MV Production Standard Skill

AI MV 制作标准流程 — 每一步都有明确产出，不允许跳步。

触发条件

用户要求制作/生成/合成 MV、音乐视频、music video，或任何"给这首歌配视频"的需求。

铁律（违反 = P0 事故）

完整流程

Phase 1: 素材确认

目标: 锁定所有输入素材，避免后期返工。

步骤:

1. 确认音频版本

   • 列出所有可用音频版本（文件名、时长、大小）
   • 直接问用户："有 v1(270s), v2(274s), v3(236s) 三个版本，你要用哪个？"
   • 等用户明确回复后再继续
   • 记录选择的版本到工作日志

2. 获取歌词

   • 确认歌词来源（用户提供 / 网上查找）
   • 获取带时间轴的歌词（LRC/SRT），或准备好手动打轴
   • 如果没有时间轴歌词，在 Phase 3 补上

3. 确认风格与分镜需求

   • 问用户：需要什么风格？（动画/真人/混合）
   • 是否有人物出镜？→ 决定是否需要 lip-sync
   • 大致场景数量和主题

4. 确认输出规格

   • 分辨率（1080p / 4K）
   • 格式（MP4 / MOV）
   • 是否需要硬字幕 / 软字幕

产出文件:

output/{project-name}/
├── config.json          # 素材确认记录（音频版本、歌词路径、输出规格）
├── audio/               # 指定版本的音频文件
└── lyrics/              # 歌词文件（纯文本 + LRC/SRT）

关键检查:

• 用户已明确指定音频版本
• 歌词文件已获取
• 是否有人物出镜已确认

Phase 2: 分镜 → 视频（AI生成或实拍）

目标: 为每个场景生成视频素材。

步骤:

1. 编写分镜脚本

   • 根据歌词内容和歌曲结构划分场景
   • 每个场景指定：起止时间、画面描述、运动方式、是否有人物
   • 输出: storyboard.json 或 storyboard.md

2. 生成/获取视频素材

   • AI生成: 使用 Kling / Runway / Pika 等工具
     • 每个 clip 建议 5-10s
     • 有人物说话的场景标记为需要 lip-sync（Phase 6 处理）
   • 实拍: 如果用户提供实拍素材，直接使用
   • ⚠️ 禁止: 不允许用 Ken Burns（静态图推拉）冒充视频。如果用户明确同意"用图片做过渡"则可以，但必须在分镜中标注

3. 素材质量检查

   • 每个 clip 检查分辨率、时长、画面质量
   • 剔除模糊、闪烁、明显错误的 clip

产出文件:

output/{project-name}/
├── storyboard.md        # 分镜脚本
├── clips/               # 各场景视频片段
│   ├── scene01.mp4
│   ├── scene02.mp4
│   └── ...
└── storyboards/         # 分镜图片（如有）

关键检查:

• 所有场景都有对应的视频素材（非静态图）
• 总视频素材时长 ≥ 音频时长
• 有人物的场景已标记

Phase 3: 音频分析（beat / section / 歌词时间轴）

目标: 分析音频结构，建立时间轴。

步骤:

1. 节拍分析

   • 使用 av-sync-workflow 或音频分析工具
   • 提取 BPM、beat 时间点
   • 标记歌曲段落：前奏 / 主歌 / 副歌 / 桥段 / 尾奏
   • 输出: beats.json

2. 歌词时间轴对齐

   • 使用 lyrics-video-sync 工具
   • 如果有 LRC 文件，解析时间轴
   • 如果没有，手动/半自动打轴：听歌标记每句歌词的起止时间
   • 每句歌词精确到 0.1s
   • 输出: lyrics.srt 或 lyrics.ass

3. 节拍-画面映射

   • 将分镜场景对齐到歌曲段落
   • 关键节拍（副歌起拍、鼓点）对应画面转场
   • 输出: sync-plan.json（每个转场点的时间 + 对应场景）

产出文件:

output/{project-name}/
├── beats.json           # 节拍时间点
├── sections.json        # 歌曲段落划分
├── lyrics.srt           # 带时间轴的歌词
└── sync-plan.json       # 节拍-画面同步计划

关键检查:

• 歌词时间轴已对齐（听一遍确认每句歌词时间正确）
• 节拍点已提取
• 场景-段落映射已建立

Phase 4: 音视频同步（卡点对齐）

目标: 视频片段精确对齐到歌曲节拍和段落。

步骤:

1. 根据 sync-plan.json 剪辑视频片段

   • 按节拍点调整每个场景的起止时间
   • 副歌前的场景在鼓点处切换
   • 长段落（主歌）可根据内容细分

2. 转场处理

   • 场景间使用交叉淡化（crossfade），默认 0.5-1s
   • 禁止硬切（除非用户要求或艺术效果需要）
   • 副歌进入时可使用更剧烈的转场（闪白、缩放）

3. 时长校准

   • 如果素材过长：减速或裁剪
   • 如果素材过短：使用时间拉伸 / 补充素材
   • 确保: 总视频时长 ≥ 音频时长

4. 粗合成（无字幕）

   • 将所有剪辑后的片段拼接成时间线
   • 铺上指定版本的音频
   • 输出: draft_v1.mp4（粗剪版，不含字幕）

产出文件:

output/{project-name}/
├── timeline.json        # 最终时间线（每个片段的起止时间）
├── transitions.json     # 转场设置
└── video/
    └── draft_v1.mp4     # 粗剪版（含音频，无字幕）

关键检查:

