AI MV 画布导演 Skill：从歌词到分镜、声音、口型和 LibTV CLI 自动化

# AI MV 画布导演 Skill：从歌词到分镜、声音、口型和 LibTV CLI 自动化 这是一套适合 AI MV、IP 歌曲影像、人物主唱短片、旅行音乐短片和品牌音乐广告片的工作流。 核心不是“写一条很长的提示词”，而是把一支片子拆成可管理、可生成、可复盘的导演系统。 一句话： ```text MV 不是把画面配上歌，而是让每一秒画面都知道自己正在回应哪一句歌。 ``` ## 1. 这套 Skill 解决什么问题 很多 AI 视频失败，不是模型完全不行，而是输入结构混乱： - 只有一段文学化提示词，没有真正的导演总纲。 - 每个镜头都很好看，但整支片子没有故事线。 - 9宫格参考图很丰富，但主唱口型对不上。 - 后期才想声音，导致环境、口型、情绪割裂。 - 画布节点越建越乱，最后不知道哪个节点该连哪个。 - 把总纲、思考过程、复盘、文件说明全塞给视频模型，模型反而抓不住执行重点。 这套方法的目标是：先把 MV 变成导演系统，再用画布和 CLI 执行。 ## 2. 总流程 ```text 歌曲 / 歌词 / LRC -> 导演总纲 -> 段落切分 -> 秒级镜头卡 -> 声音卡 -> 9宫格/12宫格分镜母版或单帧长镜头参考 -> 干净模型执行卡 -> 音频切片与审核 -> 人物锚点 -> LibTV 画布节点与连线 -> 视频生成 -> 剪辑总装 -> 复盘沉淀 ``` 关键原则： ```text 画布可以复杂，模型输入必须干净。 导演可以想很多，执行卡只写模型需要做什么。 ``` ## 3. 第一步：让歌曲成为导演 MV 不应该机械切成每段 10 秒。先读歌词和 LRC，标出： - intro - verse - pre-chorus - chorus - bridge - final chorus - outro - 长音重点句 - 需要对口型的核心句 - 适合空镜和蒙太奇的间奏/尾音 然后给整首歌写一句“定魂句”。 例子格式： ```text 这支 MV 讲的是：一个人从____走向____，最终把____交还给____。 ``` 如果没有这句话，后面的 9宫格、镜头卡、口型、剪辑都会变成素材堆砌。 ## 4. 第二步：切分段落 推荐切法： | 段落类型 | 推荐时长 | 说明 | | --- | ---: | --- | | 歌词密集段 | 8-12 秒 | 避免一句歌词被切断 | | 副歌舒展段 | 10-15 秒 | 适合情绪打开和大景回应 | | 空镜/间奏 | 10-15 秒 | 适合风景、意象、转场 | | 长音重点句 | 单独成段 | 保留前后气口，方便口型和情绪 | 每段都要打标签： ```text 主唱对口型 / 非口型表演 / 空镜 / 蒙太奇 / 可复用 / 需要新生 ``` ## 5. 第三步：决定用 9宫格、12宫格，还是单帧长镜头 9宫格不是万能的。它适合“给模型一组这一段可以发生什么的画面库”，但不适合所有强口型段。 | 场景 | 推荐参考方式 | | --- | --- | | 蒙太奇、空镜、意象、转场 | 9宫格或12宫格 | | 主唱近景、强口型、长音 | 单帧或少量人物参考 | | 人物表演但不强口型 | 9宫格 + 人物锚点 | | 高潮天地回应 | 人物主唱段和大景回应段分开生成，剪辑组合 | 判断口诀： ```text 要丰富画面，用 9宫格。 要精准口型，用单帧长镜头。 要震撼高潮，让人唱一句，天地回应一句。 ``` ## 6. 第四步：写秒级镜头卡 秒级镜头卡不是堆形容词，而是把时间、动作、镜头、光影、声音、表情组织成可执行事件。 