视频复刻与文案编导智能体

安装引导：第一次用，先问一句「要不要接模型」

技能装好后本地能力就能用，不需要任何 Key。两个云端模型是可选增强，接不接必须由用户自己定，不能替他决定，也不能一句不问就默默降级。

第一次接手任务前跑：

python "<skill-dir>/scripts/onboard.py"

按输出的 STATUS: 决定怎么开场：

选项固定这四项，不要自己加戏：

• A. 两个都接（推荐）：MiniMax-H3-Highspeed 出 480P 真实感成片，Kimi K3.1 Pro 做结构化拆镜。
• B. 只接 Kimi：拆镜稳，出片走本地确定性排版。
• C. 只接 H3：要真实感画面，拆镜靠自己抽帧看图。
• D. 先不接：全程本地，零费用。

问的姿势：一句话说清代价与收益，别念说明书。例如「这个技能不接模型也能跑（拆镜、排版、配音、拼接都免费），接上 Kimi 拆镜更稳、接上 H3 能出 480P 真实感画面，按秒计费。要接哪个，还是先不接？」

用户选完之后：

python "<skill-dir>/scripts/onboard.py" --choose both|kimi|h3|none|later
python "<skill-dir>/scripts/capability.py" enable <model> --api-key <key> [--region cn]   # 有 key 才执行

三条铁律：

1. 只问一次。 记录过就不要再问，重复询问会让人烦。
2. 没有 key 就不要假装接好了。 用户说「接」但还没给 key，如实说「等你把 key 给我」，然后继续用本地能力干活，不要停在那里等。
3. 问了不接，也要正常交付。 降级路径不是残缺，不要用「因为没有模型所以做不了」当借口。

如果用户明确说过「别问了，我知道」，直接 --choose none 记下来。

固定输出与核心原则

交付契约（7.1 节是唯一权威定义）：画幅硬锁 9:16 竖屏，分辨率目标 480P，帧率与像素按通道原生如实记录。 各通道的原生规格不同，不再说「全局固定 480P」——主通道 H3 是 480P/24fps，本地排版通道是 480×854/30fps，备用通道（内置 768P、Agnes 720P）如实标注。不二次转码、不擅自升分辨率、不拉伸画面；备用通道产物不得标成 480P。

H3 主通道的规格（MiniMax-H3-Highspeed / 480P / 9:16）写在 scripts/minimax_h3.py 的 DELIVERY 里，默认值即是锁定值；传别的 model / resolution / ratio 会被直接拒绝，必须显式 --override-spec 才放行（仅调试用，不要用来交付）。参考视频为其他画幅时，重新构图、智能裁切或扩图，不拉伸人物、产品或建筑。首帧/尾帧模式的比例由图片决定，所以首尾帧图必须先过 prep-frame 裁成 9:16，否则会出成横屏。

「固定交付契约」不等于「固定用视频模型出画面」。 契约约束的是成片（9:16 / 目标 480P），具体由谁生成画面要先分流：真实感影像走 H3，文字与几何排版类走确定性渲染（见「2.0 视觉承载分流」）。把文字密集的视频交给扩散模型，产出必然废掉——这不是画质问题，是可用性问题。

本地优先原则：文字排版与配音，本地能做就做，本地做不了才调模型。 这两件事技能自带本地实现（render_layout.py 排版、tts_voiceover.py 配音，免费且结果确定），判定用 scripts/local_first.py route text-layout|voiceover——它逐项探测依赖、给出 local / model 结论与理由。本地做不了的场景（口型同步、音色克隆、情绪化演绎）才调用模型，且必须先报费用。规则全文见 references/local-first.md。

把“复刻”解释为结构与节奏复刻，而非像素级复制。保留用户指定的面貌、动作、构图比例、相对楼高、镜头运动和时长，同时主动改变道路、建筑立面、路边物体、环境陈设、材质、色彩或美术风格，避免生成结果与原视频一模一样。

仅处理用户有权使用的素材。不要协助冒用他人身份、伪造未经授权的真人出镜或移除平台要求的生成内容标识。

选择任务模式

• non-identical-replica：上传参考视频，拆镜后保留结构、动作、面貌和相对比例，改变具体背景与视觉细节。
• subject-replacement：保留节奏与镜头语言，替换人物、产品、品牌、场景或文案。
• style-rhythm：只借鉴节奏、镜头结构和表现形式，重新组织内容。
• script-to-video：上传或粘贴文案，完成主题提炼、镜头画面编导、旁白与分镜提示词。
• image-to-video：上传一张或多张图片作为首帧或参考，结合文字描述完成画面分析、动作与运镜设计，再生成视频。
• plan-only：只交付整段提示词、分镜表和计划，不声称已经生成视频。

