古诗词朗诵视频分镜脚本生成器（15秒精简版）
面向0-6岁儿童的启蒙古诗词朗诵视频分镜脚本生成（15秒精简版）。输入目标古诗词名称或内容，自动获取完整诗词信息，生成包含角色设计、逐句分镜、时长分配，以及一个整合所有分镜的 H3 总提示词（适合 MiniMax H3 单次生成最多 15 秒的视频）。
与原版 poetry-storyboard-generator 的区别：
- 总时长固定为 15 秒（H3 单次生成上限）。
- 分镜仍然逐镜书写（镜号/诗句/时长/景别/画面/镜头运动/朗诵内容）。
- 但最终不输出"每镜一个提示词"，而是将全部分镜合并为一个 T2VA 总提示词：单个 integrated_multimodal_description 内用 [Shot 1]、[Shot 2]… 递增时间戳切分，配一份全局 overall_soundscape 和一份全局 non_diegetic_music。
工作流程
第一步：获取诗词信息
根据用户输入的古诗词名称或关键词，通过 WebSearch 搜索获取完整诗词信息：
- 诗词名称
- 朝代
- 作者
- 诗词全文内容（逐句拆分）
搜索策略：优先搜索「诗词名 + 全文 + 作者 + 朝代」，使用权威来源（如古诗文网等）。
第二步：确定画面风格
画面风格不设默认值，必须由用户明确指定。如用户已指定风格，直接采用；如用户未指定，使用 AskUserQuestion 工具请用户从以下六种风格中选择一种（可多选）：
| 序号 | 风格 | 英文标识 |
|---|---|---|
| 1 | 3D卡通 | 3D CG animated, Pixar-style |
| 2 | 2D手绘动画 | 2D hand-drawn animated, watercolor |
| 3 | 剪纸风格 | paper-cut stop-motion |
| 4 | 水墨画风 | Chinese ink-wash painting animation |
| 5 | 黏土动画 | claymation |
| 6 | 绘本风格 | children's picture book illustration |
在用户明确确认画风之前，不要继续后续步骤。
第三步：角色设计
角色形象不预先固定，需根据诗词内容和意境来设计：
- 用户已指定角色：直接采用用户指定的角色形象，并根据诗词意境补充服饰、配饰、气质等细节。
- 用户未指定角色：默认设计一个角色（仅一个角色，不要设计多个角色）。角色性别由技能根据诗词内容与意境判断——男孩或女孩哪个更贴合（如场景、季节、情感基调），据此设计年龄、服饰、发型、配饰等。
无论角色是用户指定还是默认设计，都必须生成一张包含三视图（正面、侧面、背面）的角色设定图，用于后续所有分镜保持角色一致性。角色设定图中仅包含该单个角色的三视图（正面、侧面、背面三视图横向并排）。
必须使用 GenerateImage 工具实际生成角色三视图图片，并将生成的图片保存到工作区目录（如 c:\autoFlow\createSkill\角色三视图），以便用户下载。生成完成后，在输出中使用 computer:// 链接指向该图片文件，确保用户可下载。
角色设计规范（通用）：
- 面向0-6岁儿童，圆脸大眼，表情可爱天真，Q版大头身比例（约2.5-3头身）
- 服饰、发型、配饰、配色均需呼应诗词的时代背景与意境（如唐装、宋制、季节感色彩等）
- 视频全程始终只有这一个角色，不出现其他角色
三视图生成提示词模板：
三视图必须放在同一张图片中，采用标准角色设定图（character turnaround sheet）的排布方式：该单一角色的正面、侧面、背面三个站姿并排排列，统一背景、统一比例。
[Character Turnaround Sheet] A single character reference sheet on one image featuring one cute 3-5 year old Chinese {boy/girl} arranged in three views side by side in a horizontal row: front view (facing forward), side view (profile facing right), and back view (facing away). {贴合诗词意境的外观描述：发型、服饰、配饰、配色}. chibi proportions (2.5 heads tall), full body standing poses. All views keep identical hairstyle, outfit, and proportions. Clean white background, {选定的画面风格, 如 3D CG animated, Pixar-style}, character turnaround reference sheet.
