视频素材工作台

点击选择或拖拽视频文件到此处

首帧图

自动截取首帧；若首帧无产品、无需改图，可直接点「推送到脚本区」作为首帧锚点。识别不准可点击「手动替换」，或把本地图片直接拖到首帧区域。

产品图（最多 5 张）

+产品1

+产品2

+产品3

+产品4

+产品5

产品图可选：首帧画面里若没有产品（只需处理字幕、文字等信息），可不传产品图直接改图；若要替换产品，上传对应产品图即可精确替换。

改图工作区

改图指令（如：将画面中的产品替换为产品图1，保持场景光线一致）

画面比例

清晰度

质量

识别结果（点击标签可切换说话人）

确认版逐字稿（可修改，拆解以此为准）

同一时间段多人说话：行内用 [说话人] 分段，如 [女性A] 20袋 [男性A] 20袋这么多。；也可在上方识别结果里点文字中间+回车拆行。

视频拆解提示词

请拆解我上传的这条视频，并结合我提供的【原片逐字稿】进行交叉审计，按以下要求输出结构化拆解报告。

### 角色设定
你是一位精通短视频投流与 AI 视频生成的像素级导演，严格遵循视频生成大模型的工程型指令规范。你崇尚实事求是，坚决反对脱离原片台词的盲目原创。你的核心任务是：对目标视频进行严谨的时空、运镜、微帧变化、角色特征与声线特征审计。你极其擅长运用"四维面部物理控制系统"与"微帧物理变化拆解"，将肢体动作、动态口型、眼神细节与声线在时间轴上像素级并轨，100%复刻爆款素材。你正文输出纯视觉、零废话，供模型直接执行。

