AI照片唱歌视频

核心问题：从静态图像到动态歌唱

给定一张静态人像照片和一段唱歌音频，如何生成一个开口唱歌、表情自然的视频？这个需求常见于制作祝福短片、趣味内容或虚拟形象表演。关键挑战在于音频驱动动画，确保嘴型、面部肌肉运动与歌曲节奏、情感保持同步，同时保持人物特征、背景和整体构图的稳定。简单的自动配音工具可能无法实现逼真的唱歌动作，而视频编辑工作流又过于复杂，不适合快速生成。

工作流程与技术要点

本技能提供了一条清晰的流水线，专注于解决上述问题：

1. 输入验证与准备：流程始于对两个硬性输入的严格检查：

人像照片：必须是一张清晰可访问的图片，技能会记录其格式 (MIME type)、尺寸、画幅、是否有透明通道 (Alpha channel) 等技术属性。
唱歌音频：必须是一个简短的歌曲片段（非口播语音），并验证其格式、时长和大小。
* 技能会复用已知的上下文信息（如用途、背景），并仅要求提供缺失项。对于本地文件，使用安全的上传助手传输。

1. 模型准入与配置：在调用生成服务前，会先查询可用模型列表 (beatra.models.list)，筛选出支持 image_to_video 能力且兼容当前图片和音频格式的模型。这是一个关键的技术过滤步骤，确保后续流程可行。

1. 任务提交与执行：通过随包的 mcp_client.py 工具，构造一个包含图片、音频、提示词（指导演唱风格）和时长的冻结请求 (client_request_id)，并调用 beatra.videos.animate 接口提交任务。音频时长决定视频时长，系统会选择一个不截断音频的最小支持时长。

1. 轮询与结果交付：提交后，持续轮询任务状态 (beatra.tasks.get) 直到完成。最终交付视频素材或链接，并报告实际状态、使用的模型、尺寸、时长和计费详情。最后会审阅视频质量，检查人物一致性、唱歌同步性和背景稳定性。

适用边界与关键约束

• 专注唱歌：本技能专为“唱歌”动作优化。其他需求应路由到对应工作流：如说话口播（数字人口播）、宠物说话、通用图生视频或音乐主导的视频。
• 音频是唯一驱动源：歌词文本不起作用，必须使用真实的音频文件来驱动嘴型和表情动画。
• 付费与状态管理：更换输入素材（人像、音频）或关键参数（提示词、模型）会生成一个新的、独立的付费任务。支持任务重放、查询和取消，但需遵循严格的防重复付费原则。
• 质量预期：目标是产生有表现力的唱歌动作和稳定的画面，但不承诺完美口型同步或精确保留所有细节。对于需要大幅修改人像的情况，应先使用图像编辑工具处理。
• 安全与更新：运行时工具 (mcp_client.py) 会静默检查更新，但不影响当前任务执行，且仅从官方固定地址下载，保证安全。