YanKaFei/2d-limited-mv-studio

2d-limited-mv-studio

二次元 MV 工坊 · 2D 运镜限制 · 一张图，一首歌，万千世界。

限制就是风格。
限制就是风格。

世界不断变异，角色始终稳定。
世界不断变异，角色始终稳定。

使用 DeepSeek Harness 构建
DSH Skill
目标
最佳运行于
测试
依赖
运镜

English · 中文 · 快速开始 · 平台 · 结局

一条 MV 不是一串好看的画面。
它是一具拒绝停下来的身体：周围的世界被反复
重画——印刷、撕开、刻蚀、溶解、错版——而到最后一帧，它仍然明确地
是同一个人。

一条 MV 不是一串好看的画面。它是一具拒绝停下来的身体：周围的世界被反复重画——
印刷、撕开、刻蚀、溶解、错版——而到最后一帧，她仍然明确地是同一个人。

一键生成二次元人物 MV 音乐动画。 给它一张人物图和一首歌，它交回一整套经过机器校验的
MiniMax H3 提示词包：音乐按 14.5 秒切分，人物穿越多种艺术流派，歌词里的实物落进背景，
运镜只用 H3 官方词表，并且每一段都用上一段的真实尾帧续接。

一键生成二次元人物 MV 音乐动画。 给它一张人物图和一首歌，它交回一整套经过机器校验的
MiniMax H3 提示词包：音乐按 14.5 秒切分，人物穿越多种艺术流派，歌词里的实物落进背景，
运镜只用 H3 官方词表，并且每一段都用上一段的真实尾帧续接。

English

为什么是 14.5 秒

H3 的 duration 参数只接受 整数，范围在 4 到 15 秒之间——而它的帧网格
（17k+5）意味着请求 15 秒实际上会交付 362 帧 ≈ 15.083 秒。

所以这两个数字被刻意分开：

| | 数值 | 原因 |
|---|---|---|
| 音乐切分 | 14.5 秒，对齐到最近的节拍线 | 符合音乐性，也是用户的单位 |
| H3 request | 15 | 最小的合法整数，其实际交付长度仍能覆盖音乐 |
| 实际交付 | 15.083 秒 | 已根据真实 H3 输出验证 |
| 可用 | 14.5 秒 | 剩余的 0.58 秒是接缝重叠——把衔接藏在最快的动作里 |

天真的向上取整会悄悄截断音乐（请求 6 秒只会交付 5.875 秒）。
2d-limited-mv-studio 会选择实际交付长度仍能覆盖音频的最小整数。

六段式提示词

每个提示词都使用一种固定结构，顺序如下：

人物与参考保持一致性：   参考角色 + 完整角色设定 + 漂移禁止项
风格提示词：           2D · limited animation · hand-drawn · flat composition + this segment's movement
内容提示词：           the continuity clause, then shot by shot
integrated_multimodal_description:  how reference, lyrics, music, dance and edit co-operate
overall_soundscape:    ambience and the physical sounds of the body
non_diegetic_music: N/A

N/A 不是省略。你已经上传了这首歌。 这里没有任何内容要求模型去作曲——
这也避开了官方那种「一边要求音乐、一边禁止音乐」的失败模式。

摄影机永不离开纸面

这不是一台碰巧对着画作的实拍摄影机。它是一台架在一叠纸上的摄影机，而这正是关键所在。

摄影机可以做什么，是被刻意限定的：

- 不做 3D 运镜。 不绕空间轨道运动，不无人机上升，不飞越，不穿越透视。
深度来自图层——前景纸、人物赛璐珞、背景插画、图形叠加——绝不来自移动的视点。
- 运动在 2D 中被写就。 摄影台推移在画面上平移，透视零变化。赛璐珞滑动让背景纹丝不动，
而人物在动。多层视差通过速度分离图层——这是 2D 唯一诚实的「景深」。
- limited animation 是质感本身。 定格帧、on twos、stepped motion、
pose-to-pose、smear drawing。丝滑不是目标；一张表现得像一张画的画才是。
- 错版是语言，不是事故。 色层错开几个像素，正是本技能表达身份松动了的方式。

运动词汇被压在 H3 的 20 个官方术语之内，正是这个原因——更大的词汇表会诱使摄影机离开纸面。
被丰富的是摄影机在看什么：角度、构图、焦、以及这一下要揭示什么。

