并发生成返回 503／出现 “not_enough_credits” 竞争 → 多个任务同时启动时会暂时出现；重新生成单个失败任务即可，实际上并非额度不足（用 higgsfield workspace list 验证）。
• NSFW 误报（Seedance status "nsfw"） → 视频内容过滤器会标记完全无害的片段，尤其是卧室、泳池、水疗／康养场景，以及 “bed”、“pool”、“waterfall”、“wine”、“swim” 等触发词。原因部分在于提示词措辞，部分在于参考帧。按以下顺序尝试修复：(1) 重新生成——结果通常不确定，第 2–3 次尝试往往能通过；(2) 删除触发词，并添加 “empty, unoccupied, no people, no figures, architectural, tasteful”；(3) 使用相同的起始／结束帧，仅在 kling3_0 上重新生成该片段——其他提供商的过滤器往往会放行 Seedance 阻止的内容。该片段的渲染风格可能略有变化（每个模型的颗粒感／运动感各不相同）；对于淡入淡出后方的 5 秒连接片段，这通常比方案 (4) 更好：将连接片段槽位设为 null——引擎会直接淡化该接缝（连接片段为可选项），因此页面仍能完成。室内／房地产内容需预留额外额度和时间，以便重新生成。
• 深色／自定义主题 → 引擎将默认令牌封装在 @layer sw 中，因此页面级的 :root / .sw-root { --sw-bg; --sw-ink; --sw-accent; --sw-font-* } 块可以直接覆盖（无需处理选择器优先级）。--sw-ink 是主要的文本／标题颜色；强调色用于填充主按钮和当前导航项。深色主题请将 --sw-bg 设为深色、将 --sw-ink 设为浅色——文案遮罩层和标题阴影会自动跟随 --sw-bg。
• 手机上拖动进度时卡顿／快速滑动后冻结 → 1080p 母版对手机解码器来说太重，寻帧请求不断堆积。请提供 -m.mp4 移动端编码（720p、-g 4），并配置 clipMobile/connectorsMobile（步骤 6/7）。引擎已会合并寻帧请求；轻量编码也是解决方案的一部分。低端设备上仍然卡顿？请缩短 GOP（-g 2／全帧内编码）。
• iOS 上场景空白／黑屏（桌面端正常） → 这是 iOS Safari 的一个问题：从未播放过的静音视频不会绘制寻帧后的画面。引擎通过在片段完成绘制前保留静帧作为海报，并在首次触摸时预热每个视频来修复此问题——因此，如果你将引擎适配到框架中，不要在 loadedmetadata 时隐藏静帧，也不要移除 playsinline/muted 属性。
• 移动端滚动时页面跳动 → 某些操作会在 URL 栏显示／隐藏时触发 resize，重新执行布局。引擎会忽略触屏设备上仅高度变化的调整大小；如果你移植了引擎，请仅在宽度变化时触发调整大小处理程序（旋转时仍保留 orientationchange 处理路径）。
• 移动端文案被 URL 栏／刘海遮挡 → 使用引擎支持安全区域的底部偏移（env(safe-area-inset-bottom) + dvh）；确保页面的 <meta viewport> 包含 viewport-fit=cover（模板中已设置）。
• 纵向画面裁切了场景 → 高屏手机上播放 16:9 片段时只能显示中间部分——因此移动端版本应使用原生 9:16 片段链（§6b），而不是裁切。如果移动端构建中出现此问题，可能是发布了裁切备用版本（请向用户说明），或者实际提供的并非 9:16 编码（检查 videoWidth < videoHeight）。每个场景的焦点主体仍应保持居中（prompts.md），这对桌面影片本身也很重要。
• seedance 上 --generate-audio 报错 → 请省略该参数；在 HTML 中静音，并在编码时使用 -an。
• Kling 拒绝你的标志参数 → kling3_0 没有 --resolution 参数（不要传入；请按 ffprobe 报告的原生分辨率编码），且默认开启声音——请传入 --sound off。默认时长为 5；分段／推进片段需要 10。
• 只有你“省了额度”的位置出现接缝跳变 → 你在片段链中途切换了模型，或者连接片段需要 --end-image，却使用了仅支持起始图像的模型。整条片段链应使用同一个模型；唯一的低价档是 seedance_2_0_mini，它支持帧锁定，因此可以保持无缝。（任何仅接受参考图像的模型都无法保持接缝——参见步骤 4。）
