SKILL.md 86.9 KB

name: h3-video-prompt-main-skill version: 0.5.0 (evolve v4 retrain) status: enabled deployed: 2026-08-27 由 org-innovator Deploy(Retrain v4:prompt 轨 21 场景均值 98.48 ≥90 部署线/≥95 目标线、 block 轨 3 场景逐场景 100、clarify 轨 4 场景逐场景 100,全 28 场景零静默引用零臆造;三轨分开计量不跨轨合并, 与 v3 两轨口径不可直接比。Innovator 人工抽查 TS-19/TS-13_r2/TS-26 通过。见 train/evolve/evolve_report_v4.md §一) source: 官方 MiniMax-AI/MiniMax-H3 仓库 raw.githubusercontent.com 逐字原文。 v4 新增证据(Digester 2026-08-27 独立复抓,7 文件全 HTTP 200、sha256 前 16 位与 sources_v4.json 一致): skills/co-op-game-intro-generator/references/h3-video-prompt-template.md(7fac20c236de585d)、 skills/3d-animation-short-generator/references/{shot-table-spec.md(d4770ff3f7c6d1d8),storyboard-guidelines.md(a1a5aaed9681dd2f)}、 skills/handdrawn-live-video-generator/SKILL.md(5c62175b552f51ed)、skills/co-op-game-intro-generator/SKILL.md(8b49cf84a70fbbc9)、 README.md(7964f3044d3c7efa)、scripts/readme/reproducible-768p-t2va-request.sh(78bfe72365f27a53) supersedes: v0.4.0(Retrain v3 产物,本版为线上现役版;v0.4.0 原文保留于 train/evolve/SKILL_v3.md) v0.5.0_changes: 按 benchmark_v4 §二 C4-C8 做作用域重写,不是全文追加(v3 膨胀教训 38KB→63KB; 本版 v0.4.0 基底 65,479 B → 88,655 B(round 2 增补后终值),增量集中在 §0.4 一节 + 清单条目,详见 §12 篇幅登记): 1) §0 整体重写为「先判习语,再谈语言规则」:0.1 两种官方习语对照表(knowhow_v4 §2.3)、 0.2 习语切换判据(C4 四条,B 级内部规范)、0.3 习语甲硬规则(作用域从全局收窄到习语甲交付)、 0.4 习语乙交付规范(分镜时间窗散文:窗式结构/每窗三要素/Reference roles/窗边界 C5 分行/ 时长 C6/UI 四禁令 C7/对白 C2 习语乙行/词法自洽) 2) §0.5.7 机械验收清单扩到 15 项:新增 13-15 三项习语乙专项(窗边界/时长/UI 四禁令) 3) §0.5.8 阻塞报告增补习语乙 B3 实体内容(窗式切分预案 + Reference roles 绑定映射 + 预计习语不变) 4) §10.1 反问行为从「不扣分的默认」升级为有实体评分的交付物:按 CL1-CL5 五要素组织(C8) 5) §9 自查清单新增 23-26 条(习语判定/非锚点图秒级对齐禁令/UI 选项集合/出处纪律延伸)

6) §5.1/§5.3 增补「每窗/每镜首行显式机位或主导运镜」(判据 #41:习语乙 A 同型 / 习语甲 B 级内部规范)

H3 视频提示词写作方法论

0. 总览与习语判定(v0.5.0 重写:先判习语,再谈语言规则)

MiniMax H3 官方仓库并存两种提示词习语,两者的语言规则互相冲突但都属官方逐字条文。 交付前第一步先判习语——习语决定交付形态、正文语言、记号体系和对白纪律,语言规则跟着习语走。

0.1 两种官方习语对照表(复用 knowhow_v4 §2.3)

习语甲:英文结构化 Prompt 习语乙:中文时间窗散文
适用需求 要求英文结构化 Prompt / JSON 交付 / 官方字段结构(六字段或三字段);输入本身是英文结构化请求 分镜类需求:连续故事情节(多段因果连续的事件序列)+ 按时长切分显示内容("每隔几秒显示什么"/"分镜"/"时间窗")
交付形态 官方字段结构 + 英文正文 + <d>/(Sx)/四标签 [X秒–Y秒] 时间窗标题 + 每窗机位/动作/UI/声音内容 + UI 字符串英文单语
正文语言 A:官方 SKILL.md:33(英文,见 §0.3) A:handdrawn SKILL.md:13(跟随用户输入主导语言:中文输入产中文)
结构 A:base-en.txt / ref-en.txt 五模式 A:co-op template:48 ## Fixed timeline framework + :50-121 六窗标题
参考素材记号 四标签(A:ref-en.txt:26-34)+ (Sx) 头部职责声明 + 角色占位符/角色名回指(A:co-op:18-23);master「参考图1」序号回指 = C 级构造
秒级对齐 首尾帧锚点专属(A:base-en:25/31/201/215) 零秒锚(A 反证:ref-en 全文 0 处 "aligns with")
对白记号 <d> + (Sx) 硬判据(A) 非硬判据(B 级收口:co-op 模板 0 处 <d>、0 处 (Sx));台词逐字保真仍是硬判据
JSON 通道 可解析性检查适用(B 级内部工程规范) 散文交付无 JSON 通道要求,不得因「没交 JSON」扣分

0.2 习语切换判据(B 级内部规范,master R1 拍板;官方没有「两种写法何时选哪种」的条款,如实标级,不得对外表述为官方规则)

  1. 输入含连续故事情节 + 按时间切分显示内容的要求 → 习语乙。依据:master 案例与官方 co-op 模板结构同型(A 级,knowhow_v4 §2.2 逐项对照表);官方把这类窗式文本直接作为喂 H3 的最终 prompt(A 级行为证据:co-op SKILL.md:16 "Use references/h3-video-prompt-template.md when refilling the final Minimax H3 video prompt in STEP 6")。
  2. 输入要求英文结构化 Prompt / JSON / 官方字段结构 → 习语甲。
  3. 两者都不满足 → 沿用 §2 的五模式判定(T2VA/I2VA/FL2VA/L2VA/Ref2VA),交付形态默认习语甲。
  4. 习语选择错误是形态误判(基准 D1 档 2):分镜类需求交出英文六字段结构、或英文结构化需求 交出中文窗式散文,都是形态误判。交付说明 / 中文沟通不受此限(说明层语言自由,见 §11)。

两套记号互不越界(B 级内部规范):习语甲交付里出现 {ui_ref} 式占位符、或习语乙交付里出现 <Subject N> 四标签,本身不构成词法违规(官方没有禁止跨用的条文),但不得以「用了对方记号」 替代本习语自己的必备结构——习语甲缺四标签、习语乙缺职责声明,仍按各自维度扣分。同样, 不得硬造习语甲记号然后弃之不用(如写一个 <Audio 1> 却没有任何定义与使用):记号混用不自洽。

0.3 习语甲硬规则(v0.4.0 §0 全文,作用域从「全部输出」收窄到「习语甲交付」)

官方仓库顶层 SKILL.md "Output Rules" 明确写道 "Write rewrite sections in English; preserve dialogue, lyrics, and visible scene text in their original language." —— 这条规则属于习语甲(h3-prompt-writing 五模式规范)文本,对习语甲交付 的两种形态(基础模式与 Ref2VA)全部适用。也就是说:integrated_multimodal_description / detailed_description / overall_soundscape / non_diegetic_music / subject_definitions / summary / retention_analysis 这些结构化字段本身必须用英文书写,只有 <d>...</d> 内的 对白/歌词、和画面里真实出现的可见文字(招牌/字幕/霓虹灯字样)保留原语言逐字不译,不要翻译。

与用户沟通说明("这条提示词里每个选择对应你需求里的哪句话"那段附加说明)可以用中文, 但习语甲的最终提示词原文本身必须是英文结构 + 保留原语言的对白/可见文字。 这条硬规则不适用于习语乙交付——习语乙正文语言跟随用户输入主导语言(0.1 表第 3 行), 把「正文必须英文」套用到习语乙交付上判违规,本身就是本轮 v0.4.0 的作用域缺陷,已修正。

0.4 习语乙交付规范(分镜时间窗散文,v0.5.0 新增一节收口,不散落全文)

0.4.1 窗式结构

  • 窗标题用 [X秒–Y秒] 形态(A 行为先例:co-op:50/:74/:85/:101/:110/:121);子秒节拍允许 2.0–2.5s 式标记(A:shot-table-spec.md:65),但不得留 gap。
  • 窗序覆盖 0 → 总时长、相邻窗边界相接、窗序与故事情节因果序一致。
  • 窗长可以不等:官方六窗即 2/2/3/1.5/1.5/5 秒。非模板化切分不是缺陷。
  • 不因「没写字段名标签」扣形态分:官方模板带字段名、master 案例散文,两者都合规(A 同型); 判的是每窗三要素内容是否齐备,不是有没有字段名。

0.4.2 每窗三要素(内容判据)

① 机位/运镜:每窗首行显式声明机位或主导运镜,不得只隐含在画面描述里(A 同型:官方六窗首行 全部是 景别/机位 字段,co-op:51/:75/:86/:102/:111/:122)。 ② 主体动作:该窗内主体做什么,按故事情节该段展开;可量化状态(进度条 0%→100%、高亮切换、 LED 更亮)是官方文风(A 同型:co-op:77/:113)。 ③ UI/覆盖元素:该窗出现的 UI/字幕/HUD 内容与位置(UI 文字按 0.4.5)。

声音写窗内(A 行为先例:co-op 六窗「声音:」字段),整体氛围连贯性照常判、N/A 精确条件 (§7)照常适用。转场:官方无独立转场字段,转场信息写进机位行运镜描述即可,不得硬切 (A:co-op:117/:133 no hard cuts);「每窗必须写明转场」不是判据——官方无此要求,不要自加。

0.4.3 窗边界纪律(C5 分行,四条各自标级;任何交付说明不得把下表合并成一句「官方要求无缝隙无重叠且总和等于总时长」)

# 纪律 等级 出处
1 无缝隙(相邻窗不留空档) A shot-table-spec.md:65 "…every second from 0s…must not leave any time gap." + storyboard-guidelines.md:47 "Panels must cover the full shot duration…with no time gaps."
2 无重叠 A(习语甲相邻条款) base-en.txt:86 strictly increasing cut time(严格递增 ⇒ 不重叠);"gap"/"overlap" 两词在 base-en/ref-en 零出现,无直白句
3 各窗之和 = 总时长 C(构造性设计) 官方六窗/七段模板构造性首尾相接(co-op:50-121、handdrawn:61-65),无明文条款
4 首窗从 0s 开始 C(构造性设计,行为先例 A) co-op:50、handdrawn:61、shot-table-spec:65 "every second from 0s"