我们拿来衡量自己的那条标准：如果把所有 3D 运镜全拿掉，这条片子还立得住吗？
立不住，那它本来就不是一条 2D 片。

摄影机永不离开纸面——运镜限制感

这不是一台「碰巧对着画的实拍摄影机」，而是一台架在纸堆上的摄影机——这才是重点。

摄影机被允许做什么，是被刻意限死的：

- 不做 3D 运镜。 不绕空间、不无人机上升、不飞越、不穿越透视。
深度只来自图层：前景纸 + 人物赛璐珞 + 背景插画 + 图形叠加，绝不来自移动的视点。
- 运动在 2D 里被写出来。 摄影台推移是画面平移、透视完全不变；
赛璐璐滑动是背景纹丝不动、只有人在动；多层视差靠图层速度差——
这是 2D 唯一诚实的那种「景深」。
- limited animation 是质感本身。 定格、on twos、stepped motion、pose-to-pose、
smear drawing。不追求丝滑——追求的是「一张画在该有的样子里动」。
- 错版是语言，不是事故。 色层错开几个像素，是本技能说「身份松动了」的方式。

运动词被压在 H3 官方那 20 个里，正是这个原因——词表一大，摄影机就想离开纸面。
于是我们丰富的是摄影机在看什么：角度、构图、焦、以及这一下要揭示什么。

我们拿来衡量自己的那条标准：如果把所有 3D 运镜全拿掉，这条片子还立得住吗？
立不住，那它本来就不是一条 2D 片。

摄影机：六个图层，一套词汇

H3 恰好识别 20 个运镜词——仅此而已。所以「更丰富的运镜」不可能来自发明新词；
crane shot 和 whip pan 根本不会被读取。丰富来自分层：

镜头大小 → 角度 → 构图 → 对焦 → 官方运动词 → 主体–相机关系 → 它揭示了什么

| 层级 | 数量 | 示例 |
|---|---|---|
| 镜头大小 | 10 | 极远景 → 极特写 |
| 角度 | 12 | 低角度 / 高角度 / 荷兰角 / 俯视 / 虫眼视角 / 过肩 / POV / 平面正面（2D 原生） |
| 构图 | 12 | 三分法、对称、负空间、画中画、海报式布局 |
| 对焦 | 4 | 深焦、浅焦、柔焦、变焦 |
| 2D 原生运动 | 10 | 逐格摄影机、多层视差、赛璐璐滑动、定位偏移、纸擦、光圈、硬裁切重构、分屏、曝光闪烁、定格漂移 |
| 关系 | 7 | 跟随 / 引领 / 匹配节奏 / 观察 / 揭示 / 对抗 / 环绕 |

缺失的层级从来不是运动——而是角度。 一个只有平移和推镜的库，正是相机显得单薄的原因。

三条规则，全部机器校验：

1. 固定镜头要有一行明确的锁定说明。 模型会漂移，尤其是在广角镜头上。每个
Static Shot 都要加上“相机在整个场景期间完全静止，只有主体产生运动。”
2. 每个运动镜头都必须写明它与主体的关系。 没有它，两种运动会各走各的时钟——表现为抖动，以及角色看起来像在滑行。
3. 丰富的相机工作不是相机展示 reel。 一个片段中最多一半的镜头可以运动；
其余锁定，能量由 2D 原生运动提供——锁定相机之下，一幅活着的画。

实拍术语用于思考；输出的一切都会映射回官方 20 个词
（crane_up → Pedestal Up、whip_pan → Pan Right + large + fast）。测试强制每个
映射目标都是真实的官方术语——该技能不会教你写出模型会忽略的词。来源与完整表格：references/camera-vocabulary.md。

运镜：六层，而不是一层（角度丰富，平面不变）

H3 只认官方那 20 个运动词。所以「丰富运镜」不能靠编新词——crane shot、whip pan
模型根本不读。丰富化只能靠分层：

景别 → 角度 → 构图 → 焦 → 官方运动词 → 相机与主体的关系 → 这一下要揭示什么

原来缺的从来不是运动词，是角度层。 一个只有平移推拉的库，镜头当然是薄的。

三条硬规矩，全部机器校验：固定镜头必须再用自然语言加一次锁（模型在远景上会自己飘）；
运动镜头必须写清与主体的关系（不写就抖动、人物像在飘）；
运镜丰富 ≠ 运镜展览（每段运动镜头 ≤ 一半，其余靠 2D 专属招提供动感——机位锁死、画面在动）。

