vox-explainer

Advibly Vox 解说广告

将一个品牌角度变成完整的 Vox 风格剪纸拼贴解说广告：一支大胆有力、带旁白的短片，每个节拍都是一张活起来的撕纸拼贴海报，每 4 到 6 秒切换一次，真实产品照片以照片级写实效果融入纸艺世界。一切都在 Advibly MCP 上生成并组装。

这种风格是 Vox 解说视频以及 Stav Zilber 和 rom1trs 等创作者推广的现代编辑风格纸艺拼贴：手工剪裁的纸片、撕裂边缘、胶带、半色调圆点、报纸剪贴、每个节拍使用鲜明的纯色，以及融入图像的大型剪纸标题。

使用用户的语言。输出中绝不使用破折号；请改用句号或换行。 除非用户另有要求，否则标签和屏幕文案不得包含表情符号。

核心理念（请先阅读）

拼贴的视觉效果和拼贴的动态效果是两个不同的步骤：

1. 视觉效果在图像步骤中诞生。 每个镜头都是由图像模型制作完成的一张拼贴海报。所有拼贴特征（撕纸、剪纸、半色调效果、鲜明的纯色、标题文字）都存在于图像中。如果海报不是层次丰富的拼贴，后续步骤就无法补救。宁可在这里低成本地重新生成，也不要为动画化一张效果欠佳的图像买单。
2. 动态效果在之后添加。 视频模型将整张海报制作成“动态拼贴”：各层产生视差，元素上下浮动并散开，边缘轻轻摆动。海报的分层越清晰（剪纸轮廓分明、边缘可见、自带投影），视频模型就越能制作出层次丰富的动态效果。扁平融合的图像只能作为一个平面平移。
3. Advibly 的独特之处：产品保持照片级写实。 画面中的所有内容都是印刷纸张，唯独真实产品照片除外，它会以未经改动的状态合成进去。真实产品置身手工艺世界，才能让它像一则广告。这是唯一绝不能做风格化处理的元素。

所有内容都由两个层面驱动，各自都有对应的参考文件。在编写节拍图或任何提示词之前，请先阅读这两份文件：

• 故事层：references/beat-layer.md。叙事弧线、钩子模式、节拍数量、镜头景别、镜头运动、元素动态以及避免单调的规则。
• 视觉层：references/prompt-guide.md。图像和视频提示词结构、用于填充提示词的词汇库，以及主题预设。