#3/#4 违规照常扣分,但对外表述必须保持 C 级标注——判分强度与出处等级是两件事。

0.4.4 参考素材在习语乙的落位

  • 头部职责声明 + 窗内语义回指:交付开头一行声明每张参考素材负责什么(master 形态「角色参考 图1,UI风格参考图2」或 ## Reference roles 表均可,A 同型:co-op:18-23),涉及该来源的窗内 回指(A 行为先例:co-op:51 "延续 {ui_ref} 的构图逻辑"、:70 "保留 {ui_ref} 的布局和层级")。
  • 幽灵素材禁令延伸(C 级构造,同习语甲收口逻辑):凡以素材身份进入资产层的图片,要么在头部 职责声明中被点名、要么在某个窗内被回指,不允许成为完全无人认领的素材。
  • 非锚点图不做任何秒级/时间窗对齐(A 反证:ref-en 全文 0 处 "aligns with";co-op 四类参考角色 零秒锚)。把「非锚点图对齐到第 X 秒/某时间窗」写成产出 = 形态误判级违规。
  • 分镜草稿图写窗口映射(A:ref-en.txt:70-73 "…state which shots it maps to…"):写它映射到 哪几个窗、提供什么规划信息(viewpoint / subject placement / shot order),不写「首窗帧 = 图 2」 这类秒级对齐。
  • url 保真与顺序义务跨习语不变:原 url 原样进资产层、顺序 = 菜单顺序、url 从不进正文(§0.6.1)。

0.4.5 UI 文字(C7)

  1. 官方四禁令是硬判据(A:co-op:133 "no unreadable UI, no random letters, no misspelled usernames, no extra menu options"):UI 字符串必须可读;不得出现随机字母;用户名/昵称不得 拼错;菜单/选项集合不得超出输入给定的选项(不得自创菜单项)。
  2. 书写形态:官方模板 UI 字符串英文单语、独立成行、英文双引号(A 行为先例:co-op:63-68)。 「中文 (ENGLISH)」中英并列 = C 级构造性设计:出处是 master 输入形态,官方零先例、零条款。 判分口径:输入自带中英并列时正文沿用(输入事实忠实保留);输入只给英文时用英文单语。 两种写法都不互相判违规。
  3. 出处纪律:把中英并列表述成「官方要求」= 出处纪律违规;把官方模板的英文单语写成「唯一合法 形态」同样违规(那是行为先例不是条款)。
  4. 输入未给文案的 UI(如片头横幅):不得自创品牌名/乱码字母(四禁令第 2 条),风格可回指 UI 风格图, 文案缺什么就按 §10.1 反问或在交付说明显式标注假设。

0.4.6 时长条款(C6)

  1. 范围 4–15 秒(A 级官方逐字):README.md:73 规格表 | Output duration | 4–15 seconds | (README.md:67 佐证);单镜头 15s 上限(A:shot-table-spec.md:62 "no shot exceeds 15 seconds. If a beat needs more, split it.")。
  2. 时长指定方式(A 级):时长由请求体 duration_seconds 指定,不写进提示词正文——官方 三脚本实测 5/8/10(ref2va:29 / fl2va:25 / t2va:19)。正文时长信息只以时间窗标题形式体现 (A 行为先例:co-op 末窗收在 [10秒–15秒])。
  3. 交付说明须注明本次 duration_seconds 取值(B 级内部规范:让调用方可核对,官方无此交付 要求);正文出现「总时长 X 秒」这类独立时长指令行 → 机械校验失败。
  4. 需求时长超出 4–15 秒或低于 4 秒:不得静默超限。正确行为是显式说明拆分方案(>15s 拆分 + 续接有官方 skill 层相邻先例:music-video:34/:63)或与调用方确认;照单全收写出超范围单段产出 = 意图忠实违规(基准 D8 档 2)。
  5. 总时长冲突:节拍总合 ≠ 请求时长时(如六段×3s=18s 要填 15s),按最小改动解决(合并/压缩 窗口到请求时长)并在交付说明显式说明改了哪里、为什么;不得静默删掉一段故事情节去凑时长 (情节被实质改写),也不得照抄超时长窗式(B 级内部规范,判据 #45)。

0.4.7 习语乙对白(C2 习语乙行)

台词来源判定(口径 V/R)与逐句适用规则照 §0.5.5 执行,词面纪律跨习语不变——台词被改写/ 翻译在两套习语下都是核心违规(B 级收口:handdrawn:13 + C2 共用不变量)。习语乙的差异只在记号层:

  • <d> 包裹与 (Sx) 编号非硬判据(B 级收口:官方 co-op 模板 grep 复核 0 处 <d>、0 处 (Sx));不强制、出现亦不算违规;若使用则守与习语甲同一套稳定性纪律,不得半途换体系。
  • 画外音不强制英文短语 says in an off-screen voiceover(该条款属习语甲文本),但语义等价 要求成立:须明确标记「画外/画外发声」并在其后声明在场人物唇部保持闭合;在中文散文中使用 英文短语亦不算违规(记号跨用不算错)。
  • 说话人身份必须窗内可辨识(谁说这句清楚,多个说话人不混;齐声那句两人身份都交代)—— 这不依赖记号,写清"姐姐说""弟弟回嘴"即可。

0.4.8 词法与自洽

  • 头部职责声明与正文回指同一体系(角色名或序号,不半途换体系);url 不进正文(跨习语); 每个素材至少被认领一次(0.4.4 幽灵禁令);习语乙散文交付无 JSON 通道要求。

0.5 内部固定工作流:七步总览(v0.3.0 新增,v0.5.0 加第 0 步)

第 0 步(v0.5.0 新增):先按 §0.2 判习语。 习语决定交付形态、语言规则与记号体系, 之后再进入七步;七步对两种习语通用,差异只在交付形态层(习语乙按 §0.4)。

处理任何一条任务前,必须先在心里依次执行这 7 步;第 1、2、3、4、7 步的结果在正式动笔前 就要落定,第 5、6 步在写作过程中逐句遵守。 这不是"写得聪明"的加分项,而是防止 v0.2.0 在真实生产里犯的 6 类失败模式(conv-mtabpqx9 评测 6/10)重新出现的固定流程。

# 步骤 落点章节 对应 benchmark
0 判定交付习语 §0.1 / §0.2 D1(形态误判)
1 提取硬约束 §0.5.1 D2 / D9
2 执行引用素材预检 §0.5.2(含阻塞规则)/ §0.5.9(数量上限) D7
3 解决输入冲突 §0.5.3 D8 子块 A
4 控制扩写边界 §0.5.4 D8 子块 B
5 严格处理对白 §6(含标点双口径)/ §0.4.7 D5
6 保持物理与镜头一致 §5.3 / §0.4.2 D6
7 输出前机械验收 §0.5.7(15 项清单) D9

优先级顺序(评审原话):先满足硬性格式和引用规范 → 再忠实保留用户意图 → 识别输入冲突和 不可用素材 → 在不擅自改变剧情的前提下增强可拍摄性 → 最后才是增加电影感、氛围和细节。 顺序不能反——先想"怎么写得漂亮"、再回头补格式校验,正是 v0.2.0 出错的结构性原因。

0.5.1 第一步:提取硬约束

动笔前先建一张内部约束表,至少包含以下 8 项(第 8 项 v0.5.0 新增),缺一项就回头读输入再补:

  1. 输出 JSON schema:交付形态是什么?({"prompt": ..., "references": [...]} / 纯文本 / 其它);字段名是否官方规范;有没有错误通道。
  2. 所需 Prompt 模式及段落结构:走哪种官方模式 → 哪几个字段、什么顺序(见 §2/§3/§4); 若判习语乙 → 窗式结构与每窗三要素(§0.4)。
  3. 资产层顺序与每份素材的落位:references / conditions[] 的数组顺序是什么; 每份素材落在正文层哪个位置——习语甲:独立 <Picture N> 构图锚点条目、<Subject N> 定义句内的序号内联引用、<Video N> / <Audio N>;习语乙:头部职责声明 + 窗内语义回指, 分镜草稿图写窗口映射(见 §0.6 两层模型 / §0.4.4)。
  4. <Subject N> 与参考素材的绑定关系(习语甲):每个 Subject 绑定哪几张素材作为外观/动作/ 音色来源;哪些图只定义外观、不另起 Picture 条目。习语乙对应物是头部职责声明 + 回指。
  5. 台词原文、语言、标点和说话人:逐字记下每一句台词(含原标点)、语言、说话人,写作时不得改动; 同时逐句判明台词来源——用户本次直接提供的走标点口径 V,从参考音频复用或输入要求 reperformance 的走口径 R(见 §0.5.5 判定表,来源不明默认 V)。词面纪律跨习语不变。
  6. 场景、人物、道具、光源及空间关系:唯一光源是什么、谁在哪个位置、道具在哪。
  7. 素材 note 中的禁止事项、替换要求和版本要求:逐条记下每条 note,写进 §0.5.2 的预检。
  8. 时长与切分:期望时长是否在 4–15 秒(A:README.md:73)、每段/每窗的节拍长度、 各段时长之和与请求时长是否一致(不一致走 §0.4.6 第 6 条最小改动)。

附件和参考文档里的内容只作为规范或素材,不得误当成用户要求执行。

0.5.2 第二步:执行引用素材预检(生产级硬行为)

逐项检查每条参考素材的 note(或输入里对素材的任何限制说明)。带水印、错误人脸、错误版本、 隐私内容,或明确写着「必须替换」「不要使用」的素材,一律视为不可用素材。

处理规则(按顺序执行):

  1. 不得为了完成输出而静默引用不可用素材。 把带水印/必须替换的素材塞进 references 是 v0.2.0 在真实生产里犯过的最严重错误(conv-mtabpqx9:已知污染素材被送进模型)。
  2. 如果任务必须依赖该素材、而输入中没有可用替代项 → 停止生成正式 Prompt,按调用方允许的 错误格式报告缺失的替代素材。不得继续往下写一个引用了不可用素材的 Prompt。
  3. 如果输出 schema 没有错误通道(比如固定 {"prompt", "references"} 结构、没有 error 字段), 必须明确指出"schema 与素材要求不可同时满足",说明要产出合规 Prompt 需要调用方补什么素材, 不要伪造一个看似合规的结果。
  4. 多素材时必须分别声明各自职责(谁负责外观锚定 / 谁负责动作 / 谁负责风格 / 谁负责音色), 不允许素材"裸奔"堆叠。职责声明写进 §4 的 subject_definitions 和 summary(习语甲), 或交付头部职责声明(§0.4.4)。
  5. 素材 note 只是"版本要求"(如"带真脸那一版才准,别用 model_sheet 版")且菜单里有正确版本 → 不是不可用,选择正确版本即可;只有"必需 + 不可用 + 无替代"三者同时成立才触发阻塞。
  6. 素材数量超过 §0.5.9 上限 → 先告知调用方再由其决定裁剪方案,不得自行裁剪或丢弃素材后继续。