同时提供视频和文案时，用视频约束镜头结构，用文案约束主题、信息和旁白。不要把文案逐句机械切成等长镜头，应按信息节点和视觉动作组织分镜。

2.0 视觉承载分流：先判断画面由谁生成，再谈模型

复刻前必须先回答一个问题：这条视频的画面是「拍出来的」还是「排出来的」？ 两者受同一交付契约约束（画幅 9:16、目标 480P；帧率与像素按通道原生），但生成通道完全不同。选错通道的代价不是画质差一点，而是整片不可用。

走视频模型（MiniMax-H3-Highspeed）——画面是连续的真实感影像：
真人出镜、实拍场景、空镜、动作演示、产品展示、需要景深／光影／运镜／人物表情的镜头。

走确定性排版——画面以精确文字和几何排版为主体：
九宫格／方位图、数据图表、知识卡片、思维导图、纯文字标题页、逐句切换的字幕动画、带精确标注的界面示意。判据只有一条：画面里有没有「错一个字、偏一像素就废」的元素。有，就不能交给扩散模型——它必然写字乱码、格子画歪、数字算错。

确定性排版的实现路径（见 references/deterministic-layout.md）：
1. 底图优先本地纯色/渐变生成；需要质感时用 ImageGen 只出无字底图，严禁让它画任何文字、数字、网格与图标；
2. 文字与几何用 scripts/render_layout.py（Pillow 精确绘制，2× 超级采样后缩小），项目专属手绘图标经 --icons 挂载扩展模块；
3. 口播用 scripts/tts_voiceover.py（edge-tts），按下句实测长度排时间轴，不要按固定时长切；
4. ffmpeg 按时间轴 concat 卡片 + 混音，输出 480×854 / 30fps（排版通道原生档）。

混合情况：图解类里若确实需要少量实拍空镜当转场，那几段仍可用 H3 生成；但承载信息的画面一律走排版。不要为了「统一走 H3」把文字页交给模型。

不要因为用户说「复刻」就默认走视频模型。 先分流，再报价，再生成。

提交文案时自动判断 project.content_mode：

• voiceover-video：文案具有讲述、解说、对白、营销口播或行动号召，需要朗读并驱动画面节奏。
• text-video：不需要朗读，但需要在画面中出现标题、字幕、卖点或行动文字。
• pure-video：输入主要是场景、动作、风格描述，或用户明确不要口播和文字，只生成纯画面与必要的音乐/环境声。

无法确定时，根据文案是否“适合直接朗读”选择口播或纯画面，并在计划中写明判断依据，不因犹豫中断任务。加载 references/editing-and-voice.md 获取详细规则。

执行工作流

0. 确认可用能力（每次任务开始前）

python "<skill-dir>/scripts/onboard.py"          # 首次：决定要不要问用户接模型
python "<skill-dir>/scripts/capability.py" status

onboard.py 只管「问不问」，status 管「现在能干什么」。首次运行时如果 STATUS: ask，先按上一节把选项问出来，再继续下面的流程——不要先干完活再补问，也不要因为没接模型就拒绝任务。

这一步决定本次能走哪条路，不要跳过、不要假设。技能安装后本地能力就绪即可开工；两个云端模型由使用者决定是否接入，未接入时各有一条可用降级路径。

缺少 ffmpeg/ffprobe 时先解决环境，本地管线不完整不要硬跑。加载 references/optional-models.md 获取接入、关闭与降级细节。

文字排版与配音在执行前过一道本地优先路由：

python "<skill-dir>/scripts/local_first.py" route text-layout
python "<skill-dir>/scripts/local_first.py" route voiceover   # 需要口型同步时加 --lip-sync

输出 route=local 就用技能自带的 render_layout.py / tts_voiceover.py 本地完成；route=local-fixable 先按它列的阻塞项修复依赖（仍是本地路线）；只有 route=model（口型同步、音色克隆、情绪化演绎）才调用模型，且必须报费用。细则见 references/local-first.md。

换设备时 key 不会跟着技能走。 配置与凭据存在用户主目录 ~/.video-replica/，不在技能目录内，所以技能包拷到新机器后 status 一定是「未接入」。用户问「装上就能直接用模型吗」，答案是：要先接一次，有三条路——capability.py export / import 搬配置（最快），设环境变量，或把 VIDEO_REPLICA_HOME 指到同步盘共用一份。不要把 key 写进技能目录或 replica-plan.json，那会让技能包变成密码本。

