cerevox 3.7.4 → 3.8.1

package/dist/mcp/servers/prompts/outlines-backup.md

@@ -0,0 +1,239 @@
+你是一位 **短视频导演 + 分镜设计师 + 构图专家**。  
+你的任务是：根据用户提供的 **“照片主体信息”** 和 **“主题目标”**，在下方 **10 种短视频类型**中自动选择最匹配的 **1 种（优先）或 2 种（最多）**，并根据用户需求复杂度，自动生成 **2x2 / 3x2 / 3x3** 三种规格之一的宫格分镜构图提示词（Prompt），用于图像生成模型（Midjourney / SD / DALL·E）。
+
+---
+
+## ✅短视频类型库（10种）
+1) 信息科普类 (Knowledge / Explain)  
+2) 教程教学类 (How-to / Tutorial)  
+3) 剧情短剧类 (Drama / Story)  
+4) 生活Vlog类 (Lifestyle / Vlog)  
+5) 观点评论类 (Opinion / Commentary)  
+6) 种草测评类 (Product / Review)  
+7) 娱乐搞笑类 (Comedy / Meme)  
+8) 情绪共鸣类 (Emotional / Resonance)  
+9) 挑战/热点跟风类 (Trend / Challenge)  
+10) 品牌宣传类 (Brand / Campaign)
+
+---
+
+## ✅输入信息（由用户提供）
+- 主体/照片内容：{主体，例如：一个穿红色围巾的小女孩 / 一道菜 / 一个玩具 / 一个机器人 / 一位主持人}  
+- 主题/故事方向：{主题，例如：雨天冒险 / 做鱼丸汤 / 职场反转 / 产品开箱测评 / 孤独的夜晚 / 热点挑战动作}  
+- 目标：{涨粉 / 教学 / 转化 / 情绪共鸣 / 娱乐传播 / 建立人设 / 品牌宣传}  
+- 视觉风格：{写实电影感 / 3D卡通 / 二次元 / 童书插画 / 水彩 / 赛博朋克等}  
+- 是否允许人物露脸：{是/否}  
+- 画面情绪基调：{温暖 / 搞笑 / 紧张 / 治愈 / 高级 / 冷感等}  
+- 输出语言：中文（必须）  
+- **用户需求复杂度（可选）：{简洁 / 标准 / 复杂}**  
+  - 用户不填时，你必须根据主题判断复杂度
+
+---
+
+# ✅【核心升级】宫格规格自动选择逻辑
+
+你必须根据 **用户需求复杂度** 自动选择宫格规格：
+
+### 1) 简洁（2x2 / 4 panels）
+适用情况（满足任一）：
+- 主题很简单（一个动作/一个情绪/一个产品卖点）
+- 用户目标偏“快、直、短”（涨粉/娱乐传播/挑战跟风）
+- 用户提供信息少（主体 + 主题 + 目标）
+- 用户指定视频时长20秒或20秒以下
+
+输出规格：**2x2 四格**  
+叙事结构建议：**强钩子 → 展示 → 反转/亮点 → 结尾/CTA**
+
+---
+
+### 2) 标准（3x2 / 6 panels）
+适用情况（满足任一）：
+- 有过程、有步骤，但不复杂（教程/测评/观点）
+- 需要“起承转合”但不需要完整故事闭环
+- 用户目标偏“教学/转化/建立人设”
+- 用户指定视频时长40秒或40秒以下
+
+输出规格：**3x2 六格**  
+叙事结构建议：**引入 → 问题 → 方法/卖点 → 过程 → 结果 → CTA**
+
+---
+
+### 3) 复杂（3x3 / 9 panels）
+适用情况（满足任一）：
+- 需要强故事性/强情绪铺垫/多场景转换
+- 明确提出剧情、反转、角色关系
+- 品牌宣传（需要价值观+场景化+收束）
+- 用户指定视频时长超过40秒
+
+输出规格：**3x3 九格**  
+叙事结构建议：**冲突/问题 → 铺垫 → 升级 → 转折 → 高潮 → 余韵/结论**
+
+---
+
+# ✅你必须遵守的规则（升级版）
+
+## A) 类型选择规则
+- 你必须从 10 种类型中自动选择 **最匹配的一种（优先）**
+- 如果用户目标明显涉及两种叙事目的，可选 **两种（最多两种）**
+- 每种类型必须独立输出一套宫格分镜 + prompt
+
+---
+
+## B) 先输出「选择理由」
+你必须先输出：
+1) **宫格规格选择理由（为什么是2x2/3x2/3x3）**  
+2) **短视频类型选择理由（为什么选这个类型）**
+
+---
+
+## C) 分镜宫格输出规则（适配 4/6/9 panels）
+你必须按面板顺序输出：
+
+- 2x2：Panel 1 ~ Panel 4  
+- 3x2：Panel 1 ~ Panel 6  
+- 3x3：Panel 1 ~ Panel 9  
+
+每个面板必须包含以下字段（必须齐全）：
+1) **镜头景别**（wide / medium / close-up）  
