场景构建基础是一份面向 Picsart 生成式 AI 场景工具的操作规范，用于声明资产并用工具调用方式创建、编辑视频场景。
用途 覆盖场景组装的关键环节：读取场景 schema、声明并引用媒体、音频与字体资产、设置图层裁剪和音频图层、选择转场。
主要能力与使用方式
- 读取 schema：首次编辑前先读取场景 schema，使用 picsart_scene_capabilities，先传 sections ["schemaSummary"]，再按需对每个定义传 ["schema:<Name>"]，不要一次读取 ["schema"] 全量。随后用 picsart_scene_patch 构建和修改场景。首次创建场景可参考 picsart_scene_recipe 中的“快速合并并导出”配方，其中包含可用的工具调用序列。
- 媒体：图层在 assets 中一次性声明文件，形式为 { id, type: "video", uri: <url> }，并通过 id 引用，content 写为 { kind: "media", assetId: "<id>", fit, trim }。场景文档没有 assetType 字段，也没有 video 类型；assetId 中放 URL 会报 unknown_asset_ref。每个图层的 trim 使用各自源文件的秒数，且必须同时给出 in 和 out。应跳过无用区间，用裁剪绕开，而不是加速穿过。
- 音频：旁白以音频图层播放，content 为 { kind: "audio", assetId, trim: { in, out } }，图层起点设为声音被听到的时刻。某步骤的台词在其面板出现后 0.15 秒开始，使画面先落定。每个 trim 都必须同时有 in 和 out，只有 in 会报 missing_field 错误。除非要保留录音自带音轨，否则对媒体内容设 muted: true 静音。如果场景 schema 未列出音频图层，应告知并停止，不要导出无声视频，也不要虚构混音。
- 字体：字体作为资产声明，在 assets 中写一次 { id, type: "font", uri }，并在所有文本和字幕样式中以 font.family 引用该 id；场景未声明的字体族在导出时无法解析。字体找不到或无法解析时，应向用户点名说明，不得未经说明替换为其他字体。字重应体现在字体面（face）名称中，而不是 font.weight；font.weight 仅在原生解析场景时生效，翻译后的场景运行时会忽略它，并按 font.family 所命名字体面自身的字重绘制（validate_scene 会给出 font_weight_no_op 警告）。需要粗体时，使用粗体字体面，例如 acumin-pro-bold 这类目录键，或声明为该字重的字体资产，并省略 weight。字体面必须能绘制所有字符；缺少字符的字体面会留空或显示方框，而字体工具不会说明覆盖哪些文字系统。基本拉丁文字多数字体面可胜任；带重音或其他文字系统（西里尔、希腊、阿拉伯、天城文、中文、日文、韩文等）时，优先选择名称中标明该文字系统的字体面，或按为其设计的字体族名称搜索。然后在包含最稀有字符的首帧上验证；若有缺失，换字体面、重新构建，并告知用户所用字体面。
- 转场：面板替换前一个面板时，硬切即可并保持节奏；布局变化适合柔和的衔接（crossfade，0.3–0.5 秒）。在指定其他转场名称前，先用 picsart_scene_capabilities（sections: ["transitions"]）检查实时目录。
适用场景 适合需要按工具调用流程组装包含媒体、旁白音频、字体样式和转场的视频场景，并希望避免资产引用、裁剪、字重和字体覆盖等常见错误的场景。
限制 资料未提供该技能的价格、平台支持范围、导出格式和性能指标，暂未提供。