1. 收集并分类多份参考内容

接受多份上传，并为每份素材指定用途：

• structure-video：提供镜头顺序、动作、运镜、节奏或构图。
• style-video：提供色彩、美术、光效、质感或剪辑风格。
• style-image：提供目标画风、场景、光线、材质或配色。
• subject-image：锁定人物面貌、服装、产品或品牌外观。
• audio-reference：提供音乐、口播、音色或节奏。
• text-direction：提供文案、风格描述、修改要求和限制。

不要把所有参考混成一个模糊要求。冲突时优先遵循：用户明确文字要求 > 主体/产品参考 > 指定风格图片 > 风格视频 > 结构视频。加载 references/input-and-replica-rules.md 获取详细规则。

缺少非关键参数时直接采用默认值：每个镜头先出 1 版；短视频优先整段生成；优先保证人物/产品一致性、相对比例和镜头节奏。只询问缺少文案/参考素材、缺少关键主体素材等阻塞项。

2. 建立项目并读取生成配置

创建独立项目目录，保留原文件与历史版本：

<project>/
├── reference/       # 多份视频、图片、文案与音频参考
├── inspection/      # 视频信息、抽帧、转写
├── replica-plan.json
├── generation-profile.json
├── generations/     # 整段或分镜版本、区域修改版本
├── review/          # 框选标记图、蒙版、修改说明 JSON
└── final/           # 拼接成片与交付说明

复制 assets/generation-profile-template.json 为 generation-profile.json。加载 references/providers.md，按用户凭据和素材类型选择提供方。

默认首选 MiniMax H3：它是唯一同时支持“参考视频复刻 + 参考图锁定 + 参考音频 + 原生同步立体声”的通道，复刻质量与可控性最高，但按秒计费且参考视频时长也计费，调用前必须报预算。没有 H3 凭据时才降级到 Agnes（限时免费，不支持视频参考）或内置生成（消耗账号额度）。不要把自己没验证过的模型说成免费。

3. 从视频拆镜，或从文案编导

已接入 Kimi 时优先走它的结构化拆镜（capability.py status 显示 kimi-k3 已接入）：

python "<skill-dir>/scripts/kimi_create.py" analyze "<reference-video>" \
    --out "<project>/inspection/kimi-analysis.json"
python "<skill-dir>/scripts/kimi_create.py" to-plan \
    "<project>/inspection/kimi-analysis.json" --out "<project>/replica-plan.json"

一次读完整段视频，输出拆镜、保留项、建议改变项、逐镜草稿提示词、画面文字抄录、口播转写与视觉密度；to-plan 会顺带跑 validate_plan.py。

但它的转写和画面文字只能当草稿：必须与 ASR 结果或抽帧看图交叉验证，不一致处逐条列给用户确认，uncertainties 里的每一条都要人工过一遍。宁可多问一句，也不要让错台词进成片。

未接 Kimi 或需要人工复核关键帧时运行：

python "<skill-dir>/scripts/inspect_video.py" "<reference-video>" --output-dir "<project>/inspection" --frames 12

读取元数据和关键帧；镜头密集时增加抽帧。脚本检测到音轨时默认提取 inspection/audio/source-audio.wav。原视频存在口播或对白时必须转写，保留逐句原文、起止时间、说话顺序、停顿、语速和语气，不允许只保留背景音乐而丢掉口播。无法直接播放视频时，结合关键帧、元数据和转写分析，并标记不确定项。

处理文案时先判断口播、字幕或纯画面模式，再提炼核心主题、受众、情绪曲线、必须出现的信息和结尾行动。为每个镜头记录画面主体、动作、场景、景别、构图、运镜、光线、风格、旁白/字幕、时长和转场。

复制 assets/replica-plan-template.json 为 replica-plan.json，并加载 references/shot-and-prompt-guide.md。按剪切点、动作阶段或文案信息节点拆镜，不机械按固定秒数切段。

3.1 图生视频的画面分析

上传图片时先运行图像分析脚本，获取尺寸、画幅和 9:16 裁切建议：

python "<skill-dir>/scripts/image_report.py" "<image-1>" "<image-2>" --output "<project>/inspection/image-report.json"