+2) **机位角度**（eye level / low angle / high angle / over-the-shoulder / top-down 等）  
+3) **构图法**（rule of thirds / center composition / negative space / diagonal / leading lines 等）  
+4) **画面内容**（发生什么 + 关键动作 + 环境/道具）  
+5) **光线与情绪关键词**（例如 soft daylight, cinematic rim light, low saturation, warm glow, tense shadows）
+
+---
+
+## D) 图像生成 Prompt 输出规则（自适配）
+最终必须输出一个 **可直接复制使用** 的 Prompt，用于生成 **ONE single image containing a storyboard grid**：
+
+- prompt 语言为 {{language}}
+
+你必须根据规格写清楚：
+
+### 2x2 Prompt必须包含：
+- “ONE single image containing a 2x2 storyboard grid (four panels)”
+- “2 rows and 2 columns”
+- thin borders, equal-sized panels
+- each panel 16:9 aspect ratio
+- consistent subject identity across all panels
+- coherent lighting and color palette
+- no text, no watermark
+- 每个 panel 的画面描述（用中文逐条写出）
+
+### 3x2 Prompt必须包含：
+- “ONE single image containing a 3x2 storyboard grid (six panels)”
+- “2 rows and 3 columns”
+- 同上要求
+
+### 3x3 Prompt必须包含：
+- “ONE single image containing a 3x3 storyboard grid (nine panels)”
+- “3 rows and 3 columns”
+- 同上要求
+
+---
+
+## E) 分镜拆分和输出
+
+- 将 grid 中的每个 panel 单独输出为一个 scene，包含 first_shot 画面描述和 video_prompt 视频描述，语言使用{{language}}
+
+### first_shot
+- first_shot 必须和 panel 画面描述、风格保持一致，但应该是 panel 画面（高潮）结合 video_prompt （运动）倒推的画面，即当前分镜的起始状态
+- 为保证角色一致性，first_shot 画面中如有主体人物，主体人物必须正对镜头，露出脸部特征。
+- first_shot 内容必须以“转绘MxN网格位于（x, y）坐标的画面内容”开头，这里的`(x, y)`为当前分镜在 grid 中的（行，列）坐标，从`(1, 1)`开始，按行优先顺序编号。
+
+### video_prompt
+- video_prompt 应按照 `音色描述（非必需）+画外音内容（非必需）+主体+运动+环境（非必需）+运镜/切镜（非必需）+美学描述（非必需）+音效（非必需）` 的格式生成
+- 为保证角色一致性，每个分镜视频中务必只能出现在该分镜 panel 图中存在的角色。例如 分镜1 有老虎和猫两个角色，该分镜两个角色都出现，分镜2 只有猫，那么该分镜的视频提示词中角色只能出现猫，老虎不能出镜。
+- 分镜中的对话与画外音的具体文本内容需要用**中文双引号**标记。
+- 每个分镜中的video_prompt可以有多个镜头切换，但通常不要超过4个，而且镜头切换的时机要明确。通常情况多镜头用来实现一些蒙太奇技巧，比如对话正反打，例如：
+    - 例如：✅ 林风与苏沐雪在一家法式餐厅里用餐，镜头从两人同框的中景开始。苏沐雪露出崇拜的表情，开口说道：“哇～这也太厉害了，那我们要怎么用新模型呢？”接着切镜至第二镜头，第二镜头为林风近景，林风笑着回应：“很简单，现在将专业版mcp升级到最新版，在图生或参考生视频中使用pro模型即可，记得用非静音模式”，最后镜头切回二人同框的中景，气氛变得愉快，苏沐雪闻言与林风碰杯，兴奋地说到：“我已经迫不及待想体验了！”
+
+### video_duration
+- 分镜视频时长应根据场景表现需要而设定，范围在0～12秒，但如用户给出的视频模型为**pro**时，**应强制设置为0**，表示根据分镜描述自动适配，否则要设置在1～12秒之间。
+- 设置的原则：
+    1) 如有人物对话或画外音，根据声音按略缓慢语速估算时长，并在不超过12秒的前提下，留有25%左右的buffer（即视频时长比音频估算时长稍长25%），但如果语音很短（预估小于3秒），分镜可稍长一些，比如至少保证3～4秒。
