主页截图变创意视频：多模态工作流实操指南

教程目标

本教程说明如何把一张个人主页截图交给多模态模型和调度程序处理，生成一段约6秒的短视频。画面中，头像里的卡通形象走出头像框，撕下一段文字，并在旁边贴上一张手写便签。教程覆盖环境准备、素材标注、提示词模板、调度配置、结果验证和常见故障处理。

文中所有具体参数，包括模型名、接口地址、字段名和价格，都要以你所选平台的官方文档为准。本文给出的是占位符和可替换的结构，不代表某个平台的真实接口。

一、准备环境与权限

第一步是确认平台能提供三类能力：

1. 图像理解：识别截图中头像框和文字区块的位置。
2. 文本生成：根据区域信息改写提示词。
3. 视频生成：渲染动态画面。

这三类能力可以来自同一家服务商，也可以分开调用。

接下来在服务商控制台创建API密钥，并记录调用地址（base URL）、模型ID和可用区域。密钥不要写进代码或截图，建议放入环境变量：

export VIDEO_API_KEY="你的密钥"
export VIDEO_API_BASE="<服务商提供的调用地址>"

还需要确认三项限制。第一是配额，包括每日任务数和并发数。第二是单次任务的最长时长。第三是视频生成的计费方式，许多服务按秒计费，且单个任务耗时较长。先提交一条测试任务，记录实际耗时，再设定轮询的超时时间。网络方面，服务器需要能访问API域名，所有请求都要设置超时，例如连接超时设为10秒。

二、素材准备与区域标注

截图要求如下：

• 宽度不低于1080像素，使用PNG格式，避免压缩造成模糊。
• 头像必须完整可见，并记录头像框形状，圆形或方形。
• 把需要“撕下”的文字区块和需要保持不动的区块分开标注。

坐标以图片左上角为原点，单位为像素，建议整理成下表：

区域名称	类型	左上角 x,y	宽×高	说明
avatar	头像框	80,120	240×240	圆形
torn_text	动态交互区	380,300	620×180	简介第一段
static_keep	静态保留区	80,560	920×300	课程封面、名字和单位
note_slot	便签放置区	760,520	260×200	位于简介右下方

标注完成后，用画图工具在截图上画出这些矩形，导出为 region_check.png，人工核对一次。坐标错误会直接让动作落在错误位置，而且后续每一步都会沿用这个错误。

三、提示词模板

提示词要把动作顺序、保留区域和禁止项写清楚。下面的模板由本教程编写，不是从某个社区复制而来。方括号中的变量需要替换成第二步的标注结果。

[角色] 你是短视频分镜助手。输入为一张个人主页截图。
[画面] 固定镜头，画面尺寸 {width}x{height}，时长 {duration} 秒，{fps} fps。
[静态保留区] 区域 {static_region}（{static_desc}）保持完全静止，不产生形变、模糊或光影变化。
[主体] 头像框位于 {avatar_bbox}，形状为 {avatar_shape}。卡通形象需与原头像一致：{character_features}。
[动作时序]
- 0.0 至 1.0 秒：形象从头像框内走出，边缘平滑，不发生形变。
- 1.0 至 3.0 秒：形象走到 {torn_bbox}，用手撕下该区域的文字，文字内容为：{torn_text}。
- 3.0 至 4.5 秒：形象在 {note_bbox} 处贴上手写便签，便签内容为：{note_text}。
- 4.5 秒至结束：形象停留，画面定格。
[禁止项] 不改变其他文字；不添加水印；不出现新人物；不改变背景颜色。

各变量的填写方式如下：

变量	填写方式	示例
{character_features}	只写能从画面中观察到的属性	短发，蓝色西装，白色衬衫
{torn_text}	逐字复制截图中的原文，不做改写	你复制的原文
{note_text}	便签内容，越短越容易识别	欢迎留言
{static_desc}	说明保留区包含的元素	课程封面、姓名、单位

提示词中的“保持一致”和“禁止”要写在具体属性上。只写“保持人物特征一致”，模型往往无法执行。

四、调度配置

多数平台的字段名不同，下面的YAML是本教程自定义的结构。字段名需要映射到你所用平台的实际接口。

```yaml
agent:
name: 创意视频助手
role: 多模态内容调度，把截图转为视频分镜并调用生成接口
steps:

- id: analyze_image
  capability: image_analysis      # 替换为平台的图像理解接口
  input: screenshot
  output: regions
- id: build_prompt
  capability: text_generation     # 替换为平台的文本模型ID
  input: [regions, prompt_template]
  output: final_prompt
- id: keyframe
  capability: image_generation    # 先出关键帧，人工确认后再渲染
  input: final_prompt
  output: keyframe_png
- id: render_video
  capability: video_generation    # 替换为平台的视频模型ID
  input: [final_prompt, keyframe_png]
  params: {duration: 6, fps: 24, resolution: "1080x1920"}
  output: video_file

guardrails:
require_human_confirm_before_render: true
coordinates_source: region_table #