UnityClaw 多参考图视频生成

先解决什么？

做视频生成时，常见三个麻烦：拿多张参考图时，模型常把它们当“通用素材”，不区分各自承担的角色；首帧动画里，说不清“哪些该动、哪些要贴紧原图”，导致输出飘了；生成后只看返回消息，不管本地文件是不是真的存在、大小是否正常，交出去才发现是空文件。这个技能就是处理这三件事。

核心能力与关键步骤

它支持三种输入：纯文本、最多9张参考图、或用一张首帧图直接动画化，输出可控的 HappyHorse 视频。整个流程拆成三步：

• 1. 先定义镜头：要提取主体、时间动作、镜头运动、场景、构图、光影、风格、时长、目标版式，还要给每张参考图写清“它提供什么”。短片段只聚焦一个连贯镜头，别贪多。first_frame 模式必须明确：哪些元素动，哪些要锚定在原图构图上。

• 2. 再选生成模式：

| 需求 | 用 --action 选 | 附带参考图 |
|------|------------------|------------|
| 文本/多参考图生成 | reference_image | 0到9张 |
| 让首帧动起来 | first_frame | 必须1张 |
分辨率默认1080P，快速出初稿用720P；first_frame 的比例由源图决定，不用额外传 --ratio。

• 3. 执行并严格验证：调用 scripts/generate.js 时用 --json 拿结构化结果，还要指定 --output-dir 存文件。用户给的参数要加引号，别并发发多个生成任务。只有当返回的 success 是 true，且每个视频都有本地真实路径和正字节大小时，才算成功。要交代清楚动作、分辨率、比例（适用时）和时长；遇到 error.retryable 是 true 的错误再重试，主观想改风格的话，先等反馈，别直接烧下一次生成。

适用边界与注意点

• 它不是万能视频编辑器：不会补镜头、不拼接多段、不修改已有视频，只做单镜头生成。
• 环境变量 UNITYCLAW_KEY 必须提前设好，依赖 @unityclaw/sdk，自动安装声明会处理，手动跑的话可能要自己装。
• 不要把参考图当“可互换素材”，每个都要写清作用，不然模型会乱。
• 别试图同时跑多个生成任务，容易互相干扰。
• 时长时间固定3到15秒，比例支持5种（16:9 9:16 1:1 4:3 3:4），first_frame 不覆盖源图比例。
• 不要在提示词里写特效代码、不要上传超大图、不要把复杂剧情塞进单镜头，这些会偏离技能的设计目标。