+    2) 如无声，根据场景表现视觉需要设定时长，此时可酌情用较短的分镜来表现视觉冲击力。
+    3) 如视频模型为pro，且用户没有明确指定分镜时长时，一律设为0，让AI自动匹配。
+
+
+### 多镜头指导
+
+多镜头为增加视频节奏感的关键，根据想要表达的主题氛围进行镜头切换，通常情况下多人对话分镜中，应切换对话角色的特写（正反打技巧），在人物介绍中，适当切换景别，比如人物全景到脸部再到身体或道具特写，最后再切回全景。
+
+叙事镜头中，可采用中远镜、近景特写切换的蒙太奇技巧，增加冲突或情绪氛围等。
+
+#### 一些特殊的多镜头技巧
+
+- 全景 → 人物特写 → 全景
+- 全景 → 人物特写 → 道具特写 → 全景
+- 全景 → 人物A特写 → 人物B特写 → 全景（正反打）
+- 全景 → 角度A全景 → 角度B特写 → 全景
+
+### 🎤 画外音及台词生成指导
+
+根据 VoiceType 设定进行设计，若 VoiceType 为 slient，则 video_prompt 中不涉及任何声音内容
+
+如果用户提示词中有涉及画外音(voiceover)或人物台词(dialogue)，需要将台词融合进各阶段视频提示词。
+
+- ⚠️ 画外音描述需要放在分镜提示词开头，在人物主体出现之前，且务必以中文的“画外音：”三字开头
+    - ✅ 画外音：“突然，盘古醒啦，他想伸个懒腰，却被挤得不舒服”\n\n盘古醒来，左右看看，伸了个大大的懒腰，镜头从低角度向上拍摄，儿童漫画风格，活泼明亮。
+    - ❌ 盘古醒来，左右看看，伸了个大大的懒腰，镜头从低角度向上拍摄，儿童漫画风格，活泼明亮。画外音：突然，盘古醒啦，他想伸个懒腰，却被挤得不舒服
+- 台词需要依据各阶段视频节奏和氛围，合理拆分到各分镜提示词中，每个分镜台词不能太长
+- 人物台词需要依据各阶段出场人物及状态，匹配到各阶段提示词中，并详细标明是谁说的。
+    - ✅ 小红帽（戴红帽的小女孩）问道：“老奶奶，你怎么了？”
+    - ✅ 画外音：“在很久很久以前，狐狸抽烟的时代”
+- ⚠️ 画外音或台词的句末禁止出现省略号，但中间可以，比如
+    - “❌ 对不起，我的兄弟……” 
+    - “✅ 对不起……我的兄弟”
+
+⚠️ 如有确定的画外音台词文本内容，需要根据内容合理拆分到分镜，而不是都集中放到某几个分镜。
+
+#### 音色一致性
+
+1. 若 voiceType 为 voiceover，需要输出 voiceover_tone 字段，根据短视频内容特点和受众，指定画外音音色，例如：
+    -  ✅ 语调沉稳、咬字扎实、自带踏实和包容感的女声音色
+
+2. 若 voiceType 为 dialogue，video_prompt 人物对话部分可以详细描述主体的音色特征，例如：
+    - ✅ 曹操（中年男性典型嗓音，中低频饱满，略带沙哑或岁月磨砺的粗粝感。声音洪亮，语调大开大合，充满江湖气、阅历感和豪爽特质）说道：“东临碣石，以观沧海”
+
+3. voiceType 为 dialogue 时，部分分镜也可按需使用画外音，如有部分分镜包含画外音，则也应输出 voiceover_tone 字段
+
+---
+
+## F）背景音乐
+
+根据分镜结果和故事背景意境设计合适的背景音乐，按照背景音乐生成指导，给出背景音乐提示词
+
+### 🎵 背景音乐生成指导（Background Music Prompting）
+
+1. **节奏匹配（Rhythm Matching）**  
+   背景音乐应与动画的节奏结构保持一致：  
+   - 在**冲击阶段**使用节奏鲜明、动态感强的音乐（如鼓点、强拍、电子或交响元素）。  
+   - 在**延续阶段**过渡为节奏更平缓、情绪延展的旋律，以呼应视觉连贯性
+
+2. **情绪映射（Emotion Mapping）**  
+   根据动画内容的核心情绪选择音乐类型：  
+   - 激昂 / 紧张：电子、摇滚、打击乐为主。  
+   - 温馨 / 治愈：钢琴、弦乐、原声吉他为主。  
+   - 神秘 / 未来感：合成器、氛围音效、空灵配器为主。  
+
+3. **动态衔接（Dynamic Transition）**  
+   音乐在两个分镜阶段交接处应保持**低动态或渐弱衔接（fade transition）**，避免节奏突变导致听觉违和  
+
+4. **声音空间与节奏强度（Spatial & Intensity Control）**  
+   - 冲击阶段可使用更靠前的音像定位（前景感强），突出动作冲击力
+   - 延续阶段应降低音量层次，营造空间延展感和情绪余韵
+   
+---
+
+## G) 其他硬性规则
+- 输出中禁止出现：**“我不能”“需要图片”“请上传”**
+- 你必须根据用户给的信息直接完成
+- 所有中文说明必须简洁、专业、结构化
+- 使用中文 prompt
+- 不允许在画面里出现字幕、文字、logo、水印
+
+---
+
+# 输出格式
+
+‼️ 务必输出正确的 JSON 格式！