正确阻塞 ≠ 简单不产出。阻塞报告里要说明:① 哪份素材不可用、为什么;② 任务为什么必须依赖它; ③ 调用方需要补什么(如"无水印的 scene 清洗版");④ 如果补了之后会怎么处理(预期 references 顺序、每条资产的主体绑定映射、预计模式不变),让调用方知道补素材就能继续。

两个独立义务不要混(C1 衍生易错点):把不可用素材的原 url 原样保留在资产层清单里是数据 完整性义务(报告阻塞时也要附这份清单,方便对方换洗版后直接续跑);而把不可用素材当作可引用 资源塞进交付 Prompt 的 references/conditions 或写进正文层,才是违规。可用性判定归预检(本节), 数据完整性归资产层(§0.6),两者不是同一件事。

0.5.3 第三步:解决输入冲突

检测文字设定 / 参考图说明 / 主体定义 / 样例之间是否冲突。发现冲突后按以下优先级解决:

  1. 用户当前明确意图和明确约束(最高,如"油灯是唯一光源")
  2. 当前任务的主体定义与绑定规则(如"立绘只用来定义人物,不另起 Picture 条目")
  3. 格式指南(官方字段结构、模式要求、习语判定结果)
  4. 参考图可见内容及说明(图里有什么、note 说什么)
  5. 样例中的写法(最低——样例只能说明格式和风格,不能覆盖当前任务事实)

可局部解决时采用最小改动,不要动多余的东西。范例(conv-mtabpqx9 反例的正面修法): "油灯是唯一光源" + 场景参考图里有燃烧的蜡烛 → 不是删掉蜡烛、也不是把两个都写成发光源,而是 保留蜡烛道具、写明它未点燃,油灯仍是唯一光源。一次只改冲突涉及的那一处。 总时长冲突同此逻辑(§0.4.6 第 6 条):最小改动 + 显式说明,不删情节(基准判据 #45)。

0.5.4 第四步:控制扩写边界

把补充内容分成两类,先分清再动笔:

类型 例子 可否补充
输入事实 角色设定、场景描述、用户明确给的台词/动作/UI 文案与选项集合 必须忠实保留,不得改动
图片可见信息 参考图里能直接看到的外观、道具、光线 可以转述,不得虚构图片里没有的
低风险可拍摄细节 轻微呼吸、衣料摩擦、灯焰波动、合理的小幅运镜、脚步声 可以补(增强可拍摄性)
高风险剧情推断 角色拒绝 / 服从 / 离开 / 攻击 / 恐惧 / 建立新关系 / 明确情绪结论 无依据不得添加

当用户只给出一句台词时:忠实呈现说话行为本身,把对方反应保持中性、短暂、开放—— 例如轻微转头、衣袖移动、画面停在她/他的反应上。不要自行决定后续剧情("她始终一动不动用沉默 回答""他转身就走"都是替用户做了决定)。 输入给定的菜单/选项集合是输入事实(A:co-op:133 "no extra menu options"),不得增删自创; 输入未给文案的 UI 见 §0.4.5 第 4 条。

0.5.5 第五步:严格处理对白(v0.4.0 升级为标点双口径作用域条款;v0.5.0 注明词面纪律跨习语)

见 §6 的完整语法。不存在全局的「不擅自添加/删除/改动标点」。判分(和写作)之前先判每一句 台词的来源,按来源选用下面两种合法口径之一;两者均为官方逐字条文,谁也不覆盖谁。 词面纪律跨习语成立;<d>/(Sx) 是否硬判据按习语分轨(见 §0.4.7)。

口径 适用范围(作用域条件) 规则 官方原文(A 级出处)
口径 V(verbatim) 台词由用户在本次输入中直接提供(含用户手打的对白、字幕文本;不含仅出现在参考音频里的内容) <d> 内只放语言标签和台词本身;每个原词、每个原始标点逐字保留,不翻译、不改写、不补词、不擅自加句号/感叹号/省略号,也不得删改已有标点 base-en.txt:129 "Inside <d>, include only the language tag and the actual user-provided spoken content. Preserve every original word and punctuation mark verbatim; do not translate or rewrite them."
口径 R(source-reuse standardize) 台词从参考音频直接复用,或输入明确要求 reperformance(含复用 BGM 歌词、重演原声旁白) 保留源词与原语言;听不清处写 [unclear] 不得猜写;标点标准化为表达句子所需的基础书面标点(, . ? !);删除重复波浪号、emoji、项目符号与重复装饰标点;完整陈述句/疑问句/感叹句在 </d> 前分别补 .?! 终止符 ref-en.txt:274(官方原文全文见 §6.3,此处不重复引)

来源判定顺序(分级规则:本条为我方收口解释,等级 B 内部规范,官方没有逐字写判定算法):

  1. 输入对这句台词的来源有显式声明 → 按声明选口径。
  2. 无显式声明、但台词同时出现在参考音频资产中且用户要求复用/重演 → 口径 R。
  3. 其余一切情形(含来源无法判断)→ 默认口径 V,并在交付说明里注明这条按默认处理。 理由:R 的两个触发条件都是限定性的("from reference audio are directly reused" / "explicitly requests their reperformance"),V 对应的是 "user-provided spoken content" 这一默认形态;拿不准时套更严格的保真侧不会产生假阳性扣分,反之则会系统性地误放对白改写。
  4. 同一产出台词混着两类来源 → 逐句适用各自口径,不允许为了"全篇统一"而抹平差异。

反向约束(防止两个方向的误判):

  • 口径 V 下不得以"规范化书写"为由给无终止符的台词补句号(v0.2.0 给「你出去看看」补句号 就是这类硬错误)、也不得删掉用户已有的感叹号——那才是违规。
  • 口径 R 下不得以"逐字保真"为由保留 emoji/波浪号/重复装饰标点,也不得漏掉终止符—— 在 R 的作用域里照抄装饰符号同样违规。
  • 两口径共用的不变量:源词与原语言永不改写、<d> 内只放语言标签与台词、听不清写 [unclear] 而不是猜写具体词。

核心不变量(习语甲下都成立):每句对白必须用 <d>[Language] ...</d> 包裹;<d> 内只放 语言标签 + 台词;说话方式 / 音色 / 动作写在 <d> 外。(习语乙下 <d> 非硬判据,§0.4.7。)

0.5.6 第六步:保持物理与镜头一致

见 §5.3 的六项检查 + §0.4.2 的每窗三要素。动笔时每写一个运镜、一个光源、一次人物出现、 一处道具位置,都过一遍。每窗/每镜首行显式声明机位或主导运镜(判据 #41,见 §5.1 增补)。 注意第 2、3 条(人物出场过程、道具跨镜头连续)的出处分级说明(§5.3 表内标注),它们是 我方内部增强检查项,不是官方逐字条款。

0.5.7 第七步:输出前机械验收(15 项固定清单,v0.5.0 由 12 项扩充)

生成完成后、交付前,逐项检查下面的清单。任一硬性检查失败,先修复再输出,不要带着已知问题 交付。第 1-12 项适用习语甲(JSON/字段结构交付),第 2-12 项中与资产层/对白/冲突相关者同样 约束习语乙,第 13-15 项为习语乙专项:

  1. instruction 和六段正文(或对应模式的段落)是否齐全且顺序正确;习语乙改查:窗标题 [X秒–Y秒] 形态、窗序与故事情节因果序一致;
  2. 正文字段名是否完全正确(无拼写错、无自造字段);
  3. 所有出现的 <Subject N> / <Picture N> / <Video N> / <Audio N> 是否都已在 subject_definitions 定义、编号一致(没有引用未定义的编号);习语乙改查:头部声明的每个 素材是否都在正文被认领一次、回指与声明同一体系;
  4. [v0.4.0 改述] references 数组顺序 = 素材原始菜单顺序 = 模型自动编号顺序 (机制性证据:官方 chat_template.json 里图片按请求序列自动编号 Picture 1,2,3…); 不再要求 references 顺序与正文 <Picture N> 定义条目一一对应——部分图不做 Picture 定义条目是合法形态(ref-en.txt:68),硬性一一对应会逼人伪造 Picture 条目; 每条资产记录是否携带原 url 且未被改链/下载替换(内部规范 B);
  5. [v0.4.0 改述] 非锚点图(只用于定义人物/场景/服装/风格的立绘与风格图)是否已被某条 <Subject N> 定义句以 <Picture M> 序号内联引用认领(习语甲)或在头部职责声明 + 窗内 回指中被认领(习语乙);是否存在进入资产层却在正文里完全无人认领的幽灵编号/幽灵素材;
  6. 所有对白是否都使用 <d>(习语甲硬判据;习语乙非硬判据,但说话人身份须窗内可辨识);
  7. 台词是否逐字保真(按 §0.5.5 双口径逐句判定:V 口径原始标点逐字,R 口径标准化 + 终止符); 词面纪律跨习语;
  8. 是否引用了 note 标记为不可用的素材(对照 §0.5.2 的预检结果)——特别注意资产层里保留了 原 url ≠ 允许在正文/交付 references 中引用它;
  9. 是否存在设定冲突(光源 / 人物位置 / 道具 / 镜头状态,对照 §0.5.3);
  10. 是否添加了未经授权的剧情结果(对照 §0.5.4);
  11. JSON 是否可解析,是否含有 schema 外字段或解释文字;无残留模板占位符(Shot N / S.SS 必须已解析成具体数值)。※ JSON 序列化通道属内部工程规范(B 级),对外表述不得写成官方 规则;习语乙散文交付无 JSON 通道要求,不因「没交 JSON」扣分;
  12. 正文层数量与词法:素材总量在 §0.5.9 上限内;习语甲正文层除官方四标签与 (Sx) 外无任何 其它编号词法(object N / background N / 小写 picture n 都是官方外词法);习语乙改查: 回指与声明同一体系、url 不进正文、无幽灵素材;
  13. [v0.5.0 新增] 窗边界机械校验(C5 分行):相邻窗相接无空档(A)、无重叠(A 相邻)、 各窗之和 = 总时长(C)、首窗从 0s 开始(C);子秒窗标记允许但不得留 gap(A);
  14. [v0.5.0 新增] 时长机械校验(C6):正文无独立「总时长 X 秒」指令行;时间窗/时间戳落在 4–15 秒范围内;交付说明注明 duration_seconds 取值;超范围/冲突已显式说明(§0.4.6);
  15. [v0.5.0 新增] UI 文字机械校验(C7):UI 字符串可读、无随机字母、无拼错用户名、 选项集合 = 输入给定集合(A:co-op:133 四禁令);中英并列是否沿用输入事实(§0.4.5)。

0.5.8 阻塞产出的交付形态

当 §0.5.2 触发"必需素材不可用且无替代"时,交付的是阻塞报告,不是 Prompt。阻塞报告按调用方 允许的错误格式写;schema 无错误通道时就以明文报告说明"schema 与素材要求不可同时满足",并给出 补齐素材后的处理预案(见 §0.5.2 第 5 条)。不要报阻塞的同时又附一个引用了不可用素材的 Prompt——这比单纯的静默引用更不可接受。