实拍术语只用于思考，输出前一律映射回官方词；测试强制每个映射目标都是真官方词。
词表与来源见 references/camera-vocabulary.md。

让舞蹈变得魔性（上瘾）

一支舞之所以令人难忘，不是因为它复杂，而是因为它被重复到你也能跳。所以运动层不是更长的词表——而是一套重复设计。

| 层级 | 字段 | 它决定什么 |
|---|---|---|
| 病毒式层级 | seg.motion.viral_level | 这个片段重复得有多狠——0 克制 → 3 洗脑 |
| 重复安排 | seg.motion. | 运动单元长度、循环长度、重复次数、在哪里变异、哪个变体 |
| 钩子 | plan.motion_design.hook_id | 影片的唯一标志性动作，每个副歌中都必须出现 |
魔性度逐段从音乐推导而来——而且越到结尾越升级，因为
魔性是先积攒、再引爆的东西。哪怕是一首能量平坦的曲子，你也会得到
主歌克制 → 副歌抓耳 → 结尾洗脑。
bash
python3 scripts/mvstudio.py motion                          # 菜单 + 当前设计
python3 scripts/mvstudio.py motion --hook shoulder_pop_8
python3 scripts/mvstudio.py motion --viral 3                # 整部片子拉到洗脑
python3 scripts/mvstudio.py motion --segment C2 --viral 0   # 某一段保持克制

八种记忆点动作，每一种都为不同风味的成瘾性而设计：身体纹丝不动、只有脑袋在点的
点头；八次抖肩，计数本身就是笑点；每次停顿越来越久的跺脚；挤压拉伸的蹲弹，
这是通往惹人喜爱的笨拙感的最快路径；一个半转，三次都差一点停住，然后超额兑现。

五种重复变体——递增强调、双倍速、半速、错位半拍卡农，以及
砍掉最后一次（你一直在哼的那个记忆点做到一半就停了）。铁律：
变异是同一个动作的变奏；它绝不替换动作。 替换了动作，记忆就断了。

循环表由拍网格驱动，而不是靠猜一个「重复 4 次」——这与所有已发表的
音乐条件舞蹈生成模型共享同一个前提。我们取原理，不取任何
依赖；管线依然是零依赖。

让舞蹈「魔性」起来

一支舞之所以洗脑，不是因为编舞复杂，恰恰是因为它简单到你能跟着做，然后做了八遍。
所以动作层的核心不是更长的词表，而是重复的设计。

魔性度逐段从音乐推，而且往后递增——魔性是攒起来再爆的。哪怕整首歌能量平坦，
你也会得到 主歌克制 → 副歌魔性 → 结尾洗脑。

八种记忆点动作，各治一种「停不下来」：身体完全不动只有头在点的点头锁；
把计数本身变成笑点的抖肩八连；越停越久的跺脚停顿；
挤压拉伸最出「憨」的蹲弹；差一半三次然后超额兑现的半转重复。

五种重复变体——递增强调、双倍速、半速拖拍、错位半拍卡农，以及末次截断
（你正在哼的那个动作突然只做一半）。铁律：变异是同一个动作的变奏，绝不换动作。
换了动作，记忆点就断了。

循环表由拍网格驱动，不是拍脑袋写「重复 4 次」——这条前提和所有已发表的
音乐驱动舞蹈生成模型一致；我们只取原理，不取依赖，管线仍然零第三方依赖。

最后一个手势

一个站定的姿势是结束一部片子最偷懒的方式。最后一个手势才是观众会记住的东西。
2d-limited-mv-studio 提供八种可导演的结尾，依据音乐自身的结尾性格来排序：

| id | 结尾 | 会发生什么 |
|---|---|---|
| jump_freeze | 跃起定格 | 完整起跳，在最高点定格，背景被抽离成一条偏移的轮廓线 |
| reach_and_crack | 伸手裂屏 | 她把指尖戳进镜头；整个画面像玻璃一样裂开，白光透出 |
| swipe_to_black | 手一滑黑屏卡点 | 手臂扫过镜头，画面在强拍上恰好切黑，留下一道残影 |
| frame_drop_vanish | 逐帧抽掉 | 手臂先消失，然后是躯干，动作继续，直到只剩一条轮廓线 |
| misregistration_exit | 印版退位 | 分层脱印：颜色 → 线条 → 只剩套准标记 |
| spin_to_line | 旋转成线 | 旋转中途身体坍缩成一条竖线，然后向上被擦除 |
| paper_tear_exit | Paper Tear Exit 纸撕离场 | 画面从中间撕裂；她从裂口处舞动离场 |
| look_back_fade | Look Back, Fade 回望褪色 | 全片唯一的停顿——她回望，画面淡出为一张旧照片 |