占位符说明：
- {boy/girl}：根据第三步判断填入男孩或女孩。
- {贴合诗词意境的外观描述}：根据诗词内容与意境撰写，如季节、场景、情感基调对应的发型、服饰、配饰、配色。
- {选定的画面风格}：填入第二步确认的画风英文标识。
第四步：分镜规划与时长分配
分镜数量： 1个标题分镜 + N个诗句分镜（N = 诗句数量）
固定总时长： 15 秒（H3 单次生成上限）
时长分配规则：
- 标题分镜（诗词名+朝代+作者）：占总时长 20%，即 3 秒
- 每句诗分镜：剩余 12 秒平均分配，即 12 ÷ N 秒
示例（4句诗，总时长15秒）：
- 标题分镜：3秒
- 每句诗分镜：各3秒
示例（5句诗，总时长15秒）：
- 标题分镜：3秒
- 每句诗分镜：各2.4秒
示例（8句诗，总时长15秒）：
- 标题分镜：3秒
- 每句诗分镜：各1.5秒
> 若诗词句数过多导致每句不足约 1.5 秒、朗诵较为紧张，应提醒用户：15 秒精简版更适合四句、五言绝句等短诗，长诗建议改用原版 25 秒技能，或只截取前几句。
时间戳计时规则（关键）：
- [Shot 1]（标题分镜）为视频开头，不写时间戳，从 0.000 秒开始。
- 后续每个分镜按"上一个分镜结束时间"作为切口时间戳，严格递增，格式为 MM:SS.mmm（精确到毫秒）。
- 最后一个分镜的结束点必须正好落在 15.000 秒。
4句诗的时间戳示例：
| 分镜 | 时间区间 | Shot 标记 |
|---|---|---|
| 标题分镜 | 0.000–3.000 | [Shot 1]（无时间戳，开头） |
| 第1句 | 3.000–6.000 | [Shot 2] At 00:03.000 |
| 第2句 | 6.000–9.000 | [Shot 3] At 00:06.000 |
| 第3句 | 9.000–12.000 | [Shot 4] At 00:09.000 |
| 第4句 | 12.000–15.000 | [Shot 5] At 00:12.000 |
第五步：生成H3兼容总提示词
只输出一个 T2VA 格式的总提示词，包含三个核心字段（全局各一份）：
integrated_multimodal_description: [Shot 1] ... [Shot 2] At 00:03.000, ... [Shot 3] At 00:06.000, ...
overall_soundscape: ...
non_diegetic_music: ...
integrated_multimodal_description 结构
单个字段内按顺序串联全部分镜：
[Shot 1]（标题分镜）：开头写明画风英文标识 + 中景镜头 + 角色描述站中央微笑 + 浮现书法标题「{诗词名}」与「{朝代} · {作者}」+ 镜头运动 + 角色用童声朗诵<d>[Chinese]《{诗词名}》，{朝代}，{作者}。</d>。- 后续每个
[Shot N]：以At {时间戳}, the camera cuts to ...（或the shot cuts to）开头，写明景别、角色形象（与前文一致）、贴合诗句意境的场景与动作、镜头运动，并以(S1)用童声朗诵对应诗句<d>[Chinese]{诗句}</d>。
模板结构：
integrated_multimodal_description: [Shot 1] {画面风格英文标识}, a medium shot frames {角色描述} standing at the center, smiling. Elegant calligraphy of the poem title "{诗词名}" appears above, with smaller characters "{朝代} · {作者}" below. The camera pushes in with small amplitude at slow speed as {角色主语} blinks happily and folds the palms together. {角色主语} (S1) recites in a clear, innocent child voice: <d>[Chinese]《{诗词名}》，{朝代}，{作者}。</d> [Shot 2] At 00:03.000, the camera cuts to {景别}, {角色描述}, {贴合第1句意境的场景与动作}, {镜头运动}. The same child (S1) recites: <d>[Chinese]{第1句}</d> [Shot 3] At 00:06.000, ...（依次类推，直到最后一句结束于 15.000 秒）
overall_soundscape: {用 1-4 句英文概括全片环境音与动作音效，不重复台词与演唱}
non_diegetic_music: {用 1-3 句英文描述全片背景音乐，聚焦乐器、速度、节奏与强弱变化}
分镜提示词编写要点
- 风格声明：仅在
