Popiai-skill/video-creation/documentary/SKILL.md

name	display-name-zh	summary-cn	summary-en	description	version	tags	tags-cn	exported-by
documentary	纪录片	输入主题，全流程生成纪录片或科普视频	Generate narrated documentary videos	纪录片/科普片视频生成工作流。适用于用户要求生成一段较长的叙事类视频时， 如"帮我生成一个关于XX的1分钟视频"、"做一个关于XX的科普视频"等。 涵盖分析策划、分镜脚本、图片生成、旁白配音、视频片段生成、后期合成的完整流程。 触发词包括：纪录片、科普片、documentary、explainer video、 生成一个X分钟的视频、长视频、叙事视频、科普视频。	0.1.6	[Video Explainer]	[视频 科普]	MiniMax-hub

Documentary / Explainer Video - 纪录片与科普片生成工作流

本工作流适用于生成有旁白、多场景的叙事类长视频（如纪录片、科普视频、品牌介绍片等）。

适用场景

• "帮我生成一个关于XX的1分钟/3分钟视频"
• 科普视频、知识讲解视频
• 纪录片风格的叙事视频
• 带旁白和字幕的多场景视频

完整工作流

Step 1: 分析与策划

• 识别关键信息：创意需求、语言、风格（写实/卡通/动漫）、目标受众、主题、基调。
• 全片保持风格一致 -- 不要混搭风格。在所有 prompt 中强调确定的风格。
• 判断视频是否有主角（需要在多个场景中保持一致的主要角色/主体）：
  • 有主角（如产品评测、角色故事）：需要参考图保持一致性
  • 无主角（如风景游览、抽象主题）：不需要参考图
• 主角处理流程（CRITICAL）：
  1. 如果用户提供了参考图 -> 用 read_media 分析其视觉特征（外貌、服装、发型、体型、显著特征），保存描述。
  2. 如果没有参考图但需要主角 -> 先通过 image agent 生成一张，再用 read_media 分析。
  3. 在发给 image agent 的每个 task_description 中，必须同时包含主角描述 AND 参考图路径。 image agent 是无状态的 -- 不告诉它主角长什么样，它会生成随机人物。
  4. task_description 示例: "Generate 5 scene images. The protagonist is a young woman with long black hair, wearing a red dress, slim build (reference image: /path/to/ref.png). Use this as image_paths reference for all images. ..."

Step 2: 创建分镜脚本

• 根据需求生成主线故事，按需调整长度。
• 从目标时长计算场景数:
  1. 总目标时长（如 "3 minutes" = 180s）
  2. 减去片头（6s）+ 片尾（6s）= 主体场景可用秒数
  3. 假设每个主体场景平均约 8s（6s 和 10s 混合），计算：main_scene_count = ceil(remaining / 8)
  4. 3 分钟视频：至少 21 个主体场景（168s / 8 = 21）
  5. 1 分钟视频：至少 6 个主体场景（48s / 8 = 6）
• 创建连贯、有逻辑的分镜脚本：
  • 片头场景：主题文字居中画面，无旁白。6 秒。
  • 主体场景：首帧描述 + 视频运动描述。包含旁白或对话。每个场景 6s 或 10s（单个场景最长 10s）。旁白文本要控制长度 -- 确保能在 10 秒内说完。
  • 片尾场景：主题文字居中画面，无旁白。6 秒。
  • 每个主体场景的精确时长（6s 还是 10s）在 Step 4 音频生成后根据实际音频长度确定。不要在分镜阶段把所有场景都预设为 6s。
• 重要: 分镜总时长（所有场景时长之和）必须接近用户请求的时长。如果用户要 3 分钟，分镜必须有足够场景填满约 180 秒。不要给 3 分钟视频只创建 8-10 个场景。

Step 3: 生成场景图片（image agent）

• 为所有场景生成首帧图。
• 为了场景转场：为 N 个场景生成 N+1 张图（最后一个场景需要额外的末帧图）。
• 禁止：不得出现真实名人、版权角色、品牌作品、血腥或暴力内容。
• task_description 必须包含（CRITICAL）：
  • 需要生成的图片精确数量
  • 每张图的详细英文 prompt（画面内容、构图、光线、风格）
  • 片头/片尾场景：描述文字内容及其在画面中的位置
  • 如果有主角：同时包含参考图路径 AND 主角外貌描述（来自 Step 1 的 read_media 分析）。image agent 是无状态的 -- 缺少这些信息它会生成随机人物。
  • 宽高比 -- 同一批次所有图片必须使用相同宽高比（竖版视频默认 9:16，横版视频 16:9）。不要混用方向。
  • 风格要求（如 "photorealistic cinematic travel photography"）

Step 4: 生成旁白音频（audio agent）

• 为每个场景单独生成一个音频文件（不是整个视频一个音频）。
• 片头和片尾场景没有旁白。
• task_description 必须包含（CRITICAL）：
  • 每个场景的精确旁白文本（使用目标语言）
  • 语言和声音风格要求
  • 提醒返回每个场景的 audio_path

Step 5: 生成视频片段（video agent）

• 无旁白的场景（片头/片尾）：6 秒视频。
• 有旁白的场景：必须检查 Step 4 返回的音频时长，据此设置视频时长：
  • 音频 >= 5.1s -> 使用 10s 视频时长
  • 音频 < 5.1s -> 使用 6s 视频时长
• 不要把所有视频都默认设为 6s。 大多数旁白场景需要 10s 视频。
• task_description 必须包含（CRITICAL）：
  • 用作 first_frame_images 的图片文件路径（来自 Step 3）
  • last_frame_images 规则：只有第一个视频和最后一个视频使用 last_frame_images 做场景转场。所有中间视频的 last_frame_images 设为 null。具体：
    • 第一个视频：last_frame_image = image[1]（第二个场景的首帧）
    • 最后一个视频：last_frame_image = image[N]（额外的转场图）
    • 所有其他视频：last_frame_image = null（不要设置）
  • 每个视频片段的运动/动作 prompt（视频中应该发生什么）
  • 每个片段的时长

Step 6: 后期合成（editing agent）

• task_description 必须包含所有文件路径（CRITICAL）：
  • 需要处理的视频文件列表
  • 哪个音频文件嵌入到哪个视频中
  • 拼接顺序
  • 是否生成并添加背景音乐

Step 7: 展示结果

• 向用户展示最终视频文件路径。