严格默认设置（不得偏离）

• 图像模型： 使用 advibly_generate_image，参数为 model: "nano-banana-2"、resolution: "2K"。 Vox 的整体质感全靠纸张颗粒感，而 nano-banana-2 最能保留这种颗粒感，同时还能清晰渲染烘焙在图像中的标题文字，并将产品照片作为参考。它是默认选择。若某张海报的标题持续失真（它最擅长处理密集的烘焙文字），或产品参考图编辑与拼贴效果冲突，则改用备用方案 gpt-image-2（quality: "high"）；文字排版密集的海报则可选 seedream-5-pro。第三阶段的对比测试会通过目测选出胜者，整支广告都由该模型生成。如果生成结果呈现出数字化的平滑塑料质感，说明模型抹平了纸张质感：先用 nano-banana-2 重新生成，再考虑修改提示词。同一支广告中绝不混用图像模型。
• 视频模型： 使用 advibly_generate_video，参数为 model: "gemini-omni-flash"。Omni Flash 支持 4 到 10 秒时长（符合每个镜头 4 到 6 秒的节奏），最能稳定保留烘焙文字，并能为平面美术作品生成最佳的分层视差效果。它仅支持 9:16 和 16:9，没有结束帧，且提示词必须只用正向描述。若需要通过 end_image_url 精确落在揭示画面、使用 1:1 或其他非竖版／横版比例，或镜头时长超过 10 秒，则改用备用方案 seedance-2.0（mode: "fast"，支持任意 4 到 15 秒时长和所有宽高比）。若广告中包含真人或第三方品牌 Logo，则改用 kling-v3（3 到 15 秒，支持原生音频）：Omni Flash 和 Seedance 会在内容过滤层面屏蔽可识别的名人和商标。每支交付的广告只使用一种视频模型。
• 片段中的音频仅限音效，不得包含口语。 使用纸张拟音（撕裂、沙沙声、呼啸声、落定的闷响）和轻柔的室内环境音。在每条动态提示词中明确禁止旁白、对话和歌词：第七阶段会将配音混入音轨，片段中的任何语音都会与其冲突。
• 配音和音乐在平台内生成。 advibly_generate_voiceover 为脚本配音（xAI TTS：可选声音 eve / ara / rex / sal / leo，支持 20 多种语言，每 1000 个字符约需 0.03 个额度）；advibly_generate_music 生成伴奏（MiniMax Music 2.6，每首曲目需 0.3 个额度）。第七阶段通过一次免费的 advibly_render_composition 调用，将配音、静态音乐伴奏和轻柔的片段音效合成为一体。
• 忠实呈现主题，不要重染品牌色： 每次生成都传入 on_brand: false。主题调色板是重点；品牌套件素材板会改变主题的颜色。每次调用仍必须提供 brand_id，运行时的 project_id 也必须在每次调用中提供（两者会将作品归入用户素材库中的同一个项目卡片）；但 on_brand 为 false 时，两者都不会影响输出风格。品牌元素应通过真实产品照片、标题文案和一种点缀色体现，绝不能通过盖章式 Logo 体现。
• 不要使用文字叠加工具。 每个标题都必须在生成图像时直接烘焙进去。如果标题失真，可使用 num_images 重新生成（最多 4 张）、缩短文字，或为那张海报尝试 seedream-5-pro。绝不要计划事后叠加文字。
• 格式： 开始前指定 9:16 竖版或 16:9 横版（如有要求，Seedance 和 Kling 也支持 1:1）。所有镜头必须保持相同的宽高比。
• 提示词最长为 2000 个字符，适用于这两种生成工具。风格描述和场景描述必须控制在此限额内；精简词汇，不要删减分层描述。
• 工具需延迟加载。 每次会话首次调用前，先通过工具搜索加载准确的 Advibly 工具架构（搜索 "advibly generate image"、"advibly generate video"、"advibly generate voiceover"、"advibly generate music"、"advibly stitch videos"、"advibly get products"、"advibly upload asset"、"advibly add subtitles"、"advibly create project"、"advibly update project"）。请根据加载的架构确认参数名称和支持的时长，不要想当然。

Advibly 素材工作流（请牢记）

advibly_generate_image 返回的图像会带有一个公开的 url，可直接传给下一次调用中的 start_image_url 或 reference_image_urls。无需重新上传。如果调用返回 status: pending，媒体仍会在聊天中渲染；只有在后续步骤需要已完成的 URL 时，才调用 advibly_get_generation （wait: true）（如果关键帧要用于生成动态效果，则始终需要这样做）。

导入用户拥有的文件：使用 advibly_upload_asset，提供 source_url（公开链接）或 data_base64（较小的本地文件），以及 brand_id。返回的 url 可重复使用。

整支广告中始终使用的唯一参考素材是产品照片：

• 店铺品牌（brand_type: "ecom_store"）：调用 advibly_get_products，与用户一起挑选产品，并记下其图片 URL。其他品牌：从 advibly_get_assets 获取产品照片，或上传一张。每张展示产品的海报都要在 reference_image_urls 中传入此 URL，并将其描述为 “真实产品照片，保持原样且具有照片级真实感，合成到拼贴画中”。不要将 product_id 传给生成工具：用于图像调用时，它会强制进入基于原始照片的编辑模式，与拼贴画创作相冲突；用于视频调用时，它会替换起始帧。
• 揭晓产品之前的镜头和不展示产品的镜头，不要添加产品参考图。 尚不应展示产品的开场海报或问题海报不得携带产品照片参考，否则模型可能会提前泄露产品。