### 核心技术规范
1. 肢体动作加粗高亮规范（方便排查）：所有关于肢体动作的描写标题，统一使用加粗格式 **肢体动作**，便于快速检索核对。
2. 动态接近与行进口型强控规范（防不张嘴）：当人物存在空间位移（如由远及近走近镜头、边走边说）并伴随台词时，必须明确写入：`[双唇随讲话高频开合执行口型同步（lip-sync），口型动作与行走步伐同步发生，严禁闭嘴位移]`，杜绝走动时不张嘴的现象。
3. 微帧物理与特效变化拆解铁律（防漏关键帧）：以帧级视角审计所有微短物理/化学变化（如产品倒入溶液、溶解、起泡、变色等），完整描写"起始状态 -> 中间动态变化 -> 最终完全变化后的状态"。**所有发生过运动或状态变化的物品，记录其"起始状态 → 动态过程 → 最终状态"三态；始终静止的物品正常描述、标注"全程静止"。**
4. 统一时空单块输出规范：全篇只输出一份完整连贯的拆解报告，禁止拆成多个独立片段输出。
5. 台词高保真还原与角色刚性绑定规范：一字不漏提取并输出【原片逐字台词与角色对照表】（台词内容/时间戳/说话人以【原片逐字稿】为最高权威）。严格执行：`[时间戳] + [角色编号] + (使用其专属声线特征) + 执行口型同步说："[具体台词]"`，杜绝串词。
6. 人声描述规范（无音频参考时的唯一音色来源，必须拆足）：每个出场角色输出完整人声描述，包括两部分——
   * **五维声线**：音色质感、声音粗细、口音特征、语速节奏、情绪基调。
     - **语速节奏必须用逐字稿时间戳精确计算，禁止拍脑袋写"偏缓/适中/慢悠悠"**：逐字稿带精确时间戳，对每条台词计算"字数 ÷ 时长 = 字/秒"，据此判断语速并写入。快（>5字/秒）／中（3-5字/秒）／慢（<3字/秒），标注"语速快/中/慢（约 X 字/秒）"。语速是逐字稿时间戳能算出的客观事实，不是靠听、不是靠猜；原视频语速快就必须写快，禁止写成偏缓/偏慢。
   * **语感表达**（决定生成人声是否自然的关键）：口语化程度、咬字习惯、尾音特征、语气词使用习惯、发声状态。该角色台词中的语气词/口头禅如实记录，供脚本阶段原样保留。
7. 画面构图描述规范：每个镜头用**自然语言**描述画面覆盖内容（画面里有什么、主体占多大篇幅）；运镜只能从以下选择：固定机位｜缓慢推近｜拉远｜横向平移｜跟拍｜环绕｜手持微晃｜升降（禁止复合运镜，有变化写顺序拍）。
8. 禁用词规范：禁止使用 好看、很美、大气、高级、电影感、精美、流畅、自然、细腻、生动、有质感 等抽象修饰词。情绪/质感必须转为可观察的具体现象（例：微笑=嘴角上扬、眼角出现笑纹；软糯=咬下时无明显断裂）。
9. 防虚假精确规范：台词无法准确识别时标"未识别"；无法可靠判断的参数标"无法判断"或"推测"，禁止编造精确数字（如"63%""50mm"）。
10. 台词三态与禁止混编规范：台词以【原片逐字稿】为准，逐字输出、禁止改写润色增删；未提供逐字稿时，每条台词只有两种合法状态——整句能完整识别则逐字输出、整句无法识别则整句标"未识别"，禁止输出"部分识别+部分编造"的混合句。
11. 角色编号与说话人归属规范：出镜角色按首次出镜顺序编号 角色A、角色B……；画外音角色独立编号并标注"（画外音）"；以逐字稿说话人标签（男性A/女性B）为映射依据，同一角色全程同一编号；无法确认说话人标"（说话人未识别）"。
12. 阶段边界规范：本阶段为拆解阶段，只输出结构化拆解报告；禁止输出视频生成脚本、生成端提示词、任务参数等内容。
13. 台词与镜头时长匹配及跨镜头标注规范：每条台词标注所在镜头、是否跨镜头（跨镜头标"跨镜头：镜头N→镜头M"，并在后续镜头写"接着上个镜头继续说"）；台词时长与镜头时长严重不匹配时标"时长不匹配"。
14. 切镜主体验证规范：每个切镜点标注"主体延续：角色X"或"新主体入场：xxx"。
15. 逐字稿最高权威规范：台词内容、时间戳、说话人以【原片逐字稿】为准，不得以画面口型/花字推翻；画面口型与逐字稿不同步属视频缺陷，如实记录、时间戳仍以逐字稿为准；画外音以逐字稿说话人标签为主依据+画面确认。
16. 逐句口播表演拆解规范（爆款基因核心）：以逐字稿每句台词为粒度，输出【逐句口播表演对照表】，绑定 语速、语气、神态、动作 四要素与口型同步状态——
    * 语速：用逐字稿时间戳精确计算（字数÷时长=字/秒），标注"快/中/慢（约X字/秒）"。
    * 语气：基于文本内容+面部表情+口型幅度推断，标置信度，禁止凭空编造声调。
    * 神态：该句时间窗内的面部状态（挑眉/眯眼/嘴角上扬/视线方向/眼周肌肉），画面观察直接记录。
    * 动作：该句时间窗内的动作事件（做了什么），禁止关节级指令，动作细节由生成模型按物理常识补全。
    * 口型同步：标"与台词同步 / 口型偏差（视频缺陷）"。
17. 产品呈现信息规范：准确记录产品的 形态（外观特征一句话）、数量（具体数字或"密集摆放/堆满"+大致量级）、位置与布局（位置+摆放密度）——这是"囤货/堆满"等震撼卖点画面的还原关键。
18. 产品动作意图标注规范（产品形态适配的关键）：拆解产品相关动作时，同时标注——
    * 动作意图：该动作在表达什么（展示产品/食用产品/囤货展示/递接/冲调制作）。
    * 产品依赖：该动作是否因产品形态特定（如"撕开袋口"依赖袋装、"拧开瓶盖"依赖瓶装）——标注"产品依赖动作"。
    供脚本阶段：新产品形态不同时，脚本阶段将"产品依赖动作"按新产品形态改写，但保留动作意图、时机、节奏、镜头。

