产线 A · AI 单曲 MV 完整 SOP

从一句主题到成片，全程零实拍。本文是「照着敲就能跑」的操作手册，含每步命令、预期产物、避坑点。

零、先确认环境

cd skill-mv
fmode-mv doctor          # node / ffmpeg / 凭据 / 通道
fmode-mv providers       # 能力现状（哪条通道能用）

开工前必须知道：截至 v0.1.0，平台只有 chat（文案） 与 image（关键帧） 两条通道开通。 music / video / lipsync 未开通。这不是技能的问题，是网关渠道的问题。处理方式见 references/capability-matrix.md，本文每步都标了「通道不通时怎么办」。

一、产线全景

① 作曲填词      [chat ✅]     → work/song.json
② 分镜脚本      [chat ✅]     → work/storyboard.json
③ AI 音乐       [music ❌]    → work/audio/music.mp3（未开通，可自备音频）
④ 音轨分离      [本地 ◐]      → work/audio/vocals.wav + instrumental.wav
⑤ 人物资产      [即梦 ✅]      → out/character/{1-定妆照,2-上半身,3-全身,4-多视图}.png   ★v0.2新增
⑥ 场景图+关键帧  [即梦 ✅]      → work/scene/shot-XX.png（无人）+ work/frames/shot-XX.png（有人）★v0.2
⑦ 图生视频      [即梦 ✅]      → work/clips/shot-XX.mp4（真 AI 生成）        ★v0.2
⑧ 唇形驱动      [lipsync ❌]   → 可用即梦数字人替代
⑨ 剪辑合成      [本地 ✅]     → out/mv.mp4

一条命令跑完全程：

fmode-mv song "深夜末班地铁上的城市白领" --genre "city pop" --mood "孤独但温暖"

下面逐步拆解，方便分段调试与省钱。

二、① 作曲填词

fmode-mv lyrics "深夜末班地铁上的城市白领，加班后的疲惫与微小的温暖" \
  --genre "city pop" \
  --mood "孤独但温暖"

产物 work/song.json：

{
  "title": "末班车还亮着",
  "genre": "城市流行 City Pop",
  "mood": "孤独、温暖、夜色、治愈",
  "bpm": 92,
  "structure": ["Intro","Verse 1","Pre-Chorus","Chorus", ...],
  "lyrics": "[Intro]\n(器乐)\n\n[Verse 1]\n写字楼的灯 一盏一盏熄了\n...",
  "stylePrompt": "city pop, 92 bpm, warm analog synth pads, electric piano chords, ... female vocal ..."
}

要点：

structure 的结构标记是给音乐模型的分段指令，不要删——Suno 类模型靠它排段落。
stylePrompt 是英文的，直接投给音乐模型；改曲风就改这里。
命令末尾会自动做歌词自检（有没有 Verse/Chorus 标记、正文够不够长、有没有 stylePrompt），有问题会 ! 歌词自检提示：...，据此重跑或手改 JSON。

避坑：

主题写太抽象（如「爱情」）→ 歌词会很空。给具体场景（「深夜便利店买热豆浆」）效果最好。
想要固定时长，用 --style "控制在 2 分 30 秒，副歌重复 3 次"。

三、② 分镜脚本

fmode-mv storyboard --from work/song.json --shots 8 --per-shot 6

产物 work/storyboard.json（下游全部消费它）+ work/storyboard.md（人读版表格）。

关键字段：

字段	作用
`appearanceAnchor`	★主角外貌锚点（英文）。每个含人物的镜头都会原样复述它 → 人物一致性全靠这个
`styleKeywords`	全片统一影像风格，拼进每张关键帧 prompt
`shots[].imagePrompt`	英文，可独立投喂文生图
`shots[].videoPrompt`	英文运镜描述，投给图生视频
`shots[].lipSync`	是否做唇形驱动

避坑（实测踩过的）：

镜头数跑飞：早期版本模型会给你 30 个 36 秒的镜头。现在提示词里加了硬约束（--shots 为硬性约束、单镜钳制在 3~10 秒），且 normalizeStoryboard 会二次夹取。若看到 ! N 个镜头的时长超出合理区间已被夹取，说明模型不听话，已被自动纠正。
模型是推理型的：deepseek-v4-flash 会把大量 token 花在推理上，8192 token 全被推理吃掉、 JSON 被截断。技能已内置自动升配（翻倍重试到 24k~32k）+ 修复式重试。若还失败，换非推理模型：--model doubao-seed-2-1-pro。
人物一致性：不要手工改 appearanceAnchor，除非你同时接受整片人物变脸。想换主角，改锚点后必须重生成全部关键帧。

只做几镜试跑（省钱）：

fmode-mv storyboard --from work/song.json --shots 3
fmode-mv keyframe   --from work/storyboard.json --limit 3