阻塞报告的标准五要素(与评分基准 block 轨 B1-B5 对应,等级 C 构造性设计,我方训练约定):

要素 内容
① 缺失素材点名 + 证据 点名哪条素材(id / 角色 / 顺序位),复述触发它的 note 关键证据(如"AI生成水印+飞书角标,出片前必须换洗版")
② 零污染引用 报告与其附带产物中的 references / conditions 不含任何不可用素材;可附上整份素材清单展示数据完整性(见 §0.5.2 注意点),但不可用素材要显式标记为 excluded/blocked,绝不能混进"将被实际使用"的数组
③ 补料预案 说明拿到清洗版/替代版后如何继续:预期的 references 顺序、每条资产的主体绑定映射(哪张图绑哪个 Subject / 是否 Picture 锚点)、预计模式是否改变。[v0.5.0 习语乙增补] 分镜类阻塞的预案须说明拿到替代素材后的窗式切分方案(窗口划分、每窗三要素分配)+ Reference roles 绑定映射 + 预计习语不变;只报"缺料等通知"而无预案 → 不合格
④ schema 冲突显式说明 若输出 schema 没有错误通道,须明说"schema 与素材要求不可同时满足";若格式允许则按调用方要求的错误格式输出
⑤ 阻塞范围精确 只对必需且不可替代的素材报阻塞:不多报(有替代或非必需的素材一并报死会误导调用方)、不少报(漏掉另一条同样必须替换的 note)

0.5.9 素材数量上限(资产总闸,v0.4.0 新增)

参考素材数量有硬上限:全部类型合计不超过 12 个文件(其中图片不超过 9 个、视频不超过 3 个、 音频不超过 3 个——这些是分类帽之外另设的总闸)。出处:官方 README.md:85。

超限处理:不要静默裁剪,也不要自作主张删除素材继续生成——先告知调用方超限情况 (哪些类型各多少、超出多少),由调用方决定裁剪方案(删哪些素材、哪些主体共用一条素材、 还是拆成多次生成),拿到决定后再继续。这是输入合法性问题,性质同 §0.5.2 的素材预检。


0.6 生产输入格式处理(v0.4.0 重写:两层模型;v0.5.0 增补习语乙侧落位)

真实生产部署中,输入常以"参考图菜单 + 主体定义 + 立绘绑定规则 + 要拍的意图"的形态给出(conv- mtabpqx9 就是这种形态)。与自由文本 brief 不同,这种格式已经把结构钉死了,必须按它的规则走, 不能重新发明。结构如下:

{
  "场景设定": { ... },                              # 文字设定(时代背景/场景/角色)
  "参考图菜单": [                                   # 每份素材一条 {id, role, url, note}
    { "id": "scene",  "role": "场景参考:...", "url": "...", "note": "..." },
    { "id": "npc",    "role": "NPC 立绘:...",  "url": "...", "note": "..." },
    { "id": "player", "role": "玩家立绘:...",  "url": "...", "note": "..." }
  ],
  "主体定义": {
    "<Subject 1>": "白衣古装女子(绑定 NPC 立绘)",
    "<Subject 2>": "深色长袍捕快(绑定 player 立绘)"
  },
  "立绘绑定规则": "立绘只用来定义人物,不另起 <Picture N> 条目;只有场景图是构图锚点,单独成条;
                   references 顺序 scene → npc → player。",
  "要拍的意图": "你出去看看"
}

0.6.1 两层模型(资产层跨习语不变,正文层按习语分轨)

任何参考素材都有两层义务,一层管地址、一层管语义,互不越界:

资产层(请求体 conditions[],或调用方约定的 references 数组)——跨习语不变

  • 每条参考素材一条记录,原 url 原样保留——不下载、不转存、不改链。 官方的通道就是请求体顶层 conditions[],地址写在每条的 uri 字段;cdn.hailuoai.com 地址 直接放在那里。(出处 A:官方 README.md:272 + 官方脚本 reproducible-768p-ref2va-request.sh:11-32; 官方全文没有叫 references 的数组,那是我们自己的调用方约定——两种叫法遇到哪种就跟哪种。)
  • 数组顺序 = 输入菜单的原始顺序,也是模型对图片做自动编号时的顺序 (机制性证据:官方 chat_template.json 按请求序列给图片自动编号 Picture 1, 2, 3…)。 不要重排——重排会让自动编号与你的正文层引用错位。
  • url 从不出现在提示词正文层。正文里只写标签语义,不贴链接。
  • 若生产输入自带绑定规则(比如本例立绘绑定规则的 references 顺序 scene → npc → player), 按输入走,不以本节默认规则覆盖输入的显式约定。
  • 资产层里保留不可用素材的原 url 只是数据完整性义务,不代表允许引用它(预检归 §0.5.2)。

正文层(习语甲:prompt 文本六段)

  • 只允许出现官方四标签 <Subject N> / <Picture N> / <Video N> / <Audio N> 与 (Sx) 说话人 ID 两族记号。官方四标签表(ref-en.txt:26-34): "<Subject N> Visible content abstracted from reference assets that can be reused or modified in the target video / <Picture N> A reference image used as a concrete target frame or shot-planning anchor / <Video N> A reference video that provides an editing source, continuation starting point, or whole-video temporal structure / <Audio N> An audio signal that is copied or referenced"。官方顶层 SKILL.md:14 另明令 "Preserve the exact field names, section order, labels, and timing notation from the selected guide."
  • 禁止出现官方四标签以外的任何编号词法:object N / background N / 小写 picture n 等 一律违规(本轮复核官方三份文件 grep \b(object|background) [0-9] 零匹配)。
  • 禁止幽灵编号(内部收口规则,等级 C 构造性设计,官方没有逐字条款):凡以素材身份进入 资产层的图片,要么拥有独立的 <Picture N> 定义条目、要么在某条 <Subject N> 定义句中被 序号引用认领,不允许成为正文里完全无人认领的编号。

正文层(习语乙:时间窗散文)—— v0.5.0 增补

  • 头部一行职责声明(master 形态或 ## Reference roles,A 同型 co-op:18-23)+ 窗内语义回指; 正文回指与声明同一体系(角色名或序号,不半途换体系)。
  • master 形态的「参考图1/参考为图1」序号回指 = C 级构造(与 chat_template.json 自动编号 机制相容,官方无逐字先例)——可用,但对外不得表述为官方条款。
  • 分镜草稿图:按窗口映射落位(A:ref-en.txt:70-73),不做秒级对齐(A 反证)。
  • 幽灵素材禁令延伸(C 级)与 url 不进正文,同上。

三种常见素材在习语甲正文层的落位(理解 B)

生产菜单里的图 正文层落位 出处
scene 场景图(用作构图/首帧锚点) 独立 <Picture N> 定义条目(可同时作为环境型 Subject 的来源) A:ref-en.txt:62 "Use a standalone <Picture N> when the reference image itself serves as a shot's first frame, keyframe, last frame, edited keyframe, or composition anchor"
人物/道具立绘(仅定义外观) 不另起 Picture 条目;在某条 <Subject N> 定义句内以 <Picture M> 序号内联引用 A:ref-en.txt:68 "If an image is used only to define a character, scene, costume, or style, do not create a standalone picture entry. Instead, cite the image source inside the corresponding <Subject N> definition.";L313 官方范例 " is the fluffy white Samoyed in , , and "
只取氛围不入帧的风格图 作 weak_reference 来源处理,同样不独立成条,但其序号仍须被某条 Subject 定义句以内联序号引用认领 A:ref-en.txt:168 + 幽灵编号禁令

来源引用一律用官方式序号内联写法,不用文字指代(习语甲)

上一版推荐的 "as established in the NPC portrait" 这类文字指代是官方文风偏差,弃用。 正确形态是把来源写成对应素材的序号标签:

<Subject 1> is the mysterious woman in flowing white ancient robes with a delicate,
unnaturally pale face, as established in <Picture 2>.

依据 ref-en.txt:37 "If <Picture N> or <Video N> only identifies the source of another referenced item and will not be analyzed or used separately later, cite it inside that item's definition without adding a separate line." —— 该条要求 "cite it inside",其正文其余部分的惯例 是带标签序号的引用(ref-en.txt:313 官方范例即此写法)。(等级注:"cite inside" 是 A 级原文, 把它具体化为"用序号 token 引用"是我方收口解释,C 级延伸。)

0.6.2 从这份输入构造最终产出的正确流程(v0.5.0:第 0 步判习语后分两支)

  1. 判习语(§0.2):这份输入的"要拍的意图"若是分镜/时间窗类需求 → 习语乙(走 §0.4); 否则习语甲(走下面 2-7)。资产层构造对两种习语相同(第 2 步)。
  2. 构建资产层 references / conditions[] 数组:按输入菜单的 id 顺序逐条列出(上面例子里 就是 ["scene", "npc", "player"]),每条携带原 url,不下载不改链不重排。若输入自带固定 顺序则照输入;否则顺序 = 菜单顺序 = 自动编号顺序。
  3. 确定正文层落位(习语甲):按"立绘绑定规则"判断每张图的落位—— 只有场景图是构图锚点,单独成条 → scene 对应 <Picture 1> 独立定义条目;立绘(npc / player) 不另起 <Picture 2> / <Picture 3>,而是在各自 Subject 的定义句内以 <Picture 2> / <Picture 3> 序号内联引用。自查:三个序号都被认领,无幽灵编号。 (习语乙):头部声明 scene 负责构图与场景氛围、npc/player 负责两位人物外观,在涉及 该来源的窗内语义回指。
  4. 确定 <Subject N>(习语甲):主体定义已经给了绑定——<Subject 1> 绑定 npc 立绘、 <Subject 2> 绑定 player 立绘。写作时在 subject_definitions 里把立绘作为外观来源声明 (序号内联写法 + 从"场景设定"里提取的具体特征),后续字段沿用同一标签,不重新定义。
  5. 逐条预检 note(§0.5.2):把每份素材的 note 记进约束表,标记可用/不可用。上面例子里 scene 带水印且菜单内无清洗版 → 必需 + 不可用 + 无替代 → 按 §0.5.8 出阻塞报告,而不是出 Prompt。
  6. 核对素材总量(§0.5.9):超过 12 文件先告知调用方再定裁剪,不静默裁。
  7. 提取意图与对白:从"要拍的意图"提取动作与台词;先逐句判台词来源选标点口径(§0.5.5), 再进 <d>(习语甲)或窗内台词(习语乙),V 口径一字一标点不动,R 口径标准化加终止符。
  8. 输出形状:若输入给了 {"prompt": ..., "references": [...]} 形状要求,references 只放 可用的素材 id(不可用的标 excluded 单列,不混进去);有素材阻塞时按 §0.5.8 报阻塞。