• 视频总时长 ≥ 音频时长（误差 <2s）
• 关键节拍有对应的画面变化
• 转场流畅，无明显硬切
• 草稿版看起来节奏感正确

Phase 5: 歌词字幕（SRT/ASS + 烧录）

目标: 生成精确对齐的字幕并烧录到视频。

步骤:

1. 字幕文件准备

   • 使用 Phase 3 产出的 lyrics.srt
   • 如果使用 ASS 格式，设置样式：
     • 字体大小、颜色、描边
     • 位置（底部居中或随画面调整）
     • 动画效果（淡入淡出、逐字显示等）

2. 字幕时间轴校验

   • 在视频播放器中加载字幕，逐句确认对齐
   • 重点检查：歌词换气处、副歌重复段落
   • 修正偏移量

3. 烧录字幕到视频

   • 使用 ffmpeg 烧录：

     ffmpeg -i draft_v1.mp4 \
       -vf "subtitles=lyrics.ass:force_style='FontSize=24'" \
       -c:a copy \
       draft_v2_with_subtitles.mp4
     

   • 或使用 video-lyrics-subtitle skill

产出文件:

output/{project-name}/
├── lyrics.ass           # 带样式的字幕文件
└── video/
    └── draft_v2_with_subtitles.mp4

关键检查:

• 字幕时间轴与音频精确对齐
• 字幕样式美观、可读
• 无遗漏歌词
• 烧录后视频质量无明显下降

Phase 6: Lip-sync（人物口型对齐）

目标: 人物画面中口型与歌曲同步。

⚠️ 仅当有人物出镜时需要此阶段。

步骤:

1. 标记需要 lip-sync 的场景

   • 从 storyboard 中找出有人物说话/唱歌的片段
   • 确认这些片段的时间范围

2. 使用 digital-human-api 进行口型对齐

   • 输入: 视频片段 + 对应时间段的音频
   • 生成: 口型对齐后的视频片段
   • 如果工具不可用，使用替代方案：
     • Wav2Lip / SadTalker 等开源工具
     • 或重新用 AI 视频生成工具生成带口型的片段

3. 替换原片段

   • 将 lip-sync 后的片段替换回时间线
   • 检查拼接处是否平滑

产出文件:

output/{project-name}/
├── clips_synced/        # 口型对齐后的片段
│   ├── scene08_synced.mp4
│   └── scene09_synced.mp4
└── video/
    └── draft_v3_lipsynced.mp4

关键检查:

• 人物口型与歌词匹配
• 口型过渡自然（不卡顿、不扭曲）
• 替换后时间线无偏移

Phase 7: 最终合成 + 质量检查

目标: 输出最终 MV，通过全部质量检查。

步骤:

1. 最终合成

   • 整合所有阶段产出
   • 确认音频为用户指定版本
   • 添加片头/片尾（如需要）
   • 输出: final_mv.mp4

2. 质量检查清单（全部通过才能交付）:

   #	检查项	通过标准
   1	音频版本	= 用户指定版本（文件名、时长都匹配）
   2	视频时长	≥ 音频时长，误差 <2s
   3	歌词字幕	已烧录，时间轴正确，无遗漏
   4	口型对齐	有人物场景口型已同步（如适用）
   5	转场	场景切换流畅，无硬切
   6	音画同步	关键节拍有对应画面变化
   7	画质	无明显压缩伪影，分辨率符合要求
   8	总体观感	连续看完一遍，主观感受流畅

3. 生成交付包

   output/{project-name}/deliver/
   ├── final_mv.mp4           # 最终MV
   ├── lyrics.srt             # 外挂字幕（可选）
   ├── lyrics.ass             # ASS字幕（可选）
   ├── config.json            # 素材配置记录
   └── README.md              # 制作说明
   

产出文件:

output/{project-name}/deliver/
└── final_mv.mp4         # 最终交付文件

目录结构标准

output/{project-name}/
├── config.json              # Phase 1: 素材确认
├── audio/                   # Phase 1: 音频文件
│   └── {version}.mp3
├── lyrics/                  # Phase 1: 歌词
│   ├── lyrics.txt
│   └── lyrics.srt
├── storyboard.md            # Phase 2: 分镜
├── clips/                   # Phase 2: 视频素材
├── beats.json               # Phase 3: 节拍
├── sections.json            # Phase 3: 段落
├── sync-plan.json           # Phase 3: 同步计划
├── timeline.json            # Phase 4: 时间线
├── transitions.json         # Phase 4: 转场
├── clips_synced/            # Phase 6: 口型对齐片段
├── video/                   # 各阶段视频产出
│   ├── draft_v1.mp4         # Phase 4: 粗剪
│   ├── draft_v2_with_subtitles.mp4  # Phase 5: 加字幕
│   ├── draft_v3_lipsynced.mp4       # Phase 6: 加口型
│   └── final_mv.mp4         # Phase 7: 最终版
└── deliver/                 # 交付包
    └── final_mv.mp4

常见问题

Q: 用户没有指定音频版本怎么办？

A: 停下来问。 列出所有版本和时长，等用户回复。绝不自作主张。

Q: 工具不足以完成某个 Phase 怎么办？

A: 诚实告知用户。 说明缺少什么工具、有什么替代方案、需要多少额外时间/成本。不要偷工减料。

Q: 时间紧迫，可以跳过某些步骤吗？

A: 可以，但必须告知用户跳过了什么、影响是什么。 让用户做权衡决策。默认不可跳过 Phase 1（素材确认）和 Phase 7（质量检查）。

Q: Ken Burns 效果什么时候可以用？

A: 仅当用户明确同意用图片过渡时使用。 且必须在分镜中标注为"静态图过渡"。不能把静态图当真视频交付。

相关 Skills

版本历史