四、③ AI 音乐 ⚠️ 通道未开通

fmode-mv music --from work/song.json

现状实测：POST /suno/submit/music 返回 503 Task request failed —— 端点存在，渠道未开通。命令会真试一次，失败后给出可操作方案，不会伪造 mp3。

三条替代路线：

方案	做法
A. 等平台开通	开通后原命令无需改动即可用
B. 自备音乐	用你的音频直接进后续流程：`--music your-song.mp3`
C. 对接外部	`export FEME_MUSIC_ENDPOINT=https://...` 指向兼容端点

自备音乐时的注意：

必须是成品混音（有人声+伴奏），否则第 ④ 步分离没意义。
时长最好与分镜总时长接近；assemble 会以画面轨时长为准，音频超出会被 -shortest 截断。

五、④ 人声 / 伴奏分离 ◐

fmode-mv separate work/audio/music.mp3

两级策略，脚本会自动选：

demucs（若已安装）→ 真·分离，质量高。安装：pip install demucs
ffmpeg 相位兜底（默认）→ 侧信号取伴奏、中置取人声。 ⚠️ 这是近似，人声/伴奏都会残留串扰。脚本会明确打印这个警告。

避坑：

单声道素材无法分离 → 脚本直接报错并告诉你装 demucs，不会给你一个假结果。
分离出的 vocals.wav 主要给第 ⑦ 步唇形驱动当驱动音频用；纯音乐 MV 其实可以跳过这步。
兜底方案对「人声居中、乐器左右分布」的老式混音效果尚可；现代宽混音基本无效。

六、⑤ 人物资产（★v0.2 新增，不换脸的关键）

fmode-mv character-sheet --desc "25岁东亚女性，栗棕色长直发，身穿米色针织开衫和白色长裙，清冷安静" --limit 1
fmode-mv character-sheet --desc "..." --limit 4      # 完整四步

四步流水线：① 定妆照(3候选) → ② 上半身 → ③ 全身 → ④ 多视图，每步图生图参考上一步 + 锐度自动择优。

产物 out/character/{1-定妆照,2-上半身,3-全身,4-多视图}.png + candidates/ + character-sheet.json。

为什么必须有这一步：纯 AI 出片最容易翻车的就是「同一人物跨镜头换脸」。只靠 prompt 里的 appearanceAnchor 是软约束；有了多视图做图生图参考，才是像素级硬约束。

费用：--limit 1 ¥0.60（3 张候选）；完整四步 ¥1.98（9 张候选）。--dry-run 零费用。

避坑：

服装请写在 --desc 里（如「身穿…」），否则会退回默认兜底并在日志里警告。
--single 每步只出 1 张、跳过择优（省钱，但质量靠运气）。

七、⑥ 场景图 + 关键帧 ✅（★v0.2 重构）

fmode-mv scene --from work/storyboard.json --character out/character/4-多视图.png
fmode-mv scene --from work/storyboard.json --shot 3 --limit 1     # 试跑
fmode-mv scene --from work/storyboard.json --scene-only           # 只出场景图

两步法（v0.2 的核心改进）：

场景图（无人/纯环境） ← 文生图，为每镜铺环境；
关键帧（有人） ← 图生图多图参考：[场景图, 人物多视图]。

为什么拆两步：一次推理里同时解决空间/光线/人脸三件事，结果往往是背景每镜都不一样、人物和背景光照打架。拆开后背景一致、光照统一。相邻镜头还会把「上一镜场景描述」注入本镜 prompt 做一致性约束。

产物 work/scene/shot-XX.png + work/frames/shot-XX.png + work/scene/scenes.json。

费用：每镜 ¥0.42（场景图 ¥0.20 + 关键帧 ¥0.22）。

旧的 fmode-mv keyframe（走 /v1/images/generations）保留可用，作为即梦不可用时的回退。

八、⑦ 图生视频 ✅（★v0.2 已接通真实通道）

fmode-mv video --from work/storyboard.json                       # auto：走即梦真通道
fmode-mv video --from work/storyboard.json --limit 1             # 先试 1 镜（≈¥1.41）
fmode-mv video --from work/storyboard.json --mode still          # 零费用：Ken Burns 兜底

实测：/getVideoV3_720p，121 帧（5 秒），实扣 ¥1.41，返回 h264 mp4（2.4MB）。旧通道 /v1/video/generations 仍是 503，已由即梦替代。

--mode 三种模式：

模式	行为
`auto`（默认）	探活；通就走即梦真通道，不通自动降级为 Ken Burns 兜底
`jimeng`	只走即梦，不通即失败（用于强制验证）
`still`	强制用关键帧做 Ken Burns 运镜（零 API 费用）