关键区别:自由文本 brief 里"参考图"是描述,可以按需理解;生产输入菜单里的 id/role/note 是事实和约束,必须逐字遵守。 立绘绑定规则说"立绘只用来定义人物、不另起 Picture 条目"就 照做,不要因为"想多给模型一张图"就擅自加 <Picture 2>;反过来,若输入明确要求某个立绘 独立成 Picture 条目,也按输入走(输入显式约定 > 本节默认)。


1. Step 0:信息收集(带优先级)

按以下顺序收集,缺失且无法合理推断的,一次性列全反问,不要挤牙膏(反问按 §10.1 的五要素组织):

优先级 1(不变量与事件,必须锁定):

  • 有没有参考素材?分别是图/视频/音频,各多少个?—— 决定走哪种模式;顺带核对总数是否触及 §0.5.9 的 12 文件上限
  • 核心主体是谁/是什么(人物身份特征、产品外观特征)
  • 核心动作/事件顺序是什么;是否为分镜类需求(连续情节 + 按时间切分 → §0.2 判习语乙)
  • 若有多个参考素材:每个素材各自负责锁定什么(外观/动作/风格/音色),不能让素材"裸奔"堆叠
  • 逐条提取素材 note 的禁止/替换/版本要求(见 §0.5.1 第 7 项)

优先级 2(时长与结构):

  • 期望时长(4-15秒,A 级官方规格:README.md:73)
  • 是单镜头还是需要分镜(习语甲多个 [Shot N] / 习语乙时间窗)

优先级 3(质感,最后补):

  • 情绪基调、运镜偏好、光影氛围
  • 是否需要对白/歌唱、语言是什么、每句台词是用户提供还是要复用参考音频(决定标点口径 V/R)
  • 音乐风格偏好,或明确不需要音乐/环境声

能从上下文合理推断的直接采用并注明"按 X 理解";只有推断会显著改变结果时才反问。核心主体 未知(比如"开箱视频"但完全没说是哪个手办)按 §0.5.4 / §10.1 优先反问,不要替用户编造主体的 外观。


2. Step 1:5 种模式判断决策树

有参考素材吗?
├─ 没有 → T2VA(纯文本原创场景)
└─ 有 → 素材构成是什么?(先核总量 ≤ 12 文件,超限走 §0.5.9 先问后裁)
    ├─ 仅 1 张首帧图 → I2VA
    ├─ 首尾各 1 张图,描述中间过渡 → FL2VA
    ├─ 仅 1 张尾帧图,需要反推之前发生了什么 → L2VA
    └─ 多素材身份/风格锁定
       (最多9图+3视频+3音频且合计≤12,或素材本身承担"定义可复用主体/编辑源视频/音色参考"
        等结构化角色,而不只是"起止帧锚点")→ Ref2VA

易错判断(对应 knowhow §6 / benchmark D6"首尾帧模式与全参考模式混用"):

  • 首尾各一张图 ≠ 自动等于 Ref2VA。如果两张图纯粹是"起点画面"和"终点画面",中间只是过渡动画, 用 FL2VA;只有当参考素材需要被拆成多个可复用主体、且要求跨镜头一致性追踪时,才升级到 Ref2VA。
  • 3 张不同角度的同一产品图 = 同一个 <Subject N> 的多个来源图,不要拆成 3 个不同主体 (对应 TS-06 的判分点;官方依据 ref-en.txt:48 "One subject may be defined by multiple reference assets")。
  • 用户说"给我做个视频"这种完全无参考、无场景描述的极简请求,不要臆造一个具体场景直接写, 先反问(见 §10.1 边界情况)。
  • 生产输入菜单 + 主体定义 + 立绘绑定规则 → Ref2VA(scene/npc/player 多素材 + 主体绑定 + 跨镜头一致性要求),不要降级当 I2VA/单图处理。
  • 道具类参考(一把壶、一块表、一双鞋)也走 <Subject N>——objects 属于可复用可见内容 (ref-en.txt:43),不要发明 object 类标签(官方四标签之外无此词法)。

3. Step 2:基础模式(T2VA / I2VA / FL2VA / L2VA)结构模板【习语甲】

3.1 Part One:模式专属的起始指令行(逐字模板,来自官方 base-en.txt)

  • T2VA:无指令行,直接从三字段开始。
  • I2VA(固定句式,N 恒为 1、[Shot 1] 恒为 1,因为只有一张首帧图): For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.
  • FL2VA(N 是首尾图各自所在的实际镜头号,S.SS 是尾帧对应的精确到两位小数的时刻): How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video.
  • L2VA(N 是最后一个镜头号,S.SS 是有效视频时长): How the reference pictures align with the target video — <Picture 1> (from [Shot N]) aligns with the S.SS-second mark of the target video. 指令行必须是整段提示词的第一行,后面空一行再接三字段。

硬规则(round 2 新增,round 1 实测踩过的坑,v0.3.0 继续执行):上面模板里的 N / S.SS 是要你替换成本场景具体数值的占位符,交付的最终提示词里绝对不能原样留下字面的 "Shot N" / "S.SS-second mark" 这类未解析文本——round 1 在 FL2VA/L2VA 两个场景里都真实犯过这个错误 (把模板照抄进最终输出,没有替换成具体镜头号和具体秒数),交付前必须自查一遍指令行是否已经 全部替换成实际数字。例:15 秒单镜头 FL2VA 的正确指令行是 Picture 2 (from Shot 1) aligns with the 15.00-second mark of the target video., 不是 Picture 2 (from Shot N) aligns with the S.SS-second mark...。这条属于 §0.5.7 机械验收 清单第 11 项,每次交付前过一遍。

3.2 Part Two:三字段(顺序固定)

integrated_multimodal_description: [Shot 1] <风格声明>,<画面/动作/对白/同步音沿时间线展开>...

overall_soundscape: <环境声/动作触发音/非语言人声,1-4句连续段落>

non_diegetic_music: <角色听不到、只有观众听到的配乐,1-3句,聚焦配器/节奏/力度变化>

3.3 各模式推荐结构(内容组织,非字段本身)

模式 推荐展开结构
T2VA 直接按时间线构建完整时间线,细节需与用户意图保持一致
I2VA 首帧锚定(还原 Picture 1 的主体/构图/场景)→ 动作起势 → 连续展开 → 结果/反应
FL2VA 首帧状态 → 可观察的中间变化 → 差异逐步收窄 → 尾帧状态;优先单镜头,模型据此在首尾帧间插值;仅在用户明确要求时才拆多镜头;末尾必须落到尾帧
L2VA 合理的前置状态(自行反推)→ 明确的动作与过渡路径 → 末镜头逐步收敛 → 落到尾帧画面

3.4 基础模式同样有资产层义务(v0.4.0 迭代 2 增补)

两层模型(§0.6.1)不只在 Ref2VA 场景适用:I2VA / FL2VA / L2VA 只要用到了参考图,交付物里也要给 一行资产层清单(素材 id、原 url 一字不改、落位标签 <Picture N>)。输入未携带 url 时显式 标 url 待补(输入 JSON 未携带该字段) 并在中文说明里注明待补原因——不要因为"模式简单" 就整段省掉资产层,也不得不改链地把 url 留空了事。


4. Step 3:Ref2VA 全参考模式六字段结构【习语甲】

顺序固定:subject_definitions → summary → retention_analysis → detailed_description → overall_soundscape → non_diegetic_music。

4.1 subject_definitions —— 四种标签

标签 含义 使用时机
<Subject N> 可复用的可见内容(人/动物/物体/场景/服装/道具/风格/动作/表情) 参考素材里会被实际用到目标视频中的内容单元
<Picture N> 参考图作为具体目标帧或分镜锚点 仅当该图本身就是某镜头的首帧/关键帧/尾帧/构图锚点时才单独立项;如果一张图只是用来定义某个 Subject 的外观,不单独立项,在该 Subject 定义里以序号内联引用来源即可(ref-en.txt:68)
<Video N> 参考视频提供剪辑源/续接起点/整体节奏结构 用于"编辑原视频""从原视频结尾续接""复用原视频运镜/剪辑节奏"这类整段视频层面的关系
<Audio N> 被复制或引用的音频信号 复用/引用配乐风格、音色、对白台词、音效、节奏时使用

一个 Subject 可以由多个素材共同定义(如"外观来自 Picture 1,动作来自 Video 1"); 一段素材也可以提供多个 Subject(ref-en.txt:48)。 每个标签定义后,在后续所有字段里含义保持不变,不要重新定义。 [v0.5.0 round 2 增补] 非可见内容不得立为 <Subject N>:Subject 的官方定义是"可复用的可见 内容"(ref-en.txt:26);剪辑节奏、镜头切换方式、氛围这类非可见属性由 <Video N> 承担并在 retention_analysis 标 weak_reference,不要为它们自造一个 Subject(v4 round 1 在 TS-13 真实犯过:<Subject 4> is the editing rhythm… 属官方外概念,且挤掉了 retention 里应有的 <Video 1> 行)。同理,凡进资产层的 <Audio N>/<Video N> 必须在正文层有自己的定义句被认领, 不能只躺在资产层元数据里(幽灵素材,v4 round 1 在 TS-18 真实犯过)。

<Subject 1> is the young woman in <Picture 1>, with long dark hair, a blue cardigan, and a thin silver necklace.

硬规则(round 2 新增,v0.3.0 继续执行):人物类 Subject 不能只写"如素材所示"这类空泛 描述(round 1 曾把代言人/舞者写成"with their face, hairstyle, and build as shown in the clip"——字段是有内容,但没有任何一条具体可辨识特征,等于把辨认工作甩给读者,命中 D1 tier 4 "内容单薄")。必须像对待产品一样,指名 2-3 条具体可辨识特征(发色/发长/发型、服装颜色和款式、 体态/五官特征、随身饰品),例如"a woman with straight shoulder-length black hair, a defined jawline, and a fitted charcoal-grey blazer"。产品类 Subject 同理,如果画面里有品牌标识,要点名 标识的位置/角度(如"logo 蚀刻在表盘右下角"),因为 retention_analysis 要能对应到这些具体特征, 而不是重复一遍"保持一致"这种没有信息量的话。

生产输入格式下的绑定写法(v0.4.0 改为官方式序号内联引用):<Subject N> 直接绑定立绘时, 用立绘做外观来源声明 + 从文字设定提取的具体特征,例如"<Subject 1> is the mysterious woman in flowing white ancient robes with a delicate, unnaturally pale face, as established in <Picture 2>."——既点名了具体特征,又用序号标签声明了来源是哪张立绘(依据 ref-en.txt:37 "cite it inside" + :313 官方范例文风;不建议再用 "as established in the NPC portrait" 这类文字指代,见 §0.6.1)。

4.2 summary —— 方括号任务类型前缀 + 一段话概述

任务类型(可用 + 组合,不重复同一类型):

类型 使用时机
keyframe completion 图像作为目标视频的首帧/关键帧/尾帧/编辑后关键帧等具体帧锚点
reference generation 图/视频/音频提供角色/场景/风格/动作/运镜/分镜等生成指导,不作为具体帧或被剪辑/续接的源视频
video editing 直接修改一段已有源视频(编辑静态图或在关键帧之间生成不算)
video continuation 从已有源视频续接/延伸/恢复/过渡出新内容
audio reuse 同一段音频信号被全部或部分复用
audio reference 不直接复制音频信号,只引用其音乐风格/音色/对白歌词内容/音效质感/节奏/连续性
[reference generation + audio reference] The target video shows <Subject 1> ...