每一个结尾都保留了身份。消失的是画，从来不是人。

末帧链接

C1 ──its last frame──▶ C2 ──its last frame──▶ C3 ──▶ C4

前一段的末帧成为下一段的首帧。
这是模型无法反驳的唯一连续性证据：它看到的是同一张图。

由此产生两条硬约束，其中一条是真正值得点明的设计张力：

1. 风格变化发生在片段内部。 链接的首帧会把前一段的美术风格一并带入。与其在“连贯”和“每段一种新风格”之间二选一，2d-limited-mv-studio 两者兼顾：0–1.5 s 保持前一段的绘画风格和姿态，然后世界在镜头内完成过渡。过渡本身成为一个事件，而非一次剪切。
2. 链接时不要改变姿态。 一份第三方实测报告（未经核实——见 references/platform-playbook.md）指出，当两个链接帧之间的垂直位移超过画面高度的 12 % 时，会出现肢体撕裂。我们采取保守立场。

帧捕获阶梯：ffmpeg → macOS AVFoundation（无需安装；已验证可在 15.034 s 处提取 2560×1440 的帧）→ 从平台时间线导出。
它绝不会把首帧冒充为末帧。

每一步都等你确认
bash
python3 scripts/mvstudio.py confirm --status
python3 scripts/mvstudio.py confirm --step canon --note "人设没问题"
python3 scripts/mvstudio.py confirm --all

确认点写入 workspace/confirmations.json——可审计、可撤销：

gate → analyze → lyrics → canon → threeview → styles → segments
→ prompt-01 … prompt-N      每一个提示词
→ chain-01  … chain-N       每一段的输出和尾帧
→ ending → render → validate → pack

只要有任何未确认项，render 和 pack 会拒绝继续（退出码 5），除非你传入
--unattended。（MiniMax Design 自己的上手评测把用户仅有的两个动作描述为
“确认，以及等”——确认，然后等待。节奏吻合。）

机器检查的内容

不是“看起来不错”——而是那些可以被断言的东西：

segments = ceil(duration / 14.5), each ≤ 15 s, contiguous
every camera word is in H3's official 20-term vocabulary
every background lyric element is derivable from that segment's lyrics
≥ 3 distinct art movements across the film, never the same one twice in a row
six sections present, in order, zero Markdown, ≤ 7000 chars per prompt
no music-generation instruction anywhere
the six render-critical canon fields are filled

中文

为什么是 14.5 秒

H3 的 duration 只接受 4–15 的整数；而它的帧网格（17k+5）意味着
请求 15 秒实际交付 362 帧 ≈ 15.083 秒。

所以两个数字被刻意分开：
| | 值 | 为什么 |
|---|---|---|
| 音乐切点 | 14.5 秒，吸附到最近的小节线 | 音乐上干净，也是你要的单位 |
| H3 duration | 15 | 「实出时长仍能盖住音乐」的最小合法整数 |
| 实出 | 15.083 秒 | 已在真实 H3 产出上核对 |
| 可用 | 14.5 秒 | 多出的 0.58 秒是接缝重叠量——把缝藏在最快的那一下动作里 |

单纯向上取整会悄悄截断音乐（请求 6 秒只交付 5.875 秒）。
2d-limited-mv-studio 取的是「实出时长仍能盖住音乐」的最小整数。

每条提示词的固定六段
text
人物与参考保持一致性：  参考素材职责 + 完整 Character Canon + 漂移禁令
风格提示词：           2D · limited animation · hand-drawn · flat composition + 本段画风
内容提示词：           延续上一帧的接续句，然后逐镜头写
integrated_multimodal_description:  参考 / 歌词 / 音乐 / 舞蹈 / 剪辑如何协同
overall_soundscape:    环境音与身体动作的物理声音
non_diegetic_music: N/A

N/A 不是省略。你已经自己上传了原曲，这里没有任何一句要求模型作曲——
这同时避开了官方列出的失败模式：一边要配乐、一边禁配乐。

最后一个手势

站定是最偷懒的收尾。观众记住的是最后一个动作。
2d-limited-mv-studio 提供 八种可直接写进提示词的收尾效果，并按音乐自己的收束性格排序
（见上方英文表格 / python3 scripts/mvstudio.py endings）。