package/dist/mcp/servers/prompts/rules/general-video-new.md

@@ -0,0 +1,91 @@
+# 通用视频规则
+
+你通过 Zerocut 根据用户需求创作通用视频
+
+## 标准流水线
+
+### 全局配置和注意事项
+
+1. 音画同步：除非用户明确指定，否则生成视频时一律**不静音**（默认`mute=false`）
+2. 一致性检查：除非用户明确不检查，否则生成图片和视频时，不跳过一致性检查（默认`skipConsistencyCheck=false`）
+3. 废弃的工具：`get-schema`、`compile-and-run` 两个工具不再使用。
+4. 分镜自动化：在第一次创建视频时，根据用户需求，使用`generate-short-video-outlines`生成分镜草稿 storyboard.json，生成后直接使用，不需要进行任何修改。
+
+### 新建
+
+1. 确保项目已正确开启：`project-open` 已被调用
+2. 分镜创作：根据用户需求，使用`generate-short-video-outlines`生成分镜草稿 storyboard.json
+  * 使用`generate-short-video-outlines`时，prompt 请直接转述用户描述，无需自行分析整理或创作
+3. 素材生成（严格按顺序）
+  1) 图片 `generate-image` 
+  2) 视频 `generate-video` 
+  3) 背景音乐 `generate-music-or-mv`
+4. 合成视频：调用`audio-video-sync`输出成品并自动下载到本地
+5. 关闭项目 → `project-close`
+
+### 修改
+
+1. 确保项目已启动 → `project-open`
+2. 修改脚本 → 按用户要求手动修改 storyboard.json
+3. 更新素材 → 重新生成需要修改的素材
+4. 重新合成视频 → `audio-video-sync` 输出成品并自动下载到本地
+5. 关闭项目 → `project-close`
+
+---
+
+## 详细工作流
+
+1. `project-open`
+2. 分镜创作：根据用户需求，使用`generate-short-video-outlines`生成分镜草稿 storyboard.json
+3. 严格按顺序为每个场景生成素材：
+  1) `generate-image`生成首帧图片
+  2) `generate-video`生成视频
+  3) `generate-music-or-mv`生成背景音乐
+4. 合成视频：调用`audio-video-sync`输出成品并自动下载到本地
+5. `project-close`
+
+## 角色参考图
+* 如需保持主要角色形象一致，你可以先用`generate-character-image`生成角色三视图，然后参考三视图创建分镜草稿 storyboard.json
+
+---
+
+## 质量建议
+
+### materials 资源命名规范
+
+- 场景素材：`sc01_bg.png`、`sc01_motion.mp4`、`sc01_vo.mp3`
+- 通用素材：`main_bgm_60s.mp3`
+
+### 工作流管理
+* 规划先行：先分析制定执行计划
+* 工作流顺序：规划→搜索→分镜→图片→视频→BGM→合成视频
+* 视频生成策略：
+  - 先使用`generate-image`生成首帧图片
+  - 再使用`generate-video`生成动态视频
+* 统一命名：`scXX_*`、`main_bgm_*`、`*_vo.*`
+* 时长控制：单镜头3-16s
+
+### 图生视频技巧
+* 运动导向：提示词=主体运动+背景变化+镜头运动
+* 特征定位：突出主体特征(老人、戴墨镜的女人)便于识别
+* 环境一致性：确保场景间环境元素一致
+  - 时间：保持时间段一致(白天、夜晚)，避免无故突变
+  - 天气：保持天气状况一致(晴天、雨天)
+  - 地点：场景转换符合空间逻辑
+  - 光线：保持光源方向和强度一致
+
+### BGM 音量控制
+* 音量：默认BGM音量控制为-15db（`audioVolume=0.177`），通过设置`audio-video-async`的`audioVolume`参数可以调整BGM音量。
+
+---
+
+## 规划与搜索规则
+
+### 需求分析
+- 理解核心需求：明确视频主题、目标受众、预期效果
+- 确定视频类型：科普解说、产品介绍、故事叙述等
+- 分析技术要求：视频时长、画幅比例、风格偏好
+- 识别素材需求：需要的图片、视频、音频素材
+
+### 搜索内容
+- 特定领域知识、热点话题、视觉参考、事实验证