模板： ```text 段落功能： 歌词/声音时间： 人物状态： 画面参考： 0.0-0.8s： 0.8-1.6s： 1.6-2.7s： 2.7-4.2s： 4.2-6.0s： 6.0-8.5s： 8.5-10.0s： 运镜： 光影： 声音： 口型规则： 剪辑出口： 硬约束： ``` 细节要写可见行为： - 眼神如何变化。 - 嘴角如何撑住或松开。 - 发丝如何被风推动。 - 手、衣角、呼吸、喉咙、鼻翼如何参与表演。 - 镜头是推、拉、摇、移、跟、手持呼吸，还是固定凝视。 - 光线在第几秒变亮、变暗、掠过脸或打开远山。 写到 0.几秒不是为了炫技，而是为了让表演和音乐真的同步。 ## 7. 第五步：声音卡必须提前写 声音不是后期补丁。声音卡要和镜头卡同级存在。 声音卡至少写： ```text 声音功能： 歌词进入点： 长音尾部： 气口： 环境声源： 是否需要模型原生声音： 是否需要接入音频： 最终剪辑是否静音生成视频音轨： ``` 如果是 MV，最终剪辑通常建议： - 用完整歌曲母带做主音轨。 - 视频生成节点接入音频，是为了口型和表演同步。 - 剪辑时可以静音生成视频自带音轨，保留完整母带。 ## 8. 第六步：执行卡必须干净 完整镜头卡可以很长，但送给视频模型的执行卡要干净。 执行卡保留： - 每秒发生什么。 - 人物怎么演。 - 镜头怎么动。 - 光影怎么变。 - 声音在哪一秒进入。 - 是否对口型。 - 必要硬约束。 执行卡删除： - 思考过程。 - 复盘。 - 文件路径。 - 项目 ID。 - 节点 ID。 - “为什么这样设计”的长解释。 - 画布管理说明。 - 大段重复负面提示词。 推荐文本长度： | 类型 | 建议长度 | | --- | ---: | | 普通视频 | 600-900 中文字 | | 复杂镜头 | 1000-1500 中文字 | | 极限探索 | 1800-2200 中文字 | | 超过 3000 字 | 谨慎，只适合测试平台上限 | ## 9. 第七步：音频切片与审核 如果视频节点需要接入音乐、人声或口型参考，建议统一使用： ```text WAV / 48kHz / stereo / PCM Int16 ``` 规则： - 按 LRC 段落切片。 - 前后保留 0.2-0.5 秒气口。 - 先上传音频素材节点。 - 确认素材审核通过后，再连接视频生成节点。 - 不要一上来就把未确认格式的完整歌曲接进视频节点。 如果接音频失败，优先排查： - 音频是否未审核。 - 格式是否为 WAV 48kHz stereo PCM Int16。 - 是否有版权/平台审核问题。 - 是否音频节点与视频节点的模型协议不匹配。 ## 10. 第八步：画布节点分两层 管理层： ```text 导演总纲 LRC 段落表 完整镜头卡 完整声音卡 分镜母版提示词 复盘记录 ``` 生成层： ```text 人物锚点图 分镜母版或单帧参考 干净镜头执行卡 干净声音执行卡 已过审音频 视频生成节点 ``` 禁止把这些直接连入视频节点： ```text 完整总纲 复盘 内部思考过程 本地文件路径 项目管理备注 过长的原因解释 ``` ## 11. LibTV CLI 接入逻辑 如果使用 LibTV 画布，建议不要只靠手动拖节点。可以用 CLI 把“建节点、上传素材、分组、连线、检查节点状态”自动化。 通用接入思路： ```text 1. 登录 LibTV CLI 2. 选择或创建画布项目 3. 创建分组：导演层 / 分镜层 / 生成层 / 测试层 4. 上传人物锚点图、分镜母版、音频切片 5. 创建文本节点：总纲、镜头卡、声音卡、执行卡 6. 创建视频生成节点 7. 按“人物 + 分镜 + 执行卡 + 音频 -> 视频节点”连接 8. 查询节点状态和生成结果 9. 