每一种都不改变人物身份。消失的是「画」，不是「人」。

尾帧续接

C1 ──它的最后一帧──▶ C2 ──它的最后一帧──▶ C3 ──▶ C4

上一段的最后一帧成为下一段的第一帧。这是模型无法争辩的连续性证据——
它看到的是同一张图。

随之而来两条硬约束，其中一条是值得点明的设计张力：

1. 画风转换发生在段内。 续接的首帧会把上一段的画风一起带进来。
我们没有在「接得上」和「每段换画风」之间二选一，而是两个都要：
0–1.5 秒保持上一帧的画风与姿势，之后世界在同一个镜头内转场。
转场本身变成了一个事件，而不是一次硬切。
2. 续接时不要换姿势。 一条第三方现场经验（未经官方证实，见
references/platform-playbook.md）：首尾帧之间垂直位移超过画面高度 12%
容易肢体撕裂。我们取保守的一侧。

取帧降级：ffmpeg → macOS 自带 AVFoundation（无需安装；实测取出
2560×1440、位于 15.034 秒的精确尾帧）→ 平台时间轴导出。
绝不拿首帧冒充尾帧。

每一个步骤都等你确认

确认点落盘在 workspace/confirmations.json，可查、可撤销：

gate → analyze → lyrics → canon → threeview → styles → segments
→ prompt-01 … prompt-N      每一条提示词
→ chain-01  … chain-N       每一段的输出与尾帧
→ ending → render → validate → pack

未确认时 render / pack 拒绝继续（exit 5），除非显式 --unattended。

机器校验的是这些

段数 = ceil(时长 / 14.5)，每段 ≤15s，首尾相接
运镜全部落在 H3 官方 20 词表内
每个背景歌词元素都能从该段歌词推出
整片穿越 ≥3 种画风，且相邻两段不重复
六段齐全且有序，零 Markdown，每条 ≤7000 字符
全文没有任何生成音乐的要求
六个渲染关键 Canon 字段已填满

Quick start
bash
git clone  ~/Desktop/2d-limited-mv-studio && cd ~/Desktop/2d-limited-mv-studio

python3 scripts/mvstudio.py doctor          # environment check
python3 scripts/mvstudio.py all             # deterministic pipeline
python3 scripts/mvstudio.py endings         # pick the last gesture
python3 scripts/mvstudio.py confirm --all   # confirm each step
python3 scripts/mvstudio.py render          # six-section package
python3 scripts/mvstudio.py validate        # must exit 0
python3 scripts/mvstudio.py pack --platform xiaoyunque

Runs from any directory with --project . If the skill folder itself is read-only
(shared install, sandboxed session), the CLI tells you exactly which command to run instead.

Platforms

Best on 小云雀 and MiniMax Design — this skill is tuned for their cut, first/last-frame and
AI-edit features. Other platforms work too: anything that accepts an uploaded asset plus a
per-segment prompt can run the package; with --platform generic you get a canvas-agnostic
playbook instead of a platform-specific one.
最佳平台是 小云雀 与 MiniMax Design —— 本技能专门适配了它们的切割、首尾帧与 AI 剪辑能力。
其他平台同样可以挂载运行：任何支持「上传素材 + 逐条提示词」的画布都能跑，
--platform generic 会给出与画布无关的通用操作单。

| | 小云雀 | MiniMax Design |
|---|---|---|
| cut | 智能分镜 / 时间轴切割 | AI 剪辑（自然语言）——实测「裁掉最后 2 秒」通过 |
| first frame | 首尾帧模式 | 尾帧作为首帧参考；或 3D 导演台先摆姿势 |
| identity lock | 角色库 / 局部重改 | 资产中心（人物锚） |
| rhythm | 逐条提交 | Agent 先反问确认再动手 |

分工是：音乐由本技能切，画面由平台裁。
完整落地手册、各自的坑、以及每条结论的来源与
可信度，见 references/platform-playbook.md。

分工是：音乐由本技能切，画面由平台裁。 完整落地手册、各自的坑、以及每条结论的来源与
可信度，见 references/platform-playbook.md。

安装

bash
bash install-to-dsh.sh ~/my-project    # symlink into /.dsh/skills/2d-limited-mv-studio

使用 DeepSeek Harness 构建

这是一个 DeepSeek Harness（DSH）智能体技能，任何 DSH agent 都能挂载；
因为它就是 SKILL.md + 零依赖 Python，在 Claude Code / Codex / Cursor 里同样可用。