三条硬约束（v0.2 实测修正，KB 未记载）：

frames 必须 ∈ {121,145,169,193,217,241}（既在 [121,241] 内，又要 ≡1 (mod 24)）。 → 单镜只能是 5/6/7/8/9/10 秒的整数秒。分镜阶段就按时长设计最省事。
method=3（首尾帧）需要 2 张同比例图；第一镜用下一镜的关键帧作尾帧。
method=3 失败会自动降级 method=2，返回带 degraded: true 并在日志写明（不静默）。

避坑：

场景跨度大时别用 method=3（室内→室外、人物→空镜这类两帧会崩坏）—— 硬规则：首尾帧只用于同场景连续动作 / 相似场景过渡 / 状态渐变。
首帧图长边/短边 ≤ 3，否则被拒。
兜底片段体积偏大（低 CRF 编码静态图）。
真通道开通/重新开通后一键替换：fmode-mv video --from work/storyboard.json --force。

九、⑧ 唇形驱动 ❌ → 改用即梦数字人 ✅

fmode-mv lipsync --probe    # 先看通道状态

现状：网关没有 /lipsync/generations 这条路由（返回前端兜底页）。

v0.2 的替代（实测可用）：

fmode-mv jimeng digital-human \
  --ref out/character/3-全身.png \
  --audio work/audio/vocals.wav \
  --prompt "固定机位，头部随节奏轻微摆动，神情投入，眼神直视镜头"

走即梦数字人 v1.5 三步流程，¥1/秒，是真人对口型。

其余替代路线（按推荐度）：

方案	做法	观感
即梦数字人	上面那条命令	最好（¥1/秒）
C. 纯空镜 + 字幕	不标 `lipSync`，全片走 B-roll	纯音乐 MV 最常见，零风险
B. 表情微动镜头	演唱镜头走图生视频（表情/头部微动），不严格对口型	成片观感可接受
A. 自建服务	部 Wav2Lip / SadTalker / LatentSync，`export FEME_LIPSYNC_ENDPOINT=...`	需部署

避坑：

唇形镜头全片别超过 4 个：每个都需要人脸正脸关键帧 + 人声干声，成本和翻车率都高。
分镜里的 lipSync: true 只对 perf/talking 类型生效，给 broll 标了也会被忽略。

十、⑨ 剪辑合成 ✅

## 十、⑨ 剪辑合成 ✅

bash fmode-mv assemble \ --from work/storyboard.json \ --music work/audio/music.mp3 \ --beat-sync


**这一步做的事（全在本地 ffmpeg）**：

1. 按 `shot-XX` 序号收集片段（缺 `shot-XX.mp4` 时自动用 `shot-XX.fallback.mp4` 顶上）
2. 统一分辨率/帧率后拼接
3. `--beat-sync`：能量包络节拍检测 → 把镜头时长吸附到节拍点
4. 从分镜的 `subtitle` 字段生成 SRT，烧硬字幕
5. 混音（音乐 + 可选配音/背景乐），片尾淡出
6. 响度归一化到 I=-14 LUFS（两遍 loudnorm）

**产物**：`out/mv.mp4` + `out/manifest.json`（含兜底片段数、BPM、音轨信息）。

**避坑**：

- **卡点检测对纯音无效**。实测用正弦波测出「0 个节拍点」——
  脚本会明确告诉你「未检出节拍点，跳过卡点对齐」，**不会假装对齐了**。
  要卡点必须有鼓点/瞬态的成品编曲。
- **字幕字号自适应**：按分辨率算 `fontSize = h/36`，改分辨率不用手调。
- **字幕烧入失败不会中断成片**：会降级为「成片不带字幕，SRT 文件仍在 work/」并打印警告。
  常见原因是字体缺失，装 `fonts-noto-cjk` 即可。
- 片段缺失或损坏时 `assemble` 会直接报错告诉你缺哪段，不会给你一个静默残缺的成片。

---

## 十一、端到端速查

bash

全自动（能跑的都跑，跑不了的如实跳过并降级）

fmode-mv song "主题" --genre "city pop"

分段调试（推荐首次使用）

fmode-mv lyrics "主题" --genre "city pop" fmode-mv storyboard --from work/song.json --shots 6 fmode-mv keyframe --from work/storyboard.json --dry-run # 先看 prompt fmode-mv keyframe --from work/storyboard.json --shot 1 # 只做首镜 fmode-mv keyframe --from work/storyboard.json # 满意后批量 fmode-mv video --from work/storyboard.json # 自动兜底 fmode-mv assemble --from work/storyboard.json --music your-song.mp3 --beat-sync ```

开工前的三个好习惯：

--dry-run 看 prompt，别一上来就批量烧钱。
先 --limit 2 跑通全链路，再放开全部。
每步的产物 JSON 都在 work/，不满意只重跑那一步，不用从头来。

pipeline-a-song-mv.md 14 KB Permalink Verlauf Originalformat