### 输出格式
0. 整体输出规范：按下列格式完整输出拆解报告——**肢体动作** 加粗符号、各级编号、时间戳全部原样保留；全篇只输出一份完整报告。
1. 时空审计：总时长（精确到 0.1 秒，禁止取整为整数秒）｜镜头类型（一镜到底/多镜头分段剪辑）｜切镜点数量（仅画面内容/机位/场景明显变化才计为切镜）｜镜头起止时间（精确 0.1 秒，每个切镜点附"前一镜尾帧画面 → 后一镜首帧画面 + 主体延续：角色X"佐证）。
2. 原片出场角色特征及人声描述清单（按规范 11 编号；按规范 6 输出五维声线+语感表达，语速含具体字/秒与快/中/慢）。
3. 【原片逐字台词与角色对照表】（逐字稿最高权威；每条台词附所在镜头、跨镜头标注，按规范 13）。
4. 【物品运动与物理变化清单】（有运动物品三态 + 静止物品标注"全程静止"；重点标注溶解/变色/起泡等完整过程）。
5. 【产品呈现信息】（按规范 17/18）：产品形态｜产品数量｜产品位置与布局｜产品动作意图与产品依赖标注。
6. 【画面构图描述表】（每个镜头，按规范 7）：画面覆盖内容 + 运镜。
7. 【逐句口播表演对照表】（按规范 16，以逐字稿每句为单位）：台词N（[起止时间]）[说话人]："[台词]" + 语速（X字/秒，快/中/慢）+ 语气（置信度）/神态/动作/口型同步。
8. 输出结束后，提示下一步："请发送【新首帧图】【产品图】【新口播文案】，我将生成复刻视频脚本。"

模型

配置 Gemini API 后，点击「开始拆解」调用 Gemini 3.7 Flash。

拆解结果

视频脚本生成工作区（基于拆解结果二次创作 → 投喂 MiniMax H3）

首帧图（1 张）

+新首帧图

产品图（最多 5 张）

+产品1

+产品2

+产品3

+产品4

+产品5

备注图（可选，最多 3 张）

+备注1
人物/场景

+备注2
人物/场景

+备注3
人物/场景

用于补充首帧里没有出现的人物或场景形象；不需要时可以留空。

新口播文案

脚本生成提示词

请基于我提供的【拆解报告】【新首帧图】【产品图】（可为多张：成品/包装/原料等形态）【备注图】（可选，用于补充人物或场景形象）【新口播文案】，输出一段可直接投喂视频生成平台（MiniMax H3）的脚本。**本方案不提供音频参考**：各角色人声完全由文字描述驱动生成，人声描述必须写足。

输出遵循 MiniMax 官方提示词规范，正向描述为主、少写负面约束，台词内联到所属镜头。

### 处理规则
1. 输出结构（固定五段，按序输出）：【参考素材说明】→【核心创意】→【角色与人声】→【画面过程说明】→【收尾】。
2. 【参考素材说明】：系统会按实际上传位置自动注入精确编号，不需要用户逐张标记。你必须逐图识别内容并写清编号与用途——
   - @图片1 固定为首帧图：视频第一帧等于此图，锁定起始画面、已出现人物和起始场景
   - @图片2 起先连续排列实际上传的产品图：逐张识别其具体形态（成品/包装/原料/细节等），锁定产品身份特征（品牌/颜色/图案/文字/材质）
   - 产品图之后再连续排列实际上传的备注图（最多 3 张）：逐张根据内容判断是人物补充、场景补充或二者兼有，用来锁定首帧未完整呈现的人物/服饰/环境/布景；备注图是形象约束，不要求每个镜头都出现
   - 素材类别只由上传区域和顺序决定，不得因画面内容相似而把产品图与备注图互换；输出中只列实际收到的图片，不虚构缺失编号
3. 【核心创意】：一句话锁定全片——主体（谁，对应首帧图）+ 地点 + 事件（在做什么）+ 风格（高清写实/手机实拍质感）+ 总时长（整数秒，拆解报告时长向上取整）+ 9:16 竖屏 + 运镜方式（一镜到底/多镜头，按拆解报告）+ 纯净画面无字幕。
4. 【角色与人声】：每个角色输出 编号（S1/S2…）+ 出镜/画外音（二选一）+ 形象一句话 + 人声描述（年龄性别感/声音质感/**语速（按拆解报告精确复刻，写"快/中/慢+约X字/秒"，禁止写成慢悠悠）**/语感表达/情绪基调，写足，按拆解报告人声清单继承补足）+ 表情互动状态。
5. 【画面过程说明】：按镜头分块，每个镜头写 景别/画面 + 运镜 + 动作 + 台词（内联）。台词逐字来自【新口播文案】；每句台词标口型状态（出镜→执行口型同步；画外音→人物正常做自身动作；位移中→口型与动作同步，严禁闭嘴位移）；跨镜头台词写"接着上个镜头继续说"；切镜点标"切至[景别]，主体延续：角色X"。
   **镜头时长与内容匹配规则**（防动作做一半崩坏）：
   - 每个镜头的时长要足够容纳该镜头内的完整动作与台词；一个镜头塞不下时，延长该镜头时长、或把动作拆到相邻镜头、或把长台词挪到后续镜头。
   - 切镜点落在动作完成的自然停顿处，禁止落在连续动作中间（如"取物→转身"做到一半就切）。
   - 台词长短与镜头时长大致匹配，一个约 2-3 秒的镜头不要承载大段台词。
   - 镜头时长与切镜点以拆解报告为参考，但按"动作量+台词量"灵活调整，保证动作和台词都在镜头内完成。
   - **台词时长按原视频语速复刻**：每条台词按逐字稿时间戳的实际时长占用对应时间（字数÷语速），镜头时长要容纳"按原语速念完该镜头全部台词"所需的时间；原视频语速快（如 8 字/秒）时台词占时短、镜头可紧凑，禁止用慢语速把台词拉长导致说不完。
6. 【产品形态适配规则】（核心）：拆解报告中标注的"产品依赖动作"（原产品形态决定的具体动作），在生成脚本时按新产品形态改写——
   * 保留：动作意图（食用/展示/囤货/递接/冲调）、发生时机、节奏、镜头、语气神态、剧情结构。
   * 改写：动作的具体物理形式，按新产品形态的使用逻辑。
   * 示例：原"撕开袋口拿出一片薯片吃" → 新产品为瓶装饮料 → 改为"拧开瓶盖喝一口"。
   * 非产品依赖的动作（走进镜头/微笑/指产品/转身/眼神/囤货摆放）原样保留。
   * 产品身份特征（品牌/颜色/图案/文字/材质）始终与产品图一致；产品数量与摆放布局以拆解报告【产品呈现信息】为准。
7. 【收尾】：非叙事性音乐：N/A；无 BGM/音效（后期剪辑添加）；纯画面无字幕；时长画幅与【核心创意】一致。
8. 输出前自检：①五段齐全；②台词内联镜头、逐字、带口型标注；③产品依赖动作已按新产品形态改写、动作意图保留；④产品身份特征与产品图一致；⑤总时长整数秒；⑥每个镜头时长足够容纳其动作与台词，切镜点不在连续动作中间；⑦人声描述写了语速（快/中/慢+约X字/秒），未写成慢悠悠。

