技能介绍

要解决什么问题

把一段参考视频里的动作"搬"到一张静态照片上，是视频生成里一个很具体的需求：你拍了一张人物照片，手头有一段动作好看的舞蹈或手势视频，想直接让照片里的人做出同样动作，而不是重新拍摄或手搓动画。这个技能解决的就是这件事——输入一张主体照片和一段参考视频，输出一段新短视频，画面主体来自照片，动作节奏来自参考视频。

核心能力

核心引擎是内置的 VideoGen 图生视频模型。技能不是把视频文件直接扔给模型，而是先拆帧、分析运动，再把运动描述与主体描述组合成生成提示词：

拆帧：运行 scripts/extract_frames.py 从参考视频均匀抽取关键帧（默认 8 帧，快速复杂动作可调到 12–16 帧），让运动过程"可见"。
运动分析：按 references/motion-analysis.md 逐帧阅读，提取动作类型、身体部位、轨迹、节奏、关键姿态和能量等级，整理成结构化运动描述。
主体描述：识别照片中的人物数量、外貌、姿态与背景，这些属性需要在生成结果中保留。
提示词组装：根据单人、半身、双人或多人场景，选用 references/prompt-templates.md 中的对应模板合并主体与运动描述。
调用生成：通过 ToolSearch 加载 VideoGen，确认积分成本（5 秒约 50–100 积分）后，以图生视频模式调用。

多人场景下会先从左到右给人编号（Person A、B……），默认按位置把参考视频中的动作者映射到照片主体，空间关系和同步方式（一起 / 镜像 / 交替）也写进提示词；优先一次生成覆盖所有人，保证画面连贯。

适用边界

运动迁移是近似复刻：节奏和关键姿态能对上，但做不到逐帧精确匹配。
极快、遮挡严重或多肢体复杂动作容易跑偏。
单次生成通常只有 5 秒，更长序列需要拼接或循环。
即使提示词写了保留背景，背景仍可能发生变化。
内置引擎精度不够时可走外部服务，references/external-services.md 首推 Viggle AI；提交照片到外部服务前必须取得用户明确同意。
不要在未授权的情况下生成模仿真人或复刻版权舞蹈编排的内容。