虚拟歌手 MV 制作

要解决的问题

传统虚拟歌手 MV 需要音频分析、分镜、角色图、动画、字幕、合成多个环节，人工对齐歌词时间和节拍、保持角色一致性、合成最终视频成本较高。该技能面向已有音乐音频、歌词文本、视频脚本/分镜、虚拟歌手三视图参考图的制作场景，把流程拆成可确认的阶段，减少多工具串接和人工对齐成本。

如何工作

技能围绕六步流水线：先用 openai-whisper-api 转写音频，并运行 scripts/analyze_audio.py 提取 BPM、节拍时间戳和总时长，输出 lyrics_timeline.json 与 scene_timeline.json；再用 VideoGen 根据文本或概念图生成每个场景片段，必要时用 media-downloader 补充素材。角色部分通过 ImageGen 和三视图生成多角度、多表情图像，并用 nano-banana-pro 精修放大。动画可选 VideoGen 动态视频、video-fx 风格模板或图生 3D 模型三种模式。最后用 remotion-video-toolkit 按时间轴合成场景、角色动画、原始音频和歌词字幕，失败时可回退到 FFmpeg 拼接。

适用边界

它适合 16:9 或 9:16 的场景化 MV，不是通用音乐生成或纯歌词创作工具。若音频以器乐为主，Whisper 可能无法产生有效歌词，需要依赖用户提供的歌词文本；若 VideoGen、3D 或渲染失败，流程会降级为静态图、模板动画或 FFmpeg 组装。角色一致性依赖相同的关键视觉描述前缀，默认输出 1080P、30 FPS。