用途
Video Storytelling 技能用于创建连贯的视频故事序列，将 AI 生成的图像与旁白音频结合，产出完整的 MP4 视频。它作为故事导演和视觉协调者，在所有场景中保持角色、视觉风格、光照和叙事基调的一致性。
主要能力
视觉一致性系统
- 全局风格锁：固定宽高比、相机设置、光照；所有场景使用一致的调色板；统一的视觉风格和后处理；防止视觉不连续。
- 角色锁：跨场景保持角色外观；相同的服装、颜色、面部特征；一致的配饰和显著特征；保持视觉身份。
- 多轮图像生成：每个场景引用前一个场景的图像；通过序列建立视觉连续性；防止角色/风格漂移。
叙事系统
- 角色声音：将角色映射到 ElevenLabs 声音；每个角色保持声音一致性；支持对话中的多个角色。
- 情感标签：带有情感标记的表现力旁白；音效和停顿；自然的节奏和表达。
- 叙事结构：每个场景 50-80 词（15-20 秒）；中性旁白用于过渡；角色特定对话。
视频组装
- 自动化流程：按顺序生成所有图像；创建角色声音旁白；组合成同步的 MP4 视频；根据总音频长度平均分配每个场景的时间。
使用方式
该技能通过以下步骤使用：
- 收集故事信息：需要故事概念、基调/类型；可选场景数量（默认 6）、角色描述、自定义风格锁。
- 定义角色：为每个角色创建档案，包括名称、物种、描述、颜色、服装、特征、性格、声音 ID 和声音名称。
- 规划故事序列：创建逐场景大纲，包括场景 0（标题场景）和场景 1-N（故事场景）。
- 构建风格和角色锁：准备全局风格锁和负面锁，为每个场景构建角色锁。
- 生成图像序列：使用多轮生成，每个场景引用前一个场景的图像，应用风格锁和角色锁。
- 生成叙事音频：使用 ElevenLabs 的 text_to_dialogue 为每个场景生成语音旁白。
- 拼接音频：使用 ffmpeg 将所有场景音频合并为单个音轨。
- 组装最终视频：使用 assemble_video.sh 脚本，根据总音频长度计算每个图像的等长时间，创建视频片段，确保所有图像为 1080×1080，拼接片段，与音轨混合，输出高质量 H.264 MP4。
- 交付结果：提供最终视频文件、场景分解、单独资产（如图像和音频文件）以及故事元数据（如角色档案和场景计划）。
适用场景
该技能应在用户要求以下内容时调用：
- 创建视频故事或动画序列
- 生成带视觉的旁白故事
- 制作带角色的教育视频内容
- 制作带旁白的视觉故事书
- 创建角色驱动的视频叙事
- 生成多场景故事视频
- 制作带图片和旁白的儿童故事
限制
- 依赖 image-generation 和 elevenlabs 技能。
- 需要 Python 包（具体安装命令在资料中未完整提供）。
- 默认配置为 1 个标题场景加 5 个故事场景，共 6 个场景，但用户可自定义场景数量。
- 默认风格锁和声音映射可被用户覆盖。
- 资料中未提供具体的收费、价格或平台限制信息。