仅在编辑源视频时,紧跟任务类型前缀写:The target video is an edited version of <Video 1>.

4.3 retention_analysis —— 每个标签一行,标注关系标记

视觉类(<Subject N> / <Picture N> / <Video N>): fully_preserved(完整保留)/ partially_preserved(部分特征改变或只部分保留)/ attribute_transfer(特征转移到另一个可识别主体)/ weak_reference(仅保留风格/类别/构图/氛围层面的粗略相似)

音频类(<Audio N>): fully_copy(完整源音频作为目标视频完整最终音轨)/ partially_copy(只复制部分时间线或部分音轨层,或复制后增删替换了其他声音)/ reference(不直接复制信号,只引用音色/节奏/风格/对白内容/音效质感)/ weak_reference(仅保留类别/氛围层面的粗略相似)

<Subject 1> (appears in [Shot 1], [Shot 3]): fully_preserved - the woman's long dark hair, blue cardigan, and silver necklace are retained.

关系标记只能在该标签已在 subject_definitions 里定义的角色范围内选,不要把目标视频里 新增的动作/背景/剧情事件当成"参考保真度的损失"(ref-en.txt:207)。(Sx) 不要出现在 retention_analysis 里(ref-en.txt:278)。

4.4 detailed_description —— 主体正文

  • 开头 1-2 句英文声明整体风格(对应基础模式"[Shot 1] 开头声明风格",Ref2VA 挪到 [Shot 1] 之前)
  • [Shot 1] 无时间戳,后续镜头 [Shot N] At MM:SS.mmm, ...
  • 运镜写成自然英文动作短语,含类型+幅度+速度(见 §5)
  • 重要 <Subject N> 首次清晰出现时描述其被引用的特征/画面位置/当前动作,后续镜头沿用同一标签 不重新定义(ref-en.txt:246)
  • 具体帧锚点用自然短语:the shot begins from <Picture 1> / the shot's keyframe corresponds to <Picture 2> / the shot ends on <Picture 3>
  • 生成类任务通常 350-500 英文词;对白密集内容优先保证完整对白时间线而非硬凑字数;编辑类描述随源视频复杂度伸缩
  • 语音来源规则(官方逐字,ref-en.txt:278 末句):"Verbal cues that exist only within a directly reused BGM or complete soundtrack use <Audio N>; voices physically produced by a concrete person, character, narrator, or other independent vocal source use (Sx)."

4.5 overall_soundscape / non_diegetic_music

与基础模式规则相同(见 §7),只是这里可能需要引用 <Audio N> 的复用/引用关系——环境声层的引用写进 overall_soundscape,观众专属配乐层的引用写进 non_diegetic_music,同一段音频若两层都提供, 分别在两个字段各写一句。


5. Step 4:镜头语言总表

5.1 运镜三维度:类型 + 幅度 + 速度

类型 说明
Zoom In / Zoom Out 焦距变化,机身不动
Push In / Pull Out 机身前后移动
Pan Left / Pan Right 机位不动,镜头水平摇摆
Truck Left / Truck Right 机身水平平移
Tilt Up / Tilt Down 机位不动,镜头垂直摆动
Pedestal Up / Pedestal Down 整机身垂直升降
Arc Shot 环绕主体做弧形运动
Tracking Shot 跟随移动主体
Static Shot 机位镜头均静止
Shake Slightly / Shake Strongly 轻微/强烈晃动
POV 主体第一视角
Roll Clockwise / Roll Counterclockwise 绕镜头轴顺/逆时针滚转

幅度:with small amplitude / with large amplitude;速度:at slow speed / at fast speed。 幅度与速度是两个独立维度,中等幅度+正常速度通常省略不写;只在有意义时添加。 运镜写成句子里的自然英文动作,不要在句末堆砌标签:

The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.

同一镜头内不要塞进矛盾的主导运镜(如"推进"又"环绕",或"static shot with small amplitude shake"这种自相矛盾的写法)——需要两种运镜时拆成多个 [Shot N] 分别处理,或者明确取舍只留一个 主导运镜。static 与 shake 语义矛盾时,改成明确的一种:机位锁死就写 The camera remains locked off;要抖动就写 The camera shakes slightly while maintaining the same framing。

[v0.5.0 增补] 每窗/每镜首行显式机位或主导运镜(判据 #41):不得只隐含在画面描述里。 习语乙为 A 同型(官方六窗首行全是 景别/机位 字段:co-op:51/:75/:86/:102/:111/:122); 习语甲为 B 级内部规范(相邻官方条款为运镜三维度 base-en.txt:94-96 与逐秒制五要素中的 Camera movement shot-table-spec.md:25,无逐字「首行必须」条款,对外不得写成官方规则)。 官方运镜词表(push/pull/pan/tilt/handheld-shake/locked/orbit,A:shot-table-spec.md:25)可作参照。

5.2 分镜与转场

  • 首镜头 [Shot 1] 不加时间戳;后续镜头用递增的镜头号 + 严格递增、落在视频时长内的切入时刻:[Shot 2] At 00:03.500, the camera cuts to...
  • 常规转场用词:the camera cuts to / the shot cuts to / the shot transitions to / the shot changes to / the shot switches to;用户明确要求时才用 cross-dissolve / fade / wipe
  • 切镜必须带来主体/空间/状态/视角/时间上的新信息;只是距离或角度微调时优先用运镜而非切镜
  • 多镜头之间的时间戳必须连续衔接,不留重叠或空隙(knowhow §6 新增错误)
  • [v0.5.0 习语乙注] 转场见 §0.4.2 末段(官方无独立转场字段,不得硬切,不要求每窗写转场)

5.3 物理与镜头一致性检查(v0.3.0 新增,对应七步工作流第六步 / benchmark D6)

写作过程中和写完后,逐项自查这六条。注意出处分级:第 1/4/5/6 条方向与官方条款一致或属 机械结构检查;第 2、3 条是我方内部增强检查项(官方只有相邻条款,没有逐字的连续性规定), 对外表述一律不得写成官方规则:

# 检查 出处分级
1 "唯一光源"是否真的唯一:文字设定说唯一光源,画面里就不能同时出现第二个发光源(参考图里有蜡烛 → 按 §0.5.3 最小改动写明"蜡烛未点燃",不能油灯+蜡烛都亮) 输入冲突解决,内部规范(七步工作流第三步优先级表)
2 人物出场过程:重要主体首次清晰出现时描述画面位置与当前动作(这一半是 A 级:ref-en.txt:246 "describe its referenced characteristics, position in the frame, and current action within what is actually visible in the shot");镜头间移动要有过渡交代、不得凭空换位(这一半是内部推演/内部增强,benchmark_v2 D6 延续,非官方逐字条款) A + B(逐半标注)
3 道具跨镜头连续:同一道具的位置与状态不得无交代跳变。这是内部增强检查(官方仅有相邻一致性语句 base-en.txt:54 与 Ref2VA 保框架条款 ref-en.txt:165-170,没有跨镜头连续性的逐字条款),对外不得写成官方规则 B(内部规范)
4 运镜是否互相冲突:见 §5.1 —— 单镜头主导运镜唯一,static/shake/push/pan 不混在同一镜头 官方条款相邻原则 + 内部整理
5 summary / retention_analysis / detailed_description 讲的是不是同一件事:三个字段不能各说各的——summary 说"展示手表",retention 说"保留表盘 logo",detailed 里就不能让手表消失 机械一致性检查
6 Shot 编号与切镜时间是否连续合理:镜头号严格递增;时间戳不重叠、无间隙、落在总时长内 官方 timing notation 纪律

6. Step 5:说话人 / 对白 / 可见文字语法【习语甲;习语乙按 §0.4.7 分轨】

6.1 说话人 ID 分配(官方逐字,v0.4.0 补行号出处)

base-en.txt:127 逐字:

"Subjects who speak, sing, or produce an off-screen human voice use stable IDs such as (S1) and (S2). When multiple already-numbered speakers speak or sing together, use a compound ID such as (S1,S2). A speaker keeps the same ID across shots; characters who never vocalize receive no speaker ID."

落成操作规则:

  • (Sx) 按目标视频中实际发声事件顺序分配一次,随后跨镜头保持同一 ID,永不重号/交换;
  • 多个已编号说话人齐声/合唱用复合 ID 如 (S1,S2);
  • 从不发声的角色不获得说话人 ID(路过的邻居大爷没有 (S3));
  • (Sx) 写进 detailed_description(与 Speaker 定位语),不写入 retention_analysis (ref-en.txt:278);
  • subject 发声时写作 <Subject N> (Sx);同一主体画外发声时保持同一形式并标记 off-screen (ref-en.txt:266 逐字:"<Subject N> identifies the referenced subject, while (Sx) identifies the actual speaker. When the subject speaks, write <Subject N> (Sx). If the same subject speaks off-screen, keep the same form and mark it as off-screen. When the speaker does not correspond to a defined subject, use a stable voice description followed by (Sx).")。

6.2 音频素材的 Audio N 锚定与 speaker 绑定(官方逐字,出处 ref-en.txt:92-118 区段)

  • <Audio N> 代表独立音频资产,或参考视频中启用的同步音轨(ref-en.txt:92);
  • 当 <Audio N> 显式对应某个目标说话人时,复用该说话人的全局 ID,在音频定义里写 <Subject N> (Sx)(对应到已定义主体时),否则用稳定的声音描述 + (Sx);ID 来自目标视频的 全局说话人顺序,不在音频定义处独立重新编号(ref-en.txt:100 逐字): "When an <Audio N> explicitly corresponds to a target speaker, reuse that speaker's global ID in the definition: write <Subject N> (Sx) when the speaker maps to a defined subject, or use a stable voice description followed by (Sx) otherwise. The ID comes from the target video's global speaker order and is not independently assigned or renumbered in the audio definition."
  • <Video N> 与 <Audio N> 独立计数(ref-en.txt:110 逐字):"<Video N> and <Audio N> are numbered independently. Each index indicates only the label's order within its own category and does not encode a pairing between the two categories." —— 序号不在两类之间配对;
  • 普通参考视频不因文件含声而自动产生 <Audio N>(ref-en.txt:112): "An ordinary reference video does not create <Audio N> merely because the file contains sound."

绑定写法示例(把 ref-en.txt:100 的绑定形式落成定义句——对应关系必须内联写进正文层的 <Audio N> 定义句,只把它放进资产层元数据或交付说明不算完成绑定,机械验收不过):

<Subject 1> is the male rapper in <Video 1>, with short bleached hair and an oversized bomber jacket.
<Audio 1> is the voice-timbre reference for <Subject 1> (S1), providing his raspy mid-register rap timbre.
<Audio 2> is a layered female harmony reference for (S2), a bright airy backing voice that never appears on screen.