• Monid seedance 拒绝内嵌图像 → 错误信息为 “Must be a public https:// URL or an asset:// reference”：帧需通过免费 sfs 文件系统传递（put → curl -T → cat → 签名 URL；pipeline.md → Monid 后端），不要使用 base64。注意：/put 会回显 home/<path>，但 /cat 和 /ls 需要的是你传给 /put 的原始相对路径——使用回显路径会返回 404。
• Monid 片段宽高比错误 → ratio 默认采用自适应模式，会跟随输入图像（3:2 静帧 → 近似 4:3 的视频）。每个链式片段都要显式传入 --ratio——桌面端用 16:9，移动端链用 9:16。
• Monid CLI 显示 “Polling timed out after 120s” → 只是本地等待超时；任务仍在服务端继续运行。使用 monid runs get -r <runId> -w 120 重新轮询（在 monid runs list 中查找 ID）。结果 URL 会过期（约 24–48 小时）——请立即下载。
• Monid minimax 在有提示词时丢弃图像 → 同时传入 prompt 和 first_frame_image 会返回无关的 t2v 片段，而且会按错误的计费矩阵单元收费（实测为 $0.56，而非 $0.28）。仅传入图像可以锁定帧，但无法控制镜头。在封装器修复之前，此端点无法用于链式生成——请使用 Monid 的 seedance-2.0。（模型本身没有问题——通过 Higgsfield minimax_hailuo 传入相同的提示词 + 图像即可锁定帧。）
• Monid 计费异常 → 按矩阵／令牌定价的端点会依据选择器匹配项计费：请显式传入所有选择器字段（model、resolution、duration），并在每个片段完成后读取运行结果中的 cost.value。任何请求体中较大的 base64 字段也可能导致返回 HTML 错误页面（“Unexpected token '<'”）——这也是帧应通过 sfs URL 传递的另一个原因。
• Monid 架构自上次构建后发生变化 → 这是常见情况（seedance 在 2026 年 7 月下旬之前仅支持 t2v，之后新增了首帧／末帧支持）。每次构建前运行 monid inspect；如果 Input 架构与 pipeline.md 中的文档不同，请重新运行步骤 4 的资格测试。
• Codex 静帧生成卡在 “Reading additional input from stdin...” → 从同一个脚本并行启动的 codex exec 调用会共用父进程的 stdin；其中一个调用会占用它，其余调用则会永久阻塞（观察结果：3 个中只有 1 个完成，2 个卡住，第二批从未启动）。务必在每个后台运行的 codex exec 后添加 < /dev/null——流水线的 gen_still_codex 已包含此设置；若改用该命令，请保留它。
• 白底场景 → gpt_image_2 会返回纯色背景；要么将页面背景与其匹配，要么将背景抠掉（步骤 3）。
• macOS 上的 bash 3.2 → 脚本中不支持关联数组。
• 连接片段抓取了错误场景的帧（或因某帧尚不存在而报错）→ 数组循环在 zsh 中运行（macOS 默认交互式 shell），而 zsh 的数组从 1 开始索引，不像 bash 从 0 开始。所有由数组驱动的片段链步骤都应放在 #!/bin/bash 脚本中，并通过 bash script.sh 运行——不要在交互式 shell 中直接运行数组循环。

参考资料

• references/prompts.md — 素材收集清单、风格前缀模式，以及每个提示词模板（场景静帧、潜水、连接器）的填空栏位。
• references/pipeline.md — 用于完整运行流程的复制粘贴批处理脚本（生成 → 提取帧 → 连接器 → 编码 → 移动端编码），兼容 bash-3.2。
• references/scrub-engine.js — 可移植、由配置驱动的擦动引擎（构建 DOM + 注入 CSS；blob-seek、延迟加载、接缝交叉淡化、复制、路线栏、减少动态效果，以及手机端加固：移动端编码、seek 合并、iOS 预热、安全区域、调整大小时不跳动）。
• references/index-template.html — 用于挂载引擎的最简独立页面。
• references/knockout.py — 用于浮动场景的边缘连通背景抠除工具。