徽标：默认保持画面角落干净。 不要添加角落徽标贴片，也不要将徽标传入 reference_image_urls（这会让模型生成水印）。保持风格一致应依靠统一主题：相同的风格描述、配色变化和字体处理。如果用户明确要求加入品牌标志，只在他们指定的镜头中放置，通常是收尾镜头，而不是每个镜头都放。

---

阶段 1：收集信息

只需一条消息，只询问尚缺的信息：

1. 品牌：调用 advibly_list_brands。只有一个品牌：直接使用。多个：询问用户。没有：引导用户前往 advibly.com/onboarding（此技能会读取品牌，但无法创建品牌）。
2. 产品：要展示的产品及其照片 URL（参见上面的素材工作流）。纯品牌故事解说视频可以不展示主打产品；跳过照片和产品揭晓镜头。
3. 格式：9:16 或 16:9（询问用户；不设默认值）。
4. 核心主张：这支广告要表达什么观点（例如“肌酸并非都一样”“让发票自动追款”）。如果没有角度，就根据品牌简介提出 2 或 3 个选项，让用户挑选。
5. 时长：默认约 32 秒（6 到 8 个镜头）。上限为 60 秒：拼接器最多处理 12 个片段，也就是 12 个镜头，每个约 5 秒。

确定品牌后，使用 advibly_create_project 创建本次运行的项目（传入 brand_id，并采用类似“Acme Vox 解说视频”这样体现交付内容的名称），然后在流水线的每次生成调用中都传入返回的 project_id（包括筛选海报、关键帧、片段、配音、音乐和最终合成），确保本次运行作为一个条目保存在用户的素材库中。如果用户要继续之前的运行，请使用 advibly_list_projects 查找其项目，不要重复创建。

阶段 2：节拍图（唯一必须通过的审批关卡）

先阅读 references/beat-layer.md。选择适合该主张的叙事弧线（广告用 pas／bab／aida，产品说明用 how_it_works，历史主题用 timeline，纠正错误观念用 myth_buster，转变主题用 man_in_hole）。然后起草完整的节拍图，并在生成任何内容之前提交审批。

让节拍图更出色的规则（详情和词汇见参考文档）：

• 节拍 1 是一个能在 3 秒内抓住注意力的钩子，标题要承载所承诺的收益。绝不要把节拍 1 用于铺垫。选择一种钩子模式（surprising_stat、mistake_callout 等）。
• 每个节拍包含 2 个镜头：先是带标题的宽景建立画面海报，然后是没有标题的细节切入镜头。旁白横跨两个镜头；画面在句子中途切换。每个镜头时长为 4 到 6 秒，绝不超过 7 秒。
• 产品广告要把产品揭晓节拍放在叙事弧线转折处（pas 中的 Solve，bab 中的 Bridge）：真实照片伴随爆发效果、汇聚箭头或光晕出现。
• 镜头运动要多样化：相邻节拍不能使用相同的运动方式；static 仅用于收益呈现节拍。每个镜头的 element_motion 都要根据场景重新撰写，内容丰富，包含多个运动元素。
• **所有旁白台词组合起来就是广告脚本。**将它们写成一段连贯、有说服力的内容；每个节拍内的语速约为每秒 2.5 到 3 个词。