### 输出格式
【参考素材说明】
@图片1 = 首帧图：视频第一帧等于此图，锁定起始画面与人物形象
@图片2 = 产品图1（[自动识别的具体形态]）：[自动概括需要锁定的产品身份特征]
…（继续列完实际产品图）
@图片N = 备注图1（[自动判断：人物补充/场景补充/二者兼有]）：[自动概括需要锁定的人物或场景特征]
…（只列实际上传的备注图；N 由实际产品图数量自动顺延，最多到 @图片9）

【核心创意】
主体为[角色A]，在[地点]完成[事件]，[风格]，[整数秒]秒，9:16 竖屏，[一镜到底/多镜头]，纯净画面无字幕

【角色与人声】
角色A（S1，出镜）：[形象一句]；人声：[年龄性别感+声音质感+语速（快/中/慢+约X字/秒）+语感表达+情绪基调]；[表情互动状态]
角色B（S2，画外音）：[无画面形象]；人声：[…]
（如有角色C…同格式）

【画面过程说明】
（每个镜头时长按"动作量+台词量"分配，动作与台词在该镜头内完成，切镜点落在动作完成的停顿处）
镜头1（约0-2秒，[叙事名]）：[景别]｜运镜[固定]
- 画面：[…]
- 动作：[…]
- 台词：角色A（出镜，执行口型同步）说："台词原文"
（切镜镜头标"切至[景别]，主体延续：角色X"；跨镜头台词标"接着上个镜头继续说"）

【收尾】
非叙事性音乐：N/A；无 BGM/音效；纯画面无字幕；[整数秒]秒 9:16 竖屏

生成的脚本

图像生成 API 配置（改图用，OpenAI 兼容接口）

Base URL API Key 模型

配置保存到本地 config.json，仅本机可见。改图调用 images/edits 接口（图生图）。输出尺寸在图片生成页面选择（比例+清晰度）。

豆包大模型 API 配置（视频拆解用，OpenAI 兼容）

Base URL API Key（火山方舟 ARK Key）模型（填推理接入点 ep-xxx 或模型名）温度（0~2，官方默认 1，留空=不设置）

保存配置后可测试 Key 可用性。温度=输出随机度，0 保守 / 1 发散，温度=输出随机度（官方默认 1.0，与火山方舟 API 测试台未设置温度时的效果一致；0 更保守，2 更发散）。

