MV Generator — 音乐视频生成管线 Skill

MV Generator — 音乐视频生成管线

MediaClaw 内置的音乐视频端到端生成技能。

触发词

生成MV
MV制作
音乐视频
mv generator
虚拟歌手MV

管线流程

音频文件 + 歌词 + 角色卡
        │
        ▼
┌────────────────────────────┐
│  Step 1: 音频分析            │
│  scripts/audio-analyzer.py  │
│  → 时长、BPM、场景时间线     │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 2: 歌词解析            │
│  scripts/lyrics-parser.py   │
│  → 段落结构、情绪曲线        │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 3: 场景+帧设计         │
│  scripts/scene-design.py    │
│  → 场景类型、运镜、首尾帧prompt │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 4: 帧图像生成          │
│  qingyun gpt-image-1 API    │
│  → 每场景 first+last frame  │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 5: 视频片段生成        │
│  kling-2 / veo-3.1 / etc    │
│  → 首帧→尾帧 5s 视频片段    │
└────────────┬───────────────┘
             │
             ▼
┌────────────────────────────┐
│  Step 6: 最终合成            │
│  FFmpeg merge               │
│  → 音轨对齐+转场+字幕       │
└────────────────────────────┘

输入

| 参数 | 必填 | 说明 | |------|------|------| | audio_file | ✅ | 音频文件路径 (.mp3/.wav/.m4a) | | lyrics | ✅ | 歌词文本 | | character_card | ✅ | 角色卡 JSON（外貌、声音、风格） | | style | ❌ | cinematic / realistic / anime / ethereal | | num_scenes | ❌ | 分镜数（默认 9） | | output_dir | ❌ | 输出目录（默认: MediaClaw/output/<project>/） |

输出目录结构

output/<project-name>/
├── README.md              ← 项目概要 + 时间轴
├── frames/                ← 首尾帧图像
│   ├── 01_first.png
│   ├── 01_last.png
│   └── ...
├── audio/                 ← 音频文件（多版本）
│   └── song_v1.mp3
├── script/                ← MV 剧本
│   ├── mv_final.json      ← 精准时间轴 JSON
│   ├── mv_final.md        ← 人类可读剧本
│   └── character.json     ← 角色卡
├── docs/                  ← 文档和参考素材
│   └── avatar.png
└── video/                 ← 生成的视频片段（Step 5 产出）
    ├── scene_01.mp4
    └── ...

经验总结（来自 Chloe《樱花落尽时》项目）

图像生成最佳实践

| 项目 | 推荐 | 备注 | |------|------|------| | 模型 | qingyun gpt-image-1 | 成功率最高 | | API | /v1/images/generations | 比 edits 更稳定 | | 尺寸 | 1024x1536（竖版） | 必须用规定尺寸 | | 并发 | 2-3 并发 | 过多会 SSL EOF | | 重试 | 失败单独重试 | 不整批重跑 |

角色一致性技巧

统一 prompt prefix: 包含角色核心外貌特征
参考图: 用 edits API 传入角色头像（但成功率低）
场景限定词: 每帧 prompt 固定前缀 + 场景变量

音频同步

用 mutagen 读 MP3 时长（无需 ffprobe）
场景时间按歌曲结构比例分配
BPM 检测需 librosa（可选）

视频模型选择

| 情绪 | 模型 | 场景类型 | |------|------|---------| | ≤ 6.0 | kling-1.6 | 静态/自然/国风 | | 6.0-8.0 | kling-1.6 或 kling-2 | 过渡 | | ≥ 8.0 | kling-2 | 爆发/力量 | | 360°旋转 | veo-3.1 | 特殊运镜 |

依赖

Python: mutagen, requests
外部 API: qingyun (图像), xingjiabi (视频), Google (veo-3.1)
可选: librosa (BPM), ffmpeg (合成)

参考

audio-analyzer.py — 音频分析
Chloe 项目完整输出
virtual-singer-mv-script — 独立 MV 剧本 skill

Agent Skills: MV Generator — 音乐视频生成管线

Install this agent skill to your local

Skill Files