要点:绑定了已定义主体的用 <Subject N> (Sx);没有对应在场主体的(如画外和声)用稳定声音描述 + (Sx);两处 (Sx) 都沿用目标视频全局顺序,不在音频定义里重新编号。 [v0.5.0 习语乙注] 音频素材在习语乙的落位见 §0.4.4;不得硬造 <Audio N> 记号然后弃之不用。

6.3 对白格式与标点双口径(v0.4.0 升级,与 §0.5.5 同一条款)

  • 每句对白必须用 <d>[Language] 原始台词</d> 包裹(习语甲硬判据);<d> 内只放语言标签 + 台词; 说话方式 / 音色 / 动作永远写在 <d> 外。基础写法: The young woman with a quiet, breathy voice (S1) says: <d>[English] I get off at the next station.</d>
  • 先判台词来源,再选用两条官方口径之一(完整判定顺序与反向约束见 §0.5.5):
    • 口径 V(用户本次直接提供):base-en.txt:129 —— 原句没有句号就不加句号,原句带感叹号就 保留感叹号,不补省略号,也不统一大小写或顺手"规范化书写"。
    • 口径 R(从参考音频直接复用 / 输入明确要求 reperformance):ref-en.txt:274 "When dialogue, narration, or lyrics from reference audio are directly reused, or when the input prompt explicitly requests their reperformance, preserve the exact source words and original language inside <d>. Write [unclear] for unintelligible spans instead of guessing or paraphrasing them. Standardize punctuation to the basic written marks needed to express the sentence, such as ,, ., ?, and !; remove repeated tildes, emoji, bullets, and repeated or decorative punctuation. End complete statements, questions, and exclamations with ., ?, or ! respectively before </d>." —— 源词与原语言仍逐字,但波浪号/emoji/颜文字/重复感叹号清掉, 陈述/疑问/感叹分别在 </d> 前补 ./?/!。
    • 两类来源混在同一条产出里时逐句适用各自口径;来源不明默认按 V 处理并在交付说明注明。
  • 画外音固定用语 says in an off-screen voiceover,紧跟其后必须声明对应角色"嘴唇保持闭合" (官方逐字,base-en.txt:136 + L139 示例): "For voiceover, use the exact phrase says in an off-screen voiceover. Immediately after every voiceover <d> block, state that the corresponding on-screen character's lips remain closed:" The man (S1) says in an off-screen voiceover: <d>[English] I still remember that road.</d> while his lips remain completely closed. 同一主体再次以画外音发声时保留同一形式并标记 off-screen(ref-en.txt:266)。
  • 固定短语必须逐字相邻出现,不得插语打断(round 实测踩过的坑):官方要求 "use the exact phrase", 意思是 says in an off-screen voiceover 七个词原样连续。写成 "...says the following aloud without ever opening his mouth in an off-screen voiceover..." 属违规——说明性内容插进了短语中间。唇部闭合声明放在 </d> 之后("...while his lips remain completely closed"),补充的动作/音色描写写在 <d> 外的句子里,但短语本身必须完整。
  • 同一句台词/歌词跨越切镜时,在两段衔接处都用 <scenetrans> 并声明音频跨切镜连续;视频结尾被截断的台词用 <cutoff>
  • 画面里真实可见的招牌/标语/字幕/霓虹字样用英文双引号,原文原样保留不翻译:A red neon sign reading "营业中" glows above the doorway.(注意:这一类是可见文字,保持原样,包括用户给的标点——它同样受口径 V 保真约束)
  • Ref2VA 里主体本人说话写 <Subject N> (Sx);(Sx) 只在实际发声的目标视频里按出现顺序分配一次,后续复用,不在 retention_analysis 里出现
  • [v0.5.0 习语乙注] <d> 包裹 / (Sx) / 画外音英文短语在习语乙下均非硬判据(§0.4.7), 台词逐字保真与"画外 + 唇部闭合"的语义要求照常成立

7. Step 6:声音设计规则(比初版更精确,含官方原文的例外条件)

不可省略四项:对白具体内容、环境声类型、背景音乐风格、音效/卡点位置——声音是和画面平级的独立轨道,不能只写"有一些环境音"这类笼统描述。

overall_soundscape 的 N/A 使用条件(比 knowhow 更精确,来自官方原文): 只有当用户明确要求全程完全静音时才写 N/A;正常情况下即使环境声很轻微,也要具体描述 (如"轻微的室内环境底噪"),不能因为"没什么特别的声音"就直接标 N/A——这是 v0.2.0 用原文纠正 knowhow §5 转述里"倾向于都用 N/A 声明"的过度泛化,v0.3.0 沿用。 [v0.5.0 习语乙注] 习语乙的声音内容写在窗内(A 行为先例:co-op 六窗「声音:」字段), N/A 精确条件照常适用。

non_diegetic_music 的 N/A 使用条件:没有配乐时必须显式写 N/A,不能留空/不提该字段—— 留空会被模型理解为"自由发挥"(这条与 knowhow §5 一致,予以保留)。

对白/歌唱/角色能听到的画面内音乐属于 integrated_multimodal_description / detailed_description 的同步音,不要重复写进 overall_soundscape。


8. Step 7:具体性规范(光影/材质/氛围三问法)

任何光影、材质、氛围描述必须能回答:光从哪来?打在什么地方?造成什么视觉效果?

空词黑名单(不要用来代替具体描述):高清 / 8K / 大师级 / 超写实 / 电影感 / 精致 / 高级感 / 震撼 / cinematic(作为孤立形容词堆砌时)/ beautiful / high quality。 ——"cinematic"作为风格声明词(如"Live-action, cinematic")是官方示例里认可的用法, 但不能单独堆砌替代具体的光源/位置/效果描述,这是两回事,不要混淆。

正面范例(来自 morphic.com/zh 库,具体到光源+位置+效果):

  • "玻璃结着水汽…色彩整体压低,只留一处琥珀"
  • "钠灯下…几乎只靠一盏橙色钠灯照明"
  • "地面白得过曝、天空硬蓝、太阳正上方几乎没影子"

用户给的元指令("越震撼越好""要有科技感""高大上")也按这条处理:转译成具体的光影/运镜/材质 选择,不要照抄进最终提示词(对应 §0.5.4 与 knowhow §6)。

多镜头给定完整故事情节时,分镜不改写情节走向(不新增动机/结局/关系变化),台词保持原语言逐字 ——这一条属内部收口标准(官方只有相邻条款 base-en.txt:172 "细节须与用户意图一致" 和 ref-en.txt:207 别把新增情节当保真损失),不是官方逐字条款,汇报时如实标级(内部规范 B/C)。 习语乙下同一条适用于窗口合并/压缩(§0.4.6 第 6 条):六段情节事件全部保留、只做时长重分配。


9. Step 8:常见错误自查清单(合并版)

v0.2.0 原有条目(15 条,全部保留):

  1. 质量堆砌词代替具体描述
  2. 单镜头内塞入矛盾运镜
  3. 假装读过飞书标杆文档/假装已对齐标杆水平
  4. 越级管理/派单(不适用于提示词产出本身,属于身份层规则)
  5. 留占位符或"请在此处填写"
  6. 信息严重不足时未一次性问全
  7. 不虚报质量已达标杆水平
  8. 用元指令代替具体描述("高质量""越震撼越好""帮我改进一下")——inreels.ai/fal.ai
  9. 多个参考素材未分别声明各自职责就堆叠使用——fal.ai/imagine.art
  10. 多镜头时间戳重叠或有间隙——inreels.ai
  11. 单镜头短于 1.5 秒(第三方经验总结,非官方原文明确限制,谨慎适用)——inreels.ai
  12. 首尾帧模式(FL2VA/L2VA)与全参考模式(Ref2VA)字段结构混用——imagine.art
  13. 声音部分留空/省略,或该具体的地方用了不恰当的 N/A(见 §7 精确条件)——ai-indeed.com + 官方原文核实
  14. I2VA/FL2VA/L2VA 起始指令行里的 Shot N / S.SS 是否已替换成本场景具体数值(见 §3.1 硬规则)
  15. Ref2VA 的人物类 Subject 是否给出了具体可辨识特征,而不是"如素材所示"这类空泛描述(见 §4.1 硬规则)

v0.3.0 新增(来自 feedback_eval 七步工作流):

  1. [v0.4.0 改述] 对白是否按来源选对了标点口径:用户提供的台词逐字逐标点(V);从参考 音频复用或要求 reperformance 的台词做标准化清理 + 终止符(R);无全局统一标点禁令,禁止 把两种口径混用在同一句台词上(见 §0.5.5 / §6.3)
  2. 素材 note 是否逐项预检:带水印/必须替换/不要使用的素材是否被识别;必需且无替代的是否 报告阻塞,而不是静默引用(见 §0.5.2)
  3. 输入冲突是否已按优先级解决:唯一光源真的唯一;冲突用最小改动(见 §0.5.3)
  4. 是否添加了未经授权的剧情结果:角色拒绝/服从/离开/恐惧等高风险推断无依据不得加(见 §0.5.4)

v0.4.0 新增(对应 benchmark_v3 C1/C2/C3):

  1. 资产层 / 正文层两层是否分离干净:每条素材原 url 进资产层且未改链;数组顺序 = 菜单顺序 = 自动编号顺序;url 没有漏进正文文本;正文层只用了官方四标签与 (Sx),无 object/background 等官方外编号词法;无幽灵编号(每条资产至少被独立 Picture 条目或 Subject 内联引用认领一次)
  2. 素材总量是否在 §0.5.9 上限内(≤12 文件);超限是否已先告知调用方再行动,而不是静默裁剪
  3. 出处纪律:内部规范/内部推演的判据(JSON 通道可解析性、人物入场不得凭空现身、道具跨镜 连续、幽灵编号禁令、标点判定顺序)在交付说明里不被表述为官方规则;官方引用都带得上行号的 才标 A 级

v0.5.0 新增(对应 benchmark_v4 C4-C8):

  1. 习语判定是否做在第一步:分镜类需求(连续情节 + 按时间切分)走习语乙时间窗散文、 英文结构化需求走习语甲;两者都不满足沿五模式默认习语甲。不得把习语甲的「正文必须英文」 套到习语乙交付上(§0.2 / §0.3)
  2. 非锚点参考图是否被写成秒级/时间窗对齐:非锚点图零秒锚(A 反证),分镜草稿图写窗口映射 (§0.4.4);写成「对齐到第 X 秒」= 形态误判级违规
  3. UI 选项集合是否 = 输入给定集合:不自创菜单项、无随机字母、无拼错用户名(A:co-op:133); 中英并列是否沿用输入事实、有没有把 master 形态误述成官方条款(§0.4.5)
  4. 窗边界与时长四查:相邻窗无缝隙(A)、无重叠(A 相邻)、各窗之和 = 总时长(C)、首窗从 0s 开始(C);正文无独立时长指令行、交付说明注明 duration_seconds、超范围/冲突已显式说明 (§0.4.3 / §0.4.6);#3/#4 对外表述保持 C 级标注(出处纪律延伸)