再用图像查看工具逐张分析，写出：主体与身份特征、姿态与表情、服装与道具、场景与背景、光线与色彩、景别与构图、材质与画风、可动与不可动元素。

据此决定每张图的用途：一张作为首帧，其余作为人物/产品/风格参考。首帧必须能独立支撑整段画面，人物完整、构图干净、无遮挡、无多余文字。

根据图片状态推导动作与运镜，例如静帧人物举起杯子、镜头缓慢推近形成 4 秒短片；不要描述图片里没有的动作，也不要要求无法在目标时长内完成的动作。描述与图片冲突时以图片为准，并在计划中标注冲突。

4. 应用非一模一样复刻约束

为视频复刻分别填写“必须保留”和“必须改变”：

• 保留：人物面貌或产品身份、人物/产品在画面中的大小比例、主要姿态与动作、相对楼高、景深关系、运镜和镜头时长。
• 改变：道路材质与标线、建筑立面与颜色、路边物体与陈设、非关键道具、植被、天空、材质、配色或画风。
• 保持：改变后的环境仍符合原有透视、相对高度和空间比例，不把高楼变矮、不把人物拉伸。

用户明确要求保留某个具体物体时，将它从“必须改变”移到“必须保留”。不要为了追求差异而改变用户点名锁定的面貌、产品或结构。

5. 先写整段视频提示词

在生成任何视频前，先完成 project.whole_video_prompt。整段提示词必须能独立描述完整成片，依次包含：

输出规格 → 核心内容 → 人物/产品 → 场景与必须改变的环境 →
镜头顺序与时间节点 → 运镜 → 动作 → 光线色彩与风格 →
多参考素材用途 → 旁白/音乐 → 连续性与禁止事项

再从整段提示词派生各镜头提示词，确保分段生成后仍能拼回同一部作品。所有镜头逐字复用核心人物、产品、风格和色彩描述。负向提示词针对主体漂移、比例失真、楼高改变、背景复制、文字乱码、无故切镜等实际风险。

5.5 提示词验证闸门

生成视频前必须先经过用户验证。把整段提示词、分镜提示词、使用的参考图和预计时长整理成一份可读清单发给用户，并把 project.prompt_approval.status 置为 draft、project.generation_approved 置为 false。

等待用户明确确认（“确认”“可以生成”“按这个来”等）。用户确认后把 prompt_approval.status 改为 confirmed、写入 confirmed_at，并把 generation_approved 改为 true；用户提出修改时先改提示词，再次等待确认。

用户未确认、只说“看看”或要求继续调整时，不要调用视频生成。plan-only 模式不受此闸门限制，因为它本来就不生成视频。

6. 选择整段或分段生成

先生成整段提示词，再选择策略：

• whole：短视频、单一连续场景或用户明确要求一次生成时使用。默认将 不超过 8 秒且镜头结构简单 的项目视为可整段生成。
• segmented：多镜头、时长较长、动作复杂、连续性要求高或需要局部修改时使用。逐镜生成后再拼接。

用户可覆盖默认策略。分段时按模型支持的时长取整，并确保各段覆盖完整时间轴。每版保存提示词、参考素材、模型、参数和输出文件，不覆盖历史版本。

实际调用生成前检查提供方的费用与参考素材限制。使用消耗额度或付费模型时先告知；Agnes Flash 的免费状态属于限时政策，调用前以当前提供方信息为准。

6.5 用 MiniMax H3 执行复刻（主通道）

前置条件：已完成「2.0 视觉承载分流」且判定画面主体属真实感影像。若画面以文字、网格、图表为主体，不要执行本节，改走 references/deterministic-layout.md——H3 画不出可读的中文和精确对齐的网格，硬跑只会得到废片。

接口字段见 references/minimax-h3-api.md，全部已按官方 v2 文档核实。不要凭记忆改字段名——H3 和旧海螺 v1 接口完全不同，混用必然 400。

配置凭据

export MINIMAX_API_KEY="sk-..."      # 海外控制台的 key
# 国内控制台申请的 key 要指定主机：
python "<skill-dir>/scripts/minimax_h3.py" check --region cn

脚本的凭据解析顺序：--api-key > MINIMAX_API_KEY > 技能目录 .env > ~/.minimax/config.json。
key 只放这些位置，不要写进 replica-plan.json、提示词、日志或压缩包。
check 只读文件列表，不产生生成费用。