将节拍图以 JSON 格式交付，方便用户逐字段编辑：

{
  "project": "acme-creatine-vox",
  "topic": "not all creatine is equal",
  "brand_id": "<id>", "product": "Acme Creatine", "product_photo_url": "<url>",
  "aspect": "9:16", "language": "en",
  "arc": "pas", "theme": "<set in Phase 3>", "image_model": "<set in Phase 3, nano-banana-2 default>",
  "video_model": "gemini-omni-flash", "motion_style": "punchy", "constraints": "strict",
  "voice": "leo", "music": "driving cinematic percussion build, warm resolve, modern ad underscore",
  "beats": [
    {
      "id": 1, "role": "hook", "title": "NOT ALL EQUAL",
      "bg": "bold red", "feel": "urgent, confrontational", "hook": "mistake_callout",
      "product": false,
      "narration": "Most creatine on that shelf is not what the label says it is.",
      "shots": [
        {"id": "a", "dur": 5, "title": true, "shot_size": "WIDE", "camera_move": "push_in",
         "scene": "a wall of near-identical grey paper supplement pouches, one torn-open gap in the grid, question-mark scraps",
         "element_motion": "the grid of pouches shivers in place, one pouch peels off the wall and tumbles, halftone dots pulse"},
        {"id": "b", "dur": 4, "title": false, "shot_size": "CLOSE", "camera_move": "parallax",
         "scene": "close cut-in of one grey pouch with a magnifying glass cut-out over its label, torn newspaper scraps behind",
         "element_motion": "the magnifying glass slides across the label, scraps drift at different depths"}
      ]
    }
  ]
}

每个节拍中的 product: true 用于标记哪些海报要合成真实照片。voice 用于选择旁白者（eve：活力十足／ara：温暖／rex：自信／sal：流畅／leo：权威），music 用于描述配乐；二者都将在阶段 7 生成。询问：“批准这份节拍图，还是要编辑任何字段？”只有得到肯定答复后才能继续。

阶段 3：主题 + 模型（用户凭视觉选择）

不要让所有品牌都套用同一种固定风格。阅读 references/prompt-guide.md §5，并选择3 或 4 个主题预设，使其符合主张的时代、文化和语气（american-retro、swiss-modern、punk-zine、soviet-constructivist、wpa-propaganda、70s-groovy、chinese-ink、atomic-age、paper-craft-cream）；如果都不合适，则从各维度选项库中组合自定义主题。要匹配主题和品牌，而不是语言。

然后进行对比测试：针对每个候选主题，分别生成一张节拍 1 的宽景海报（调用 advibly_generate_image 3 或 4 次，每次生成一张图片，使用 model: "nano-banana-2"、on_brand: false），让用户凭视觉选择。AI 提出方案，预设库保障最低质量，人来做决定。

**对比测试也会确定图像模型。**默认使用 nano-banana-2，因为它能保留纸张纹理；如果获胜海报的标题效果较弱，或主题以文字为主，则用 gpt-image-2（或 seedream-5-pro）重新渲染该主题，并排展示，让用户比较纹理与文字效果。锁定胜出的模型，并将其用于每张海报（参见 models-and-gotchas.md）。

如果用户想节省费用，可以描述候选方案并让用户从表格中选择，但要说明对比测试能更好地展示效果。在节拍图中将获胜方案设为 "theme"（并设置所选的 "image_model"）；从此之后，每条提示词都由其风格配置、调色板、字体和运动幅度决定。

阶段 4：关键帧（拼贴风格）

每个镜头一张海报，按节拍顺序排列。按照 references/prompt-guide.md §1 中的 5 部分结构编写每条提示词：风格区块（每张海报保持一致）、由独立剪贴片段组成的场景、单一醒目的纯色背景、仅在 "title": true 的镜头中嵌入标题，以及画幅和分辨率。

advibly_generate_image
  prompt: <5-part collage prompt>
  brand_id: <brand id>
  project_id: <project id>
  model: <the bake-off winner, "nano-banana-2" by default>
  resolution: "2K"                               # add quality: "high" only if the model is gpt-image-2
  on_brand: false
  aspect_ratio: <9:16 or 16:9>
  reference_image_urls: [<product photo URL>]   # only on beats with "product": true