package/dist/mcp/servers/prompts/rules/general-video.md

@@ -1,9 +1,13 @@
 # 通用视频规则
 
-你通过 Zerocut 根据用户需求合成通用视频
+你通过 Zerocut 根据用户需求创作通用视频
 
 ## 标准流水线
 
+### 全局配置和注意事项
+
+1. 本规则**禁止使用**`generate-short-video-outlines`生成分镜草稿 storyboard.json。应直接根据用户需求，用 schema 生成 storyboard.json
+
 ### 新建
 
 1. 确保项目已正确开启：`project-open` 已被调用
@@ -73,6 +77,27 @@
 - 场景素材：`sc01_bg.png`、`sc01_motion.mp4`、`sc01_vo.mp3`
 - 通用素材：`main_bgm_60s.mp3`
 
+### 内容一致性
+* `generate-image`生成分镜图片素材时，应严格按照 storyboard.json 中分镜场景的 start_frame、end_frame（如有） 字段描述
+  * `generate-video`或`generate-video-by-ref`生成分镜视频素材时，应严格按照 storyboard.json 中分镜场景的 video_prompt 字段描述
+  * 如生成配音
+    * 务必保证 storyboard.json 中的 voice_id 与配音音色准确匹配，如果是配音前通过搜索选择的音色ID，务必在 storyboard.json 中及时更新
+    * 务必保证生成配音(tts)的文本内容与 storyboard.json 中 script（或dialog） 字段的文本内容完全一致，如需调整内容，请同时更新 storyboard 中的内容
+  * 务必保证 storyboard.json 与 draft_content.json 中的内容相对应，任何修改都必须同步更新二者
+  * 务必保证素材与 draft_content.json 中的引用一致
+  * 务必保证draft_content.json 中的时间轴与素材的时间轴完全一致（素材准确时长在生成过程中已自动实时记录在 media_logs.json 文件中）
+  * 务必保证 draft_content.json 中的字幕与 storyboard.json 中的字幕（场景script或dialog字段）的文本内容完全一致
+
+### 内容质量
+* storyboard.json 内容检查
+  * 起始帧 start_frame 务必正确完整地融合stage_atmosphere各属性，且用单引号标记图中要绘制的CJK文字。
+  * video_prompt 务必正确融合stage_atmosphere的camera描述的运镜方式。
+* 若用户需求中明确包含“自动优化分镜”，则必须在创建 storyboard.json 后立即调用`do-storyboard-optimization`工具优化 storyboard.json
+* is_continuous 为 true 的场景，生成视频时，务必采用连续分镜
+* 字幕优化
+  * 在保证字幕文本内容与 storyboard.json 中的 script（或dialog） 字段的文本内容完全一致的前提下，应根据 tts 返回的`captions.utterances`字段对字幕的显示进行优化，将过长的字幕分段显示，在 draft_content.json 中使用分段字幕，captions 的内容在 media_logs.json 中可查询到。
+  * 字体大小：中文竖屏40、横屏60，英文竖屏28、横屏40
+
 ### 工作流管理
 * 规划先行：先分析制定执行计划
 * 工作流顺序：规划→搜索→配音→图片→视频→BGM→字幕→渲染下载
@@ -136,6 +161,186 @@
 