这是一个 DeepSeek Harness（DSH）智能体技能，任何 DSH agent 都能挂载；
因为它就是 SKILL.md + 零依赖 Python，在 Claude Code / Codex / Cursor 里同样可用。

社区标签： deepseek-harness dsh agent-skill ai-video minimax-h3
music-video prompt-engineering 2d-animation lyrics art-direction xiaoyunque

环境要求

- Python ≥ 3.7，仅使用标准库。整条流水线以零第三方依赖运行
（已在 3.9.6 系统 Python 上测试）。
- 可选项，每一项都严格为增量增强：
- ffmpeg 或 macOS afconvert —— 切割非 WAV 音频
- macOS AVFoundation（内置）—— 提取精确的尾帧
- numpy / librosa —— 更精准的 BPM 与频谱分析
- 艺术风格库（147 个流派，带分层提示词）—— 路径可配置；没有它时
本技能会降级为内置媒体调色板，并如实说明

测试

bash
python3 -m unittest discover -s tests -t tests
Ran 173 tests … OK

173 个测试，零依赖，包括一次端到端运行（合成素材 → all → 草稿
必须拒绝渲染 → 填充 → 渲染 → 校验 → 打包）以及一个隐私守卫：一旦项目专属名称、
私有提示词集或硬编码本地路径进入包中，构建即失败。

仓库结构

2d-limited-mv-studio/
├── SKILL.md                    技能本体 —— 工作流、硬性关卡、DoD
├── config/defaults.yaml        可调参数（导演判断不在这里）
├── scripts/
│   ├── mvstudio.py                单一入口，15 个子命令
│   └── lib/
│       ├── beats.py            节拍网格 · 小节对齐 · 14.5 秒分段 · H3 时长契约
│       ├── slicer.py           实际切割音频（ffmpeg → afconvert → wave）
│       ├── h3render.py         六段式渲染器（mv / ref / i2va / t2va）
│       ├── chain.py            跨分段的尾帧链接
│       ├── frames.py           帧捕获（ffmpeg → AVFoundation → 平台导出）
│       ├── endings.py          八种可导演的结局
│       ├── motion.py           魔性动作：viral level · beat-driven repeat schedule · hook
│       ├── camera.py           六层镜头语汇（角度、取景、2D 运动）
│       ├── styleroutes.py      穿越艺术史的六条融合路线
│       ├── threeview.py        角色三视图
│       ├── confirm.py          逐步确认台账
│       ├── platforms.py        小云雀 / MiniMax Design 适配器
│       ├── gates.py            机器可校验的门禁
│       ├── director.py         草稿 + 工作表
│       ├── materials.py        素材与时长门禁
│       ├── canon.py            角色设定脚手架
│       ├── pack.py             上传包
│       ├── music.py            音频分析（librosa → numpy → stdlib）
│       ├── audioprobe.py       ffprobe → afinfo → 纯 Python
│       ├── imgprobe.py         图像探测与调色板，纯 Python
│       ├── lyricsrc.py         歌词来源（embedded / lrc / srt / vtt / txt / ASR）
│       ├── artbridge.py        通往艺术风格库的桥接
│       ├── miniyaml.py         微型 YAML 读取器（无 PyYAML）
│       └── common.py           路径、配置、日志、降级
├── references/                 方法、语汇、官方 H3 指南
└── tests/                      173 项测试，零依赖

设计说明

一些并不显而易见的决定，以及它们背后的理由：

角色设定存放在官方槽位，而非正文中。
一种来源方法坚持每个提示词都要重述完整的角色设定；另一种则坚持绝不能在正文中描述外貌，
因为文本与参考图会相互冲突，导致模型漂移。
两者都对，只是适用于不同的位置。H3 的全参考模式有 subject_definitions 和
retention_analysis —— 正是格式为此预留的槽位。设定放在那里；正文保持干净。

大声降级，绝不悄悄降级。
没有 ffmpeg？你会得到一份毫秒级精确的剪辑表，并被告知自行剪辑 —— 而不是一个
悄无声息的错误结果。没有帧提取器？报错，并给出通往平台自带导出的路径。
每一次回退都会连同其影响一并记录。

色彩不是装饰。
艺术运动的选取由歌词索引，每一个背景元素都必须能追溯到它所处的那一行歌词。
随意的装饰是校验失败，而非风格。

许可证

MIT —— 见 LICENSE。

One body. Many worlds. The same face at the last frame.*
一具身体，许多世界，最后一帧上还是同一张脸。