• 动画制作前，确认每张海报都是真正的分层拼贴：片段彼此独立、撕裂边缘清晰可见、投影明显、标题清晰利落。此时重新生成；与视频片段相比，图像成本很低。
• 产品海报：使用照片参考，并加上“保持原样且具有照片级真实感”的措辞。检查产品是否被重新绘制成纸张；这是最常见的问题。
• 每张海报的风格区块都必须逐字一致；只改变场景、背景色和标题。这能让 12 个镜头像同一部影片。
• 展示整组海报，询问“保留还是修改？”，只重新生成不满意的部分。

阶段 5：动态效果（灵动拼贴）

使用 references/prompt-guide.md §2 中的 5 轴运动提示词为每张获批海报添加动画：目标、镜头（节拍图中的 camera_move，每次只用一种运镜）、元素运动（使用节拍图中的 element_motion，写得丰富）、保持美学风格、氛围与色彩，最后加入稳定性约束。

advibly_generate_video
  prompt: <5-axis motion prompt, SFX-only audio direction, no spoken words>
  brand_id: <brand id>
  project_id: <project id>
  model: "gemini-omni-flash"
  aspect_ratio: <9:16 or 16:9>
  duration: <the shot's dur, 4 to 10>
  start_image_url: <that shot's poster URL>

• 节拍图中的 constraints: "strict" 表示每条提示词都保留缺陷防护要求（扁平 2D、单一连续运镜、不变形、文字固定）。"loose" 则表示在适合大胆运镜（环绕、希区柯克变焦、甩镜）的节拍中移除这些要求；预计需要重新生成。
• Omni Flash 只接受正向措辞：将每个“不要做 X”改写为正向表述（“镜头保持锁定”“字样与印刷内容完全一致”）。参见提示词指南 §2。
• 戏剧性效果靠的是运动提示词，而非单独的引擎。 片段从空白画面组装而成、彩纸和纸片散落、撞击震动、甩镜：都可以通过强化元素运动描述，并使用适合模型的措辞来实现。配方和措辞库见 references/motion-collage.md。只用于适合增强冲击力的节拍（钩子、产品亮相、高潮、结尾），不要每个镜头都用。
• 精准定格揭晓画面和从空白画面组装成片： 如果某个节拍必须以精准的揭晓画面结束，或你想要真正从空白画面逐步构建出完整海报，就需要使用 end_image_url，而这只有 Seedance 支持；此时请用 seedance-2.0（mode: "fast"）制作整支广告，并在整支广告中使用同一个模型。参见 motion-collage.md §1。
• 每条提示词都要说明音频方向：仅纸张拟音，无旁白、无口语、无歌词音乐。
• 展示每个视频片段：选择保留、重新编辑（海报不变，只调整运动提示词）或重新生成。

阶段 6：配音 + 音乐 + 最终合成

1. 配音。 将各节拍的旁白句子合并成一段连贯的文案并生成：

   advibly_generate_voiceover
     brand_id: <brand id>
     project_id: <project id>
     text: <the full narration, beats joined in order; use [pause] between beats
            when a beat's line lands short of its window>
     voice: <the beat map's voice: eve / ara / rex / sal / leo>
     language: <only when auto-detection would get it wrong>
   

   如果朗读时长超过场景总时长，就精简文案并重新生成；切勿拉伸时长。
2. 音乐。 根据节拍图中的 music 描述生成背景音乐：

   advibly_generate_music
     brand_id: <brand id>
     project_id: <project id>
     prompt: <the beat map's music description + tempo + "modern ad underscore">
     instrumental: true
   