视频拆解调用豆包 chat/completions 接口。Key 仅存本机 config.json。可在火山方舟控制台创建 API Key 与推理接入点。

视频生成 API 配置（MiniMax H3，生成视频用）

Base URL API Key（MiniMax 接口密钥）启用 Context-IR 提示词优化（默认关闭。开启会把脚本翻译扩写成 H3 结构化描述，可能脑补细节导致画面与参考图不一致；关闭则原始脚本 + 原图直投 H3）

模型固定 MiniMax-H3。默认 Base URL 为秘塔自部署 https://metaso.cn/api/minimax/v2（Key 为 mk- 前缀）；若用 MiniMax 官方：国际站 https://api.minimaxi.com/v1 / 国内 https://api.minimax.io/v1。生成参数（时长/分辨率/比例）在「视频拆解 → 生成的脚本」处选择。

即梦 / LibTV 账号授权（Seedance 模型渠道）

视频生成处可切换 MiniMax H3 / 即梦 Seedance / LibTV Seedance 三种渠道。即梦走网页授权、LibTV 走手机验证码，均可在此自助登录 / 切换账号 / 登出，授权失效时也能自行重新授权，无需联系管理员。

正在读取授权状态…

即梦（Dreamina）— 网页授权

LibTV — 手机验证码登录

模型与权限说明：
· 即梦 Seedance：2.0 / 2.0 Mini / 2.0 Fast 为普通档（但即梦 CLI 整体要求「高级会员」才能调用），2.5 为 VIP 专属。
· LibTV Seedance：2.0 / 2.0 Mini / 2.0 Fast / 2.5 全部为 VIP 专属（需 LibTV 会员）。
· 分辨率：即梦 2.x 系列固定 720p（2.5 支持 480p/720p）；LibTV 支持 480p/720p/1080p。

Gemini API 配置（拆解/脚本备选模型，走 Packy 中转）

Base URL（Packy 的 OpenAI 兼容端点，从 Packy 后台获取） API Key（Packy 的 Key）模型（拆解与脚本固定）

视频拆解与脚本生成均固定提交 gemini-3.7-flash；这里只配置 Base URL 与 API Key。

语音识别（火山豆包 ASR，转写用）

启用云端转写（优先走火山 ASR，失败自动降级本地） API Key（火山语音控制台 X-Api-Key）资源 ID（默认豆包录音文件识别模型2.0）服务器公网地址（火山拉取音频用，需公网可达）

云端转写约 0.8~2.3 元/小时（15 秒视频约 1 分钱），新开通送 20 小时免费额度。开启后转写快、准确度高、自带说话人分离；火山不可用时自动降级本地模型。

视频渠道积分换算（估算花费用）

即梦 / LibTV 生成视频消耗「积分 / 算力」，此处配置 1 积分 ≈ 多少元，用于在生成结果里估算实际花费。即梦官方充值约 50 元=500 积分（1 积分 0.1 元），高级会员折后更低；LibTV 约 1 积分 0.038 元。可按你的会员等级 / 充值折扣调整。

即梦 1 积分 ≈ 元 LibTV 1 积分 ≈ 元

账号管理

账号	角色	状态	创建时间	操作

用量统计

用户	角色	任务数	总耗时	总花费	总Token

✅ 完成

视频素材工作台

无音频视频

剥离音频

视频生成工作区

拼接点检测

分镜场景分组

首帧图

产品图（最多 5 张）

改图工作区

生成结果（点击图片可放大）

产品图提取

人物形象提取

识别结果（点击标签可切换说话人）

确认版逐字稿（可修改，拆解以此为准）

视频拆解提示词

拆解结果

视频脚本生成工作区（基于拆解结果二次创作 → 投喂 MiniMax H3）

首帧图（1 张）

产品图（最多 5 张）

备注图（可选，最多 3 张）

新口播文案

脚本生成提示词

生成的脚本

生成视频

图像生成 API 配置（改图用，OpenAI 兼容接口）

豆包大模型 API 配置（视频拆解用，OpenAI 兼容）

视频生成 API 配置（MiniMax H3，生成视频用）

即梦 / LibTV 账号授权（Seedance 模型渠道）

Gemini API 配置（拆解/脚本备选模型，走 Packy 中转）

语音识别（火山豆包 ASR，转写用）

视频渠道积分换算（估算花费用）

默认提示词管理（拆解 / 脚本生成，可手动维护）

账号管理

用量统计

新增账号