agentleFS
LingyiChen-AILingyiChen-AI/skills/jimeng-product-drama/SKILL.md

jimeng-product-drama

Skill1 starsChanged 8 days agoApache-2.0View on GitHub

Use when 要用即梦 dreamina CLI 把产品宣传视频 / 产品介绍改编成约 1 分钟的竖屏剧情短片,用真人照片(自己、同事、老板)当演员出镜;关键词:产品讲解短剧、产品宣传片改剧情、真人出镜 AI 视频、用我的照片演、痛点分析 + 场景解决、Seedance 全能参考、multimodal2video、按分镜出片、拼初剪。多集连载 IP 短剧(24/72 集)不用本 skill,用 ai-short-drama(OnlyShot)。

  • Pipes a download into a shell

The file

Files
SKILL.md

即梦产品讲解短剧(真人出镜,约 1 分钟)

把一条产品视频 + 2 张人物照片,做成「冲突 → 产品解决 → 结果」的 1 分钟竖屏剧情片。 基于 OnlyShot(MIT,原文件在 upstream/)精简:去掉市场扫描、多集大纲、ref 库和分镜图层, 改成 5 段 × 10~12 秒长镜头,用真人照片直接做全能参考。

所有脚本在 scripts/,用 python scripts/<名>.py 调用,参数第一个是项目目录。

实测事实(2026-11-13,以此为准,references/ 里冲突的说法作废)

事项结论
真人照片做参考可以。multimodal2video 传真人照片能出片、脸很稳。OnlyShot 文档「即梦 2026-02-09 停用真人主体参考」不成立
模型默认 seedance2.0fast_vip:约 6 积分/秒,12 秒段 72 积分,3~5 分钟出片。seedance2.0fast 约 4 积分/秒但标准会员排队约 10 小时,别用
单段时长Seedance 2.0 系列 4~15 秒;一段 prompt 里写 2~3 个分镜头,模型会自己切镜
并发5 段同时提交没问题,全部约 5 分钟
音频自带中文对白和环境声,口型基本能对上;对白是否念对要人听
网页端任务CLI list_task 看不到网页端提交的任务,反之网页「全能参考」历史能看到 CLI 任务
片头留白prompt 写「留出空白区域」会生成一整条纯白画面,不要写

流程

0. 前置检查

dreamina version || ls ~/bin/dreamina.exe     # 没装:curl -fsSL https://jimeng.jianying.com/cli | bash(Windows 用 Git Bash)
dreamina user_credit                          # 未登录:dreamina login --headless,把 verification_uri 给用户去浏览器授权,
                                              # 同时后台跑 dreamina login checklogin --device_code=<code> --poll=600

余额要 ≥ 秒数 × 6 × 1.5(留重拍余量)。

1. 看素材

python scripts/看视频.py <产品视频> <项目>/素材检查      # 每 6 秒一帧、带时间戳的联系表

用 Read 逐张看联系表和人物照片。记下:每个卖点出现的原片时间、画面字幕原文、人物外形(发型、服装、配饰)。

2. 写 <项目>/01_故事与痛点分析.md

复制 templates/01_故事与痛点分析.md 填写。章节顺序固定为:故事 → 人物 → 痛点分析 → 场景解决对照 → 出片说明 → 附录(原片拆解)。 原片时间轴放附录、标题注明「不是本片时间轴」,否则用户会以为故事没改。

故事配方(约 60 秒):

段时长内容
112s冲突开场:痛点爆发(积压 / 出错亏钱),配角发难,主角接下挑战
212s产品登场:配角质疑 → 主角操作 → 产品自动干活(讲 2~3 个卖点)
312s打消顾虑:配角问「会不会出错」→ 产品的安全机制
412s结果 + 算账:第二天数据、成本
510s收尾:人被解放,品牌露出

每段最多讲 2~3 个卖点;原片卖点放不下的,在文档里写明删了哪些。写完给用户确认再出片。

3. 写 <项目>/分镜.json

复制 templates/分镜.json。每段 prompt 的结构固定为:

  1. 第一句:@图片1 作为<主角>的形象参考,@图片2 作为<配角>的脸部形象参考。(顺序与 refs 一致)
  2. 第二句:服装锚点,每段原样复制同一句(不写会每段换发型 / 首饰)
  3. 镜头1(0-4秒):… 镜头2(…):… 镜头3(…):…,对白用中文引号、每句 20 字内
  4. 公共 style 自动追加:写实、竖屏、脸与参考图一致、画面中不要出现任何文字、字幕和品牌标识

措辞替换(实测):

  • 「黑眼圈很重」→「面容疲惫,只有淡淡的黑眼圈(不是淤青)」
  • 「表情变坚定」→「表情笃定,嘴角带一点自信的笑,不惊讶、不张大嘴」
  • 杯子 / 手机等道具 → 加「无品牌标识的」
  • 产品界面 → 只写「蓝白色调的软件界面自动运行」,真实界面后期叠

可选 subtitles: [[开始秒, 结束秒, "文字"], …](段内相对时间),拼初剪时自动烧字幕。

4. 出片:先 1 段,再其余

python scripts/出片.py <项目> all --dry-run        # 看字数和预估积分
python scripts/出片.py <项目> 1                     # 后台跑(run_in_background),约 3~5 分钟
python scripts/抽帧检查.py <项目> 1                 # Read <项目>/检查/段01.jpg
python scripts/出片.py <项目> 2 3 4 5               # 第 1 段脸和风格 OK 再出其余
python scripts/抽帧检查.py <项目>
python scripts/出片.py <项目> 3 --redo              # 某段不满意:改 prompt 后重出

验收每段看:两人脸是否像参考图、服装锚点是否一致、分镜头顺序是否对、有无品牌 / 文字 / 白屏、表情是否符合剧情。

5. 拼初剪

python scripts/拼初剪.py <项目>     # → 初剪.mp4(720x1280,原声,右上角「AI生成」,有 subtitles 就烧字幕)

抽一帧 Read 确认角标位置,再把结果、积分花费、逐段问题清单报给用户。

6. 后期清单(交给用户或继续用 ffmpeg 做)

  • 电脑 / 手机屏幕叠产品真实界面截图(从产品视频截)
  • 卖点大字、片尾 logo + slogan(从产品视频最后一帧