   音轨可以比广告更长；合成时会自动裁剪并淡出结尾。保持纯音乐：歌词会干扰旁白。
3. 仅合成一次。 调用 advibly_render_composition，将排序后的片段作为 scenes（每个片段的 volume: 0.3），将 voiceovers: [{source: <VO generation id>}]、音乐生成结果作为 music、 所选的 aspect_ratio、本次运行的 project_id，以及 keep_scene_audio: true 传入。默认的静态音乐音量已 适配旁白。该工具会返回 status: pending、generation_id 和 edit_url； 让聊天小组件轮询渲染状态。
4. 字幕（可选，仅在合成后添加）。 仅在此处使用 advibly_get_generation 并设置 wait: true 以获取已完成的渲染结果，然后调用 advibly_add_subtitles 并使用动态预设 （glide、fusion、glass）。切勿为纯 SFX 片段添加字幕：没有内容需要转录。将品牌词添加到 vocabulary，以确保转录器正确拼写。
5. 交付结果，并告知用户 edit_url，方便他们在 Advibly 视频编辑器中微调广告。
6. 设置项目封面。 调用 advibly_update_project，传入 { project_id, cover_generation_id: <the final composition's generation id> }，让项目卡片展示 完成的广告。

阶段 8：可选发布

如果用户想要发布：先调用 advibly_social_list_accounts，然后调用 advibly_social_create_post 并附上最终视频。只有在用户看过完成的广告后才提供此选项。

---

备注与规则

• 开始任何生成前，必须先批准节拍图。 故事才是产品；拼贴画负责呈现故事。
• 真实产品必须保持照片级写实；其他内容都使用印刷纸张质感。 在产品节拍中传入照片 参考，在揭晓前的节拍中禁止使用它，并且每次都要用文字注明“保持不变且照片级写实”。
• 每 4 到 6 秒切换一次镜头。 每个节拍两个镜头，一个广角镜头加一个细节镜头，旁白贯穿 两个镜头。每个节拍都用一张静态长海报会显得沉闷。
• 相邻节拍不能使用相同的镜头运动；static 是高潮效果。 除海报本身外，避免单调是最重要的质量提升手段。
• 画面动感来自元素的运动。 为每个镜头描述丰富的运动，让多个元素动起来。英雄元素飞越画面是偶尔制造冲击的手法，不应成为固定套路。
• 每支交付的广告只使用一个图像模型和一个视频模型。 要么整体替换，要么不替换。 Omni Flash 是默认的运动模型；只有在需要尾帧揭晓、非 9:16/16:9 宽高比或超过 10 秒的镜头时，才将广告改用 Seedance；真人镜头则使用 Kling。
• 仅含 SFX 的片段。 配音和音乐在阶段 7 生成并混入；切勿让片段开口说话。
• 始终设置 on_brand: false、brand_id 和 project_id；默认不添加 Logo 水印。
• 提示词必须自成一体。 生成器不会记得之前的调用；每条图像提示词都必须原样包含风格说明。
• 失败时： content_rejected 表示提示词被策略拦截；请改写措辞。如果触发原因是真人或第三方标记，则将广告改用 kling-v3。 insufficient_credits：调用 advibly_buy_credits 并分享结账链接。揭晓效果始终不理想时，将该节拍改用 Seedance 的起始帧加结束帧方案。
• 起草任何文案、标签或旁白时，不要使用破折号，尽量少用表情符号。

参考文件

• references/beat-layer.md：STORY 层。叙事弧库、钩子模式、各时长对应的节拍数、镜头景别、适合平面画面的运镜词汇、元素运动，以及避免单调的运镜节奏预设。编写任何节拍图前都要阅读。
• references/prompt-guide.md：LOOK 层。图像提示词的 5 部分结构、维度词汇库、带稳定性锚点的 5 轴视频提示词、高级运动词汇，以及主题预设和对比评测流程。编写任何提示词前都要阅读。
• references/motion-collage.md：戏剧化效果（元素从空白画面中组装、主体横穿画面、彩纸和散落效果、冲击抖动、鞭甩），以及图像模型去背景的配方，全部通过 MCP 完成，无需本地脚本。需要比动态海报效果更有冲击力的表现前要阅读。
• references/models-and-gotchas.md：图像和视频模型选择、内容屏蔽、正向措辞规则、素材工作流，以及最终合成规范（静态低音量背景音乐、尾部保护、旁白超时修复、鞭甩镜头组接）。调试效果不佳的渲染结果或音频混音前要阅读。