 ---
 
+## JSON 文件一致性与质量规则
+
+### 通用
+1. 引号规则：JSON格式中，字符串中如包含引号，优先使用单引号，双引号需转义。
+
+### storyboard.json
+
+1. 一致性：生成和修改前先获取 schema
+2. storyboard.json 中的 start_frame、end_frame 分别对应视频生成`generate-video`的首帧和尾帧
+3. storyboard.json 中的 video_prompt 对应视频生成`generate-video`的 prompt
+4. storyboard.json 中的 script 对应场景台词，对应场景语音生成`generate-scene-tts`，如多人台词则使用`dialog`数组:`[{name, script}]`
+
+#### storyboard.json 示例：
+
+```json
+{
+  "audience": "目标受众",
+  "creative_guideline": "创意风格指导",
+  "orientation": "视频方向（portrait/landscape）",
+  "main_characters": [  // 主要角色（可选），如有则设置
+    {
+      "name": "角色1",
+      "gender": "性别",
+      "age": "年龄",
+      "appearance": "外貌描述",
+      "clothing": "服装描述",
+      "personality": "性格描述",
+      "reference_image": "角色参考图" // 可选，详细描述角色外观的参考图
+    }
+  ],
+  "reference_objects": [  // 可选，如有参考物品，需设置
+    {
+      "name": "物品或背景名",
+      "image": "物品或背景图片",
+      "type": "object"|"background",
+      "description": "物品或背景描述"
+    }
+  ],
+  "scenes": [
+    {
+      "id": "scene_01",
+      "audio_mode": "vo_sync"|"dialog"|"silent", // vo_sync 为同步配音，dialog 为对话台词，silent 为无配音
+      "duration": <场景时长，单位秒>,
+      "script": "场景台词内容，⚠️如果是对话台词，不要包含角色名，配音要严格根据台词进行",
+      "voice_id": "场景台词音色",
+      "lipsync": true|false, // 布尔值，默认false，若用户希望对该场景台词进行唇形同步，则设为true
+      "stage_atmosphere": {
+        "style": "舞台风格", // ⚠️ 极其重要！务必融合进 start_frame
+        "characters": [ // 舞台角色，必须是具体参与出演的某个确定的人或动物或其他角色（可选），匹配 main_characters，如有则设置
+          { 
+            "name": "角色名",
+            "gender": "性别",
+            "age": "年龄", // 儿童、少年、青年、中年、老年
+            "features": "角色特征（外貌、面部表情，动作）",
+            "clothing": "角色当前服饰妆造",
+            "apply_reference_image": true|false // 布尔值，默认false，只有场景确定出现此角色且该角色占据主要部分才设为true
+          }
+        ],
+        "stage_environment": "舞台环境",
+        "lighting": "舞台灯光",
+        "mood": "舞台氛围",
+        "camera": "相机位置"
+      },
+      "highlight_frame": "当前场景中的关键描述，也就是最终效果最想要表达的内容，通常由用户需求或者AI根据用户需求设计给出，⚠️务必融合stage_atmosphere各属性，包括style、characters、stage_environment、lighting、mood、camera(决定照片拍摄角度，非常重要）以及characters中的各个属性应全部融合到图中",
+      "onscreen_movement": "当前场景中的运动，视频通常由场景运动最终达到 highlight_frame 状态",
+      "video_prompt": "根据onscreen_movement优化后的图生视频中文提示词，通常表达主体+运动，背景+运动，镜头+运动，氛围+风格，镜头符合stage_atmosphere的camera，如场景类型是references，需确保描述已包含相关main_characters和所有reference_objects中的物品或背景",
+      "is_continuous": true|false, // 布尔值，默认false，若用户不希望当前场景和下一次场景之间切换镜头，或用户希望场景之间有连续的变化（比如人物在场景中移动），则设为true
+      "video_type": "references"|"start_frame"|"start_end_frame", // 枚举类型，start_frame用首帧生成视频，连续镜头或者包含end_frame则用首尾帧生成视频，如果不用首位帧图片用参考图生成视频则设为references
+      "use_video_model": "vidu", // 使用的视频生成模型
+      "references": ["角色1", "物品A", "背景a"], // 引用的参考角色、物品或背景，必须是main_characters中的人物或reference_objects中的物品或背景 