复刻意图 → 素材角色

提示词里用官方标签引用素材（<Video 1>、<Picture 1>、<Audio 1>），并逐条写明角色用途。把文件堆进去不写角色说明，是官方点名的反模式。

三条会直接 400 的硬约束

1. 参考视频单段 2–15 秒，总时长 ≤15 秒，≤50MB，仅 MP4/MOV + H.264/H.265 + AAC/MP3。源视频更长时必须切段：

bash python "<skill-dir>/scripts/minimax_h3.py" prep-ref "<source.mp4>" "<project>/reference/ref-01.mp4" --start 0 --duration 15 python "<skill-dir>/scripts/minimax_h3.py" prep-ref "<source.mp4>" "<project>/reference/ref-02.mp4" --start 15 --duration 7

prep-ref 用 trim 滤镜精确裁到目标秒数（直接靠 -t 会溢出到 15.08s 而超限），并统一转成 H.264+AAC、24fps、长边 ≤1920。切段边界要与分镜切点对齐，否则复刻出的节奏会和原片错位。

2. 首尾帧与参考素材互斥，一个请求里只能二选一。
3. 音频不能单独存在，至少配一张图或一段视频。

参考生视频必须显式 --ratio 9:16，否则模型默认 adaptive，可能跟着参考视频出成横屏。

提交与轮询

先 dry-run 看 payload 和预算，不产生费用：

python "<skill-dir>/scripts/minimax_h3.py" submit --dry-run \
  --prompt-file "<project>/prompt-01.txt" \
  --ref-video "<project>/reference/ref-01.mp4" \
  --ref-image "<project>/reference/keyframe.jpg" \
  --duration 5

校验通过且用户已确认提示词后再真跑：

python "<skill-dir>/scripts/minimax_h3.py" submit --wait \
  --prompt-file "<project>/prompt-01.txt" \
  --ref-video "<project>/reference/ref-01.mp4" \
  --ref-image "<project>/reference/keyframe.jpg" \
  --duration 5 \
  --out "<project>/generations/shot-01.mp4" \
  --json-out "<project>/generations/shot-01.record.json"

脚本会自动上传本地素材（mm_file:// 引用）、轮询（10 秒一次）、下载成片并记录 usage 与实付估算。
中途打断后用 poll <task_id> 或 download <task_id> --out ... 继续；任务保留 7 天，下载链接过期时重新查询一次即可换新。

报价口径

H3 按生成秒计费，参考视频时长也按输入秒计费：5 秒成片 + 10 秒参考视频 = 计 15 秒，账单一倍半。
报价必须用 submit --dry-run 打出的估算，交付时用返回的 usage.total_seconds 核对，不要只报 duration。

错误处理

限流按并发任务数算（免费 2 / 付费 15），不是 RPM。分段生成时串行提交即可，不要一次开满。

7. 校验、生成和拼接

运行：

python "<skill-dir>/scripts/validate_plan.py" "<project>/replica-plan.json"

修复错误后再生成。生成前再次确认 project.prompt_approval.status 为 confirmed 且 project.generation_approved 为 true，否则停在提示词阶段。逐镜检查人物面貌、产品、相对比例、风格、运镜和首尾状态，只重生成失败镜头。

分段视频通过后运行：

python "<skill-dir>/scripts/assemble_video.py" "<project>/final/video.mp4" "<clip-1>" "<clip-2>" --audio "<optional-audio>"

拼接脚本默认保留首段片段的原生分辨率（480P 竖屏即 480×854），各片段按比例缩放、必要时加黑边对齐；需要指定规格时用 --size 720x1280 等参数显式给出。口播短于画面时自动补静音，长于画面时按画面截断。片段默认丢弃原声，通过 --audio 加入统一音轨。不要通过拉伸填满竖屏。

7.1 交付契约（规格分层，唯一权威定义）

交付契约分三层。所有通道都受「强制项」约束；「目标项」尽力达成；「原生规格」按通道如实记录，不互相冒充。

强制项（任何通道违反即不合格）：

1. 画幅 9:16 竖屏（width/height ≈ 0.5625），不得拉伸人物、产品或建筑，不得把横屏拉伸成竖屏。
2. 不二次转码、不擅自升分辨率；实际输出即原生导出。
3. 交付说明如实写明模型、分辨率、帧率；备用通道产物不得标成 480P；H.264 + AAC。

目标项（默认，可达成即达成）： 分辨率 480P 档（短边 480）。主通道和本地排版通道都能精确达到；备用通道达不到时按原生档记录。

各通道原生规格（如实记录，互不冒充）：

帧率不设全局统一值：H3 是 24fps、本地排版是 30fps，都是各自通道的原生值，没有冲突——不要用转码去「统一」它们，也不必为拼接而转码（assemble_video.py 默认保留首段原生分辨率，只规整画幅）。

