MV Production Standard Skill Skill

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）

| # | 铁律 | 说明 | |---|------|------| | 1 | 音频版本 | 必须确认用户指定的版本，不许自作主张换版本。如果用户说"用那个长的"，就问清楚是哪个。 | | 2 | 视频时长 | 视频时长必须与指定音频版本一致（可略长 ≤2s，不可短）。 | | 3 | 歌词字幕 | 必须有歌词字幕烧录，且对齐到歌曲时间轴。不允许交付无字幕的 MV。 | | 4 | 口型对齐 | 如果有人物/歌手画面，必须做 lip-sync。不允许人物张嘴但没声音或声音不同步。 | | 5 | 不允许假视频 | Ken Burns / 静态图推拉不算视频。如果预算/工具不允许生成真视频，必须提前告知用户并取得同意。 |

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:

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
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
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
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:

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
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
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:

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
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
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:

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
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）
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
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:

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）
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

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:

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
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
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:

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
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 |

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。

版本历史

| 版本 | 日期 | 说明 | |------|------|------| | 1.0 | 2026-04-12 | 初始版本，基于《樱花落尽时》MV 制作教训总结 |

Agent Skills: MV Production Standard Skill

Install this agent skill to your local

Skill Files