清理测试节点，保留正式节点 ``` 示例命令结构，具体参数以本地 CLI 帮助为准： ```bash libtv login web libtv project list libtv project use <project-id> libtv group create "01_导演管理层" libtv group create "02_分镜母版层" libtv group create "03_视频生成层" libtv upload <image-or-audio-file> libtv node create --help libtv node list libtv model search seedance ``` 如果你已经安装了 `libtv-cli` Skill，可以让自己的 AI 助手先读取 Skill，再按画布项目执行。 重点不是背命令，而是让 CLI 服务这条结构： ```text 导演管理层负责想清楚 分镜母版层负责给画面参考 执行卡负责给模型干净指令 视频生成层只接入必要输入 ``` ## 12. 常见失败与修复 ### 12.1 口型对不上 优先检查： - 是否给强口型段接了太复杂的 9宫格。 - 是否没有接入音频。 - 音频是否没有前后气口。 - 人物参考是否不是近景主唱。 - 执行卡是否没有明确“对口型”。 ### 12.2 画面漂亮但不像 MV 优先检查： - 是否没有按 LRC 切段。 - 每段是否没有故事功能。 - 空镜是否只是风景，没有回应歌词。 - 高潮是否缺少“人唱一句，天地回应一句”的剪辑结构。 ### 12.3 画布越来越乱 优先检查： - 是否没有分组。 - 测试节点是否没有清理。 - 管理层和生成层是否混在一起。 - 是否把所有卡片都连进视频节点。 ### 12.4 人物 AI 味重 优先检查： - 是否缺少正脸、45度、侧脸等头部锚点。 - 是否缺少表情锚点。 - 侧脸镜头是否给了足够参考。 - 分镜母版里人物角度是否太杂。 建议人物资产： ```text 正脸 45度左 45度右 侧脸左 侧脸右 平静 微笑 轻唱 含泪 凝视 低头 抬眼 风吹发丝 ``` ## 13. 最小可执行清单 第一次练习可以这样做： ```text 1. 选一首 60-90 秒的歌或歌曲片段 2. 准备 LRC 或手动标时间 3. 写一句定魂 4. 切成 6-8 个视频段 5. 每段判断：口型 / 空镜 / 蒙太奇 6. 先做 1 个副歌 proof 7. 副歌主唱用单帧长镜头 8. 副歌大景回应用 9宫格 9. 音频转 WAV 48kHz stereo PCM Int16 10. 画布只把人物、参考图、干净执行卡、音频接进视频节点 11. 生成后剪辑到完整母带上 12. 复盘：哪段能用，哪段重生，原因是什么 ``` ## 14. 复制给 AI 助手的激活指令 ```text 请你进入 AI MV 画布导演模式。 你要先读取歌曲、歌词或 LRC，再写导演总纲，不要直接写视频提示词。 请按以下流程工作： 1. 写一句定魂； 2. 按 LRC 和情绪切段； 3. 标记每段是主唱对口型、非口型表演、空镜、蒙太奇还是可复用素材； 4. 判断每段用 9宫格、12宫格还是单帧长镜头； 5. 为每段写秒级镜头卡和声音卡； 6. 从完整镜头卡中提取干净模型执行卡； 7. 音频统一规划为 WAV / 48kHz / stereo / PCM Int16，并保留 0.2-0.5 秒气口； 8. 画布分管理层和生成层，管理层保存总纲和完整卡片，生成层只连接人物锚点、分镜参考、干净执行卡、已过审音频和视频节点； 9. 如果接入 LibTV CLI，请用 CLI 创建分组、上传素材、创建节点和检查状态，不要把内部思考过程直接发给视频模型。 目标：让每一秒画面都知道自己正在回应哪一句歌。 ``` ## 15. 最后一句 AI 视频不是只靠模型“抽奖”。当你有了总纲、镜头卡、声音卡、分镜母版、干净执行卡和画布自动化，模型才更像一个听得懂导演的摄影组。 先把结构搭对，再去追求惊艳。