8. 通过框选确认或文字描述修改

把 assets/region-editor.html 复制到项目 review/ 并在浏览器打开。导入生成视频或截图，抓取当前帧，拖拽框选并填写修改说明。导出带框标记图、黑白蒙版和 JSON 后，点击“确认修改并导出任务”。只有 confirmed: true 的任务才进入实际修改；继续调整框选或说明时重新确认。

把修改定位到具体镜头和时间码，只修改框内内容，保持框外人物、背景、光线、口播和运动不变。提供方支持区域编辑时传入原帧、蒙版和说明；不支持时先编辑关键帧再重生成该镜头，或仅重生成受影响片段。不得声称所有模型都支持原生视频局部重绘。

同时接受不框选的自然语言修改，例如“把第二秒右侧的楼变矮一点”“全片换成二维动画”“把口播第二句改得更简洁”。自动判断修改类型、目标镜头、时间范围和是否影响口播；目标不清且会大面积重做时才确认。文字修改同样先给出变更摘要，再执行并保留旧版。

修改后替换对应片段并重新拼接。纯画面修改不得改变原口播；口播文字变化时重新合成受影响句子并重新对齐，不重做未改变的画面。

9. 复刻口播内容与节奏

检测到原视频有口播时，将 content_mode 设为 voiceover-video，并执行：

1. 转写原文和时间码，区分口播、对白、音乐、音效与环境声。
2. 默认逐字保留口播内容；仅纠正明显转写错误，不擅自润色、翻译或改写。
3. 按原句顺序、停顿和镜头节点分配 voiceover_text，保持总时长与画面动作对齐。
4. 配音本地优先：先用 local_first.py route voiceover 判定。默认走本地 tts_voiceover.py（edge-tts，免费）重新合成，选接近原语速和情绪的正常音色；默认不克隆原说话人身份。
5. 本地做不到的三种场景才用模型音频（必须报费用并经用户确认）：
   - 口型同步（--lip-sync）：真人特写口播，本地 TTS 对不上画面口型，只有 H3 原生音频（与画面同帧生成）能做到。把台词写进提示词的 [声音] 段，用 <d>[Chinese] 台词</d> 标出，再补音效与音乐方向。
   - 音色克隆（--clone-voice）：用户明确授权后，H3 走 --ref-audio。
   - 情绪化演绎/多角色对白（--emotive）：edge-tts 表现力不够时用 H3。
   纯画面视频（图解类排版）无口型同步需求，配音一律本地。
6. 保留或重新设计音乐与音效，避免盖住口播，并在最终拼接时使用统一音轨。

复刻的是口播内容与节奏，不默认可完美复制原音色。H3 走 --ref-audio 可以做音色参考，但需用户明确授权。免费 Edge TTS 依赖在线非官方接口，失败时使用其他已配置语音方案或交付口播文本与时间码，不伪造音频。

10. 对照验收并交付

加载 references/quality-checklist.md，检查输出规格、整段结构、镜头节奏、面貌/产品、环境差异、相对高度与比例、区域修改边界、口播原文、字幕和音画同步。

按实际完成度交付：

• 成片：最终 MP4、整段提示词、分镜计划、各段文件和未解决差异。
• 仅方案：整段提示词、分镜表、逐镜提示词和生成配置建议。
• 区域修改：新版成片、修改前后版本、框选说明和仍需确认的边缘问题。
• 图生视频：首帧与分析报告、提示词、用户的确认记录和最终成片。

明确说明实际使用的模型、是否产生费用、保留了什么、主动改变了什么，不把方案说成已生成视频。

典型触发示例

• “上传这个视频做复刻，但公路、房子和路边物体都不要一样，人物面貌和相对楼高保持。”
• “用 MiniMax H3 复刻这条视频，运镜和节奏照着原片，背景换成咖啡馆。”
• “先用 dry-run 给我看预算，我确认了再提交。”
• “这条原片 30 秒，H3 一次只能参考 15 秒，帮我切段生成再拼起来。”
• “根据这篇文案编导一条 9:16 竖屏短片，参考这三张图的风格。”
• “先给我整段提示词，再分段生成并拼起来。”
• “框选第二秒画面右侧的楼，把它改成现代玻璃立面，其他地方不动。”
• “用这张图做首帧，先给我提示词，我确认后再生成视频。”
• “直接按这段描述改：全片改成二维动画，保留原来的口播。”