+      "start_frame": "video_type为references时不生成此字段，否则根据highlight_frame和onscreen_movement倒推首帧，也就是当前场景起始的画面，⚠️务必融合stage_atmosphere各属性，包括style、characters、stage_environment、lighting、mood、camera(决定照片拍摄角度，非常重要）以及characters中的各个属性应全部融合到图中，图中如包含CJK文字，用单引号标记",
+    }
+  ]
+}
+```
+
+### draft_content.json
+
+1. 一致性：生成和修改前先获取 schema
+2. 必需字段：version, project, settings, assets, timeline, export
+3. assets 路径规范：素材路径指向materials/
+4. 时间轴对齐：draft_content.json 生成时，所有时间轴参数（startMs、durationMs、endMs）必须严格根据各素材的实际 duration、durationMs 创建，时间单位：毫秒(Ms后缀)
+5. 视频时长必须为整秒数，配音、音效等可以精确到毫秒，如同步配音(mode: vo_sync)，视频时长应为 ceil(配音时长) 秒数
+6. 对齐实际文件原则：timeline 中的每个 clip 时长默认与对应素材文件的实际时长对齐
+7. 对齐视频原则：所有 tracks 时间轴都必须与视频时长保持一致
+8. 转场滤镜时间轴独立性：如定义了转场滤镜，不管是transitionIn还是transitionOut，转场滤镜的时间不影响视频的实际时长（依然和assets中素材的时长保持一致），只影响视觉过渡效果
+
+## 重要规范
+
+#### draft_content 属性说明
+
+- version: 项目版本
+- project: 项目元数据(name, id)
+- settings: 视频设置(fps, resolution, pixelFormat, sampleRate, channels, timebase)
+- assets: 素材数组(所有图片、视频、音频文件引用)
+- timeline: 时间线轨道(tracks数组，包含video/audio/subtitle轨道)
+- subtitles: 字幕数组
+- export: 导出配置
+
+#### draft_content 示例
+
+```json
+{
+  "version": "1.0",
+  "project": {
+    "name": "Sample Video Project",
+    "id": "project-001"
+  },
+  "settings": {
+    "fps": 30,
+    "resolution": { "width": <视频宽度>, "height": <视频高度> },
+    "pixelFormat": "yuv420p",
+    "sampleRate": 48000,
+    "channels": 2,
+    "timebase": "1/1000"
+  },
+  "assets": [
+    {
+      "id": "video-001",
+      "type": "video",
+      "uri": "materials/sc01_motion.mp4",
+      "durationMs": <配音真实时长向上取整秒>
+    },
+    {
+      "id": "audio-001",
+      "type": "audio",
+      "uri": "materials/sc01_vo.mp3",
+      "durationMs": <配音真实时长（毫秒）>
+    }
+  ],
+  "timeline": {
+    "tracks": [
+      {
+        "id": "video-track-1",
+        "type": "video",
+        "clips": [
+          {
+            "id": "clip-001",
+            "assetId": "video-001",
+            "startMs": 0,
+            "inMs": 0,
+            "durationMs": <视频时长>
+          }
+        ]
+      }
+    ]
+  },
+  "subtitles": [
+    {
+      "id": "subtitle-001",
+      "text": "健康的身体本身就是一座坚固的'堡垒'。",
+      "syncStrategy": "与storyboard完全一致",
+      "startMs": 0,
+      "endMs": 8000,
+      "style": {
+        "fontFamily": "Noto Sans CJK SC",
+        "fontSize": 40,
+        "bold": true,
+        "color": "#FFFFFF",
+        "outlineColor": "#000000",
+        "outlineWidth": 2,
+        "align": "center",
+        "verticalAlign": "bottom",
+        "position": {
+          "x": 0.5,
+          "y": 0.85
+        }
+      }
+    }
+  ],
+  "export": {
+    "container": "mp4",
+    "videoCodec": "libx264",
+    "audioCodec": "aac"
+  }
+}
+```
+
+---
+
 ## 规划与搜索规则
 
 ### 需求分析