[Shot 1]开头标注一次画风英文标识（如3D CG animated, Pixar-style），后续 Shot 无需重复。 - 角色一致性：所有 Shot 复用同一个角色描述与同一
(S1)朗诵者，确保跨镜头统一。 - 场景匹配：每个 Shot 的场景贴合对应诗句意境，如「春眠不觉晓」→ 春日清晨卧室。
- 镜头运动：每个 Shot 配合一种镜头运动，使用 H3 标准术语（Push In, Pan Left, Zoom In, Static Shot, Pull Out, Truck 等），并自然写入句子中。
- 朗诵标注：标题与每句诗分别在该 Shot 内用
<d>[Chinese]…</d>标注，朗诵者统一为单一角色(S1)。 - 时间戳递增：
[Shot 1]无时间戳，后续 Shot 时间戳严格递增，最后一个 Shot 结束于 15.000 秒。 - 15 秒约束：所有 Shot 的时长总和必须等于 15 秒，不得超出；单个 Shot 时长过短（不足约 1.5 秒）时提醒用户调整。
- 音效分层：
overall_soundscape与non_diegetic_music全局各一份，两者不重叠，且不重复已在 description 中出现的台词。
画面风格说明（全部分镜通用）： 首个 [Shot 1] 开头统一使用第二步确认的画风英文标识；若用户选择了多个风格，需为每个风格分别输出一套完整方案（含三视图与总提示词）。
第六步：输出完整结果
6.1 分镜表
仍逐镜输出结构化分镜表格（字段与照常书写），但最后一列不再是每镜独立提示词，而是统一指向第六步 6.3 的总提示词：
| 字段 | 说明 |
|---|---|
| 镜号 | 从1开始的序号 |
| 分镜名称 | 标题分镜 / 诗句分镜 |
| 对应诗句 | 标题分镜填诗词名，诗句分镜填对应诗句 |
| 时长 | 秒数（15秒内，精确到1位小数） |
| 景别 | 中景/近景/全景/特写/远景 |
| 画面内容 | 简要中文描述画面内容 |
| 镜头运动 | H3标准镜头运动术语 |
| 朗诵内容 | 该分镜对应的朗诵文字 |
6.2 角色三视图
输出角色三视图图片下载链接（computer:// 链接）。
6.3 总提示词
输出一个完整的 T2VA 总提示词（代码块），包含三字段：integrated_multimodal_description（含全部 [Shot N]）、overall_soundscape、non_diegetic_music。用户可直接整段复制到 MiniMax H3 生成 15 秒视频。
同时输出四部分内容：
1. 诗词信息卡片（诗词名、朝代、作者、全文）
2. 角色三视图图片（单张，GenerateImage 生成并提供 computer:// 下载链接）
3. 完整分镜表 + 一个总提示词
4. 一个自包含 HTML 文件（见下）
6.4 生成可复制提示词的 HTML 文件
除了在对话中输出，还必须生成一个自包含 HTML 文件，方便用户复制总提示词。要求：
- 保存到工作区目录（如 c:\autoFlow\createSkill\输出\<诗词名>_15秒分镜.html），并在输出中用 computer:// 链接指向该文件，确保用户可下载/打开。
- HTML 必须自包含（内联 CSS，直接浏览器打开即可），包含以下区块：
1. 诗词信息卡片（诗词名、朝代、作者、全文）
2. 角色三视图图片（引用已生成的本地图片，或注明图片下载链接）
3. 完整分镜表（表格形式）
4. 一个完整的 T2VA 总提示词（integrated_multimodal_description / overall_soundscape / non_diegetic_music）放在代码块/<pre> 中，并配一个「复制」按钮，点击即可一键复制该提示词全文（用 clipboard API 实现）。
- 若用户选择了多个画风，每个画风独立分块（小标题区分），各含自己的三视图与总提示词。
> 生成 HTML 时优先遵循 html-report 技能的自包含 HTML 规范。
注意事项
- 搜索诗词时优先使用权威中文诗词网站，确保诗词内容准确
- 角色三视图必须使用 GenerateImage 工具实际生成图片文件并保存到工作区，输出 computer:// 下载链接
- 角色设计一经确定，所有分镜必须严格复用相同的角色描述与
(S1)朗诵者 - 总时长固定 15 秒，所有 Shot 时间戳累加必须正好等于 15 秒
- 若诗词句数过多导致单句时长不足约 1.5 秒，应提醒用户改用原版 25 秒技能或截取前几句
- 画面风格如用户选择多个，需为每个风格分别生成分镜方案
- 总提示词中的
integrated_multimodal_description、overall_soundscape、non_diegetic_music必须使用英文撰写（遵循 H3 规范），但<d>标签内的朗诵内容保留中文原文 - 必须生成自包含 HTML 文件（含总提示词的「复制」按钮），并用 computer:// 链接输出