自查顺序:⓪ 判习语(第 23 条)→ ① 素材总量(第 21 条)与预检阻塞(第 17 条)→ ② 冲突与扩写边界(第 18/19 条)→ ③ 对白逐句判口径并逐字/标准化(第 16 条)→ ④ 主导运镜是否 唯一、每窗/每镜首行是否显式声明机位 → ⑤ 该习语/模式必需结构是否全部出现且具体(含指令行数值 是否已解析、人物 Subject 是否具体可辨识、习语乙每窗三要素是否齐备)→ ⑥ 声音四项是否都处理 (含 N/A 精确用法)→ ⑦ 光影是否通过三问法 → ⑧ 参考素材是否都声明了职责并被认领 → ⑨ 时间戳/ 窗边界是否连续(第 26 条)→ ⑩ 是否有质量堆砌词/元指令残留 → ⑪ 机械验收清单 15 项(含两层 分离、词法、幽灵编号、窗边界、时长、UI 四禁令)→ ⑫ 出处纪律(第 22/25/26 条)。


10. Step 9:边界情况处理

10.1 信息严重不足(v0.5.0 升级:反问按 CL1-CL5 五要素组织,反问清单是有实体评分的交付物)

一次性列出全部缺失关键信息反问,不臆造具体场景往下写。反问件按下面五要素组织 (与评分基准 clarify 轨 CL1-CL5 对应,等级 C 构造性设计,我方训练约定):

要素 内容
CL1 缺失项一次问全(30) 一次性列出全部缺失关键信息:主体是什么、所处场景、核心动作/情节段落、情绪基调、期望时长(4-15 秒,A:README.md:73)、是否有参考素材(有的话是图/视频/音频、各自负责什么)、有无对白及其语言;不挤牙膏。漏问任一会改变产出形态的关键项(如主体)→ 该项不合格;把不改变结果的可推断项也拿去问(过度反问)→ 同样扣分
CL2 零臆造(25) 不编造具体主体/场景/剧情往下写、不产出「看似合规」的 Prompt 假装完成;替用户编造主体外观属越权(§0.5.4);带出半成品 Prompt → 该项不合格并按 D8 并行扣分
CL3 分支预判(15) 反问时预判各答案分支会走的模式与习语(如"有情节+要分镜→习语乙时间窗;要英文结构化→习语甲;有参考素材→Ref2VA",并预告各自的交付形态),为追问后快速续跑做准备;完全不预判 → 该项不合格
CL4 已知信息锁定 + 低风险推定显式标注(15) 已知信息(时长/类型/基调)被明确锁定复述;仅对不改变主体事实的低风险参数(时长/基调)在显式标注假设的前提下自行推定,不把推定混进反问
CL5 通道与格式(15) 不伪造看似合规的 JSON 交付;schema 无反问通道时明确说明信息不足;说明层与产出层分离干净

核心主体未知时(如"开箱视频"但没说开哪个手办)同此处理——主体是视频的核心内容,替用户 编造主体的外观属于越权(§0.5.4);只有时长/情绪基调这类不改变主体事实的低风险参数可以在明确 标注假设的前提下自行推定。 反问时可以附带"如果你有参考素材,我会走 xx 模式;如果纯文字描述,会走 T2VA"这类预判(这就是 CL3),但不要在用户回复前先斩后奏写出一版。

10.2 矛盾指令(如"镜头要一直推进,但同时环绕主体转一圈")

识别出矛盾后两种处理方式二选一,并在交付说明里写清楚选了哪种、为什么:

  • 拆成多个 [Shot N],第一镜头推进、第二镜头环绕,各自完整成立
  • 或判断哪个更贴近用户核心意图,取一个主导运镜,在说明里注明"另一个指令因物理矛盾未采用" 不要原样把两个矛盾运镜塞进同一句话里,模型无法执行。 用户话里附带的"8K电影感""越震撼越好"等元指令/空词,按 §8 直接转译为具体描述,不要照抄进最终提示词。 注意:矛盾指令场景下"主体是谁"往往同样缺失——它和运镜取舍都是会改变产出的关键项, 反问时一次问全(CL1),不要只问运镜漏了主体。

10.3 素材阻塞(生产级)

当 §0.5.2 判定"必需素材不可用且无替代"时,走 §0.5.8 的阻塞交付形态:停止生成正式 Prompt, 按调用方允许的错误格式报告缺失替代素材(阻塞报告按五要素①-⑤组织);schema 无错误通道时明确 说明"schema 与素材要求不可同时满足",并给出补齐素材后的处理预案(预期 references 顺序 + 每条资产的绑定映射 + 预计模式不变;习语乙分镜类还要给窗式切分预案)。这不是失败,是正确 行为——比静默引用污染素材好得多。


11. 交付清单(v0.5.0 按习语分轨)

  • 最终提示词原文:
    • 习语甲:英文结构字段 + 保留原语言的 <d> 对白/可见文字(§0.3 硬规则)
    • 习语乙:中文时间窗散文 + 每窗三要素 + UI 字符串按 §0.4.5(正文语言跟随用户输入主导语言)
  • 资产层清单(有参考素材时,跨习语必交):references / conditions[] 数组,每条原 url 原样、 顺序 = 菜单顺序;如有素材被判定不可用而阻塞,单独标 excluded,不与可引用素材混列
  • 交付说明(可中文,说明层语言自由):每个关键选择(运镜/光影/节奏/模式判断/习语判定) 对应用户需求里的哪句话;注明本次 duration_seconds 取值(B 级交付要求);如有冲突取舍 或素材阻塞,说明处理方式(§10.2 / §10.3);逐句台词语句适用口径 V 还是 R 也在此注明; 涉及 C 级构造(中英并列 UI、窗之和、首窗 0s、幽灵禁令、master 序号回指)如实标注 C 级, 不得表述为官方条款
  • 如遇 §10 边界情况,先反问(按 §10.1 五要素组织)或先说明处理方式,不要跳过
  • 交付前必须通过 §0.5.7 的 15 项机械验收(习语甲 1-12、习语乙 2-5/7-15 中适用项), 任何一项不过先修复再输出

12. 来源标注

  • 全部字段名/标签/关系标记/指令行模板/示例逐字取自官方原文: raw.githubusercontent.com/MiniMax-AI/MiniMax-H3/main/skills/h3-prompt-writing/{SKILL.md,references/base-en.txt,references/ref-en.txt}; 2026-08-25 Evolver 首次 fetch 全文,2026-08-27 Digester 独立复抓核对 sha256 前 16 位 (base-en 2cfebc096a6e0837、ref-en 1e574f356716ad55、SKILL.md a48f9db1231cebe6), 详见 benchmark_v3.md §〇.2 与 benchmark_v3_revision_notes.md 附录 A。
  • v0.3.0 的七步工作流(§0.5.1-§0.5.8)与生产输入格式处理(§0.6)来自 2026-08-26 真实生产场景 人工评测反馈(conv-mtabpqx9「你出去看看」,6/10),评审给出的「七步工作流」原文见 train/retrain_v2/feedback_eval.md。
  • v0.4.0 增量(2026-08-27,task T-mtb75m8u)六点修订(逐条出处映射见 SKILL_v3.md §12 与 benchmark_v3 §二 C1/C2/C3):两层模型/序号内联引用/幽灵编号禁令(C1)、标点双口径 (C2:base-en.txt:129 / ref-en.txt:274;"来源判定顺序/默认 V" 为 B 级内部规范)、§0.5.7 第 4/5 条 与 §9 第 20-22 条(C1 自检 + 词法 + 素材总闸 README.md:85)、三组判据补官方行号 (base-en.txt:127、ref-en.txt:92-118、base-en.txt:136/:139 + ref-en.txt:266)、 §5.3/§8/§9 显式区分 A/B/C 级。§10.1 未改动(无新证据推翻上轮人工评审结论)。
  • v0.5.0 增量(2026-08-27,task T-mtbrcjd5 / benchmark_v4 §二 C4-C8):
    • §0 整体重写(先判习语)← C4(Innovator R1 拍板);对照表复用 knowhow_v4 §2.3; 习语切换判据 = B 级内部规范(官方无「何时选哪种」条款,knowhow_v4 §4.5 B 级缺口如实登记)
    • §0.4 习语乙交付规范 ← C5(R3:窗边界四条分行标级)/ C6(R4:4–15s A 级 README.md:73 + duration_seconds 不进正文 A 级三脚本实测)/ C7(R2:UI 四禁令 A 级 co-op:133、中英并列 C 级 master 形态)/ C2 习语乙行(<d>/(Sx) 非硬判据 B 级收口;台词逐字保真跨习语硬判据)
    • §0.4.4 / 自查清单第 24 条 非锚点图零秒锚 ← 判据 #29/#30(A 反证 ref-en 0 处 "aligns with"; 窗口映射 A:ref-en.txt:70-73);§5.1/§0.5.6 每窗首行机位 ← 判据 #41(习语乙 A 同型 / 习语甲 B 级)
    • §0.5.8 第 ③ 要素习语乙增补(窗式切分预案)← benchmark_v4 §二 C3 v4 增补第 2 点
    • §10.1 反问五要素(CL1-CL5)← benchmark_v4 §二 C8(L1 写死;CL 量尺 = C 级构造性设计,0 真实先例)
    • §4.1 round 2 增补(本轮训练实测反哺):非可见内容不得立为 <Subject N>(节奏/氛围由 <Video N> + weak_reference 承担)+ 资产层音频/视频必须在正文层有定义句认领(幽灵素材)
    • 篇幅登记:v0.4.0 基底 65,479 B → 本版 88,655 B(+35.4%)。膨胀主因是 C4-C8 带来的 25 条 新判据(§0.4 一节约 10 KB + 清单/交付清单/来源标注约 6 KB)。已按作用域收口:习语乙规范只在 §0.4,其余章节仅留指针(未做全文追加,散落的习语乙注已合并回 §0.4);C4-C8 的 25 条判据 无一可省。下轮若分数反常,本文件长度仍是第一怀疑对象(沿 evolve_v3 §五.5 登记)
    • 本轮未解决登记:conditions[].role 枚举第二信源仍缺、开放平台 schema 未核实、 skills/*/SKILL.cn.md 8 个中文版未抓、飞书标杆文档登录墙未解(knowhow_v4 §11 沿用)
  • 镜头术语可靠性分级、单镜头最短时长等第三方经验性说法标注来源,不与官方原文混淆。
  • 中文实战范例(光影具体性正面样板)来自 morphic.com/zh,未核实原创性,仅作范式参考。