豆包图片与视频生成

这个 skill 提供豆包（火山引擎 Ark）的图片生成和视频生成能力，结果保存到本地。

适用场景：

• 用户明确指定使用豆包生成图片或视频
• 需要文生图、图生图、文生视频、首帧图生视频等

脚本位于 skill 目录内的 scripts/，运行时始终使用绝对路径。

设 DOUBAO_SKILL_DIR 为 .claude/skills/doubao-all-in-one 的绝对路径：

图片

• 文生图：uv run python $DOUBAO_SKILL_DIR/scripts/text_to_image.py
• 图生图：uv run python $DOUBAO_SKILL_DIR/scripts/image_to_image.py

视频

• 创建视频任务：uv run python $DOUBAO_SKILL_DIR/scripts/create_video_task.py
• 查询视频任务：uv run python $DOUBAO_SKILL_DIR/scripts/query_video_task.py
• 批量查询任务：uv run python $DOUBAO_SKILL_DIR/scripts/list_video_tasks.py
• 取消/删除任务：uv run python $DOUBAO_SKILL_DIR/scripts/delete_video_task.py
• 下载视频：uv run python $DOUBAO_SKILL_DIR/scripts/download_video.py
• Webhook 回调服务器：uv run python $DOUBAO_SKILL_DIR/scripts/webhook_server.py

快速调用

文生图

uv run python $DOUBAO_SKILL_DIR/scripts/text_to_image.py 
  --prompt "一张电影感写实人像海报，光影强烈，构图干净" 
  --name "写实人像海报"

图生图

uv run python $DOUBAO_SKILL_DIR/scripts/image_to_image.py 
  --image resources/images/climb1.jpeg 
  --prompt "保留主体动作，改为日落暖光的写实摄影风格" 
  --name "日落暖光人像"

文生视频（创建 + 轮询 + 下载一步完成）

uv run python $DOUBAO_SKILL_DIR/scripts/create_video_task.py 
  --prompt "写实风格，晴朗的蓝天之下，一大片白色的雏菊花田，镜头逐渐拉近，最终定格在一朵雏菊花的特写上，花瓣上有几颗晶莹的露珠" 
  --name "雏菊花田特写" 
  --ratio 16:9 --duration 5 --poll

首帧图生视频

uv run python $DOUBAO_SKILL_DIR/scripts/create_video_task.py 
  --prompt "女孩抱着狐狸，女孩睁开眼，温柔地看向镜头" 
  --name "女孩抱狐狸" 
  --image-url "https://example.com/first_frame.png" 
  --role first_frame --ratio adaptive --duration 5 --poll

仅创建任务（异步工作流场景）

uv run python $DOUBAO_SKILL_DIR/scripts/create_video_task.py 
  --prompt "小猫对着镜头打哈欠" --name "猫咪打哈欠" --ratio 16:9 --duration 5

创建任务 + Webhook 回调（替代轮询）

# 先启动 Webhook 服务器
uv run python $DOUBAO_SKILL_DIR/scripts/webhook_server.py

# 再创建任务，传入回调地址（不传则自动检测本机 8888 端口）
uv run python $DOUBAO_SKILL_DIR/scripts/create_video_task.py 
  --prompt "小猫对着镜头打哈欠" --name "猫咪打哈欠" --ratio 16:9 --duration 5

图片输入与输出

输入

本地输出目录

所有路径相对于 OUTPUT_ROOT（由环境变量注入，兜底为用户主目录）：

• outputs/doubao/images/text_to_image/
• outputs/doubao/images/image_to_image/

脚本输出 JSON

{
  "type": "image",
  "scene": "text_to_image",
  "provider": "doubao",
  "used_model": "doubao-seedream-5-0-260128",
  "local_path": "outputs/doubao/images/text_to_image/20260330_120000.png",
  "image_count": 1,
  "generated_images": 1,
  "usage": {"generated_images": 1, "output_tokens": 0, "total_tokens": 0}
}

视频输入与输出

输入

本地输出目录

所有路径相对于 OUTPUT_ROOT（由环境变量注入，兜底为用户主目录）：

• outputs/doubao/videos/text_to_video/
• outputs/doubao/videos/first_frame_to_video/
• outputs/doubao/videos/first_last_frame_to_video/

视频脚本输出 JSON

创建任务返回：

{
  "type": "video",
  "scene": "text_to_video",
  "provider": "doubao",
  "task_id": "cgt-2025xxxx",
  "status": "queued"
}

轮询完成并下载后返回：

{
  "type": "video",
  "scene": "text_to_video",
  "provider": "doubao",
  "task_id": "cgt-2025xxxx",
  "used_model": "doubao-seedance-1-5-pro-251215",
  "local_path": "outputs/doubao/videos/text_to_video/20260330_120000_cgt-xxx.mp4",
  "source_url": "https://...",
  "resolution": "480p",
  "ratio": "16:9",
  "duration": 5
}

查询任务返回：

{
  "task_id": "cgt-2025xxxx",
  "model": "doubao-seedance-1-5-pro-251215",
  "status": "succeeded",
  "created_at": 1743300000,
  "updated_at": 1743300120,
  "video_url": "https://...",
  "last_frame_url": "https://...",
  "resolution": "480p",
  "ratio": "16:9",
  "duration": 5,
  "seed": 12345,
  "generate_audio": true,
  "draft": false,
  "service_tier": "default",
  "execution_expires_after": 172800,
  "usage": {"completion_tokens": 100, "total_tokens": 100}
}

模型选择

图片模型

视频模型

提示词最佳实践（图片，强制）

调用图片生成脚本前，必须先读取 references/seedream_prompt_guide.md，并对照以下检查清单审核用户的提示词。

执行规则

1. 必须读取参考文档：每次生成图片前，先读取 references/seedream_prompt_guide.md
2. 提示词公式：主体 + 行为（非必须）+ 环境（非必须）+ 风格/色彩/光影/构图（非必须）
3. 使用自然语言：用简洁连贯的自然语言描述，不要用逗号分隔的关键词堆叠
4. 质量检查与处理策略：对照检查清单逐项审核
   • 缺少主体：必须拒绝执行，返回 JSON 格式的拒绝信息，自行优化后请用户确认再执行
   • 其他不合规项（关键词堆叠、模糊代词、缺少风格描述等）：直接按最佳实践指南自动补充优化，向用户展示优化后的提示词并说明补充了哪些内容，然后直接执行
5. 自动优化格式：

   优化说明：
   - [具体补充了什么，如"补充了风格描述：莫奈油画风格"]
   
   文件名标题：[不超过 10 个中文字的内容简述，如"雪中小猫玩耍"]
   
   优化后提示词：
   [完整提示词]
   

   • 文件名标题：在优化提示词时同时生成一个简短标题，不超过 10 个中文字，调用脚本时必须通过 --name 参数传入。标题应概括画面核心内容，如"雪中小猫玩耍""金色麦田奔跑""日落海边漫步"

提示词质量检查清单

• 使用自然语言：是否用简洁连贯的句子描述画面，而非逗号分隔的关键词堆叠？
• 主体明确：是否清楚描述了画面中的主体是谁/什么？特征是否具体？
• 编辑目标明确（图生图）：是否准确指示了需要编辑的对象和变化要求？是否避免使用模糊代词？
• 保持不变的部分（图生图）：是否明确说明了希望保持不变的内容？
• 文字内容加引号：如需生成文字，文字内容是否放在双引号中？
• 简洁精确（5.0 lite/4.5/4.0）：是否避免了不必要的华丽词汇堆叠？简洁精确优于重复冗余
• 风格词精准：如有风格需求，是否使用了精准的风格词而非模糊描述？
• 多图关系清晰（多图输入）：是否清楚指明了不同图像间的编辑/参考关系？

必须拒绝的情况

• 主体完全缺失（如"一张好看的图""生成一张图"）

应自动补充的情况

• 关键词堆砌 → 改写为自然语言
• 缺少风格/美学描述 → 根据画面内容补充合适的风格
• 图生图中使用模糊代词 → 替换为具体对象描述
• 需要渲染文字但未加双引号 → 补充双引号
• 多图输入但未指明图间关系 → 根据意图补充关系描述

图生图额外规则

• 图像编辑（增加/删除/替换/修改）：用简洁明确的指令，准确指示编辑对象
• 参考图生图：提示词必须包含两部分——指明参考对象 + 描述生成画面
• 多图输入：清楚指明不同图像需要编辑/参考的对象及操作（如"用图一的人物替换图二的人物"）
• 设计草图转高保真：注明"遵循图中文字内容进行生成"，明确需与参考图保持一致的关键要求

提示词最佳实践（视频，强制）

调用视频生成脚本前，必须先读取 references/seedance_1_5_pro_prompt_guide.md，并对照其中的提示词质量检查清单审核用户的提示词。

参数约束

• 分辨率默认 480p：除非用户明确要求更高分辨率（如"720p""1080p""高清"），否则不得传 --resolution 参数，直接使用脚本默认的 480p
• 宽高比默认 16:9：除非用户明确要求其他比例（如"竖屏""正方形""9:16""1:1"等），否则不得传 --ratio 参数，直接使用脚本默认的 16:9。有首帧/尾帧参考图且用户未指定比例时也应使用 16:9，而非 adaptive

执行规则

1. 必须读取参考文档：每次生成视频前，先读取 references/seedance_1_5_pro_prompt_guide.md
2. 提示词公式：主体 + 运动 + 环境（非必须）+ 运镜/切镜（非必须）+ 美学描述（非必须）+ 声音（非必须）
3. 质量检查与处理策略：对照检查清单逐项审核
   • 缺少主体：必须拒绝执行，返回 JSON 格式的拒绝信息，自行优化后请用户确认再执行
   • 其他不合规项（缺少运动描述、缺少环境、切镜不清晰等）：直接按最佳实践指南自动补充优化，向用户展示优化后的提示词并说明补充了哪些内容，然后直接执行
4. 自动优化格式：

   优化说明：
   - [具体补充了什么，如"补充了运动描述：金毛犬在麦田中快速奔跑"]
   - [具体补充了什么，如"补充了环境描述：金色麦田，阳光从侧面照射"]
   
   文件名标题：[不超过 10 个中文字的内容简述，如"金毛麦田奔跑"]
   
   优化后提示词：
   [完整提示词]
   

   • 文件名标题：在优化提示词时同时生成一个简短标题，不超过 10 个中文字，调用脚本时必须通过 --name 参数传入。标题应概括画面核心内容，如"金毛麦田奔跑""猫咪打哈欠""海边日落漫步"

必须拒绝的情况

• 主体完全缺失（如"生成一个视频""做个动画"）
• 主体不明确且无法推断（如"一个东西在动"）

应自动补充的情况

• 缺少运动描述 → 根据主体特性补充合理的动作和运动方式
• 缺少环境描述 → 根据主体和场景补充环境信息
• 多人场景角色特征不可区分 → 为每个角色补充唯一标识特征
• 包含切镜但未区分镜头编号或景别 → 补充镜头编号和景别描述
• 包含对话但未指定语言类型或音色特征 → 补充音色和语言描述

配置

• 环境变量：ARK_API_KEY（必需，未设置时直接报错）
• 环境变量：OUTPUT_ROOT（可选，输出根目录，支持 ~ 展开，默认为用户主目录）

短剧批量视频生成

当用户请求为短剧的多个 clip（C01、C02…）批量生成视频时，遵循以下规则：

一 clip 一请求

• 每个 clip（CXX）是一个完整的视频生成请求，不得按分镜（sub-shot）拆分为多次请求
• 分镜仅用于提示词规划（描述运镜变化、景别切换等），最终合并为一条 prompt 提交给模型
• 示例：C01 有 2 个分镜（C01-1、C01-2），仍只调用一次 create_video_task.py --duration 8

输出目录与文件名

• 视频生成完成后，必须将文件从脚本默认输出目录复制到项目的视频生成目录
• 输出路径：outputs/scripts/{项目名}/video_generation/{篇章}/CXX.MP4
  • 例如：outputs/scripts/chong_sheng_zhui_qi_20260401/video_generation/nightmare/C01.MP4
• 项目名和篇章名从用户提供的视频生成指令文档路径中推断

协作方式

• 图片生成可直接完成任务
• 视频生成使用 --poll 模式可直接完成任务；异步工作流可分步操作
• Webhook 模式：先启动 webhook_server.py（默认端口 8888），创建任务时自动检测回调地址（优先级：手动 --callback-url > 环境变量 VIDEO_CALLBACK_BASE_URL > 自动检测本机 IP + 8888 端口）
• 如果用户还需要公网链接或临时下载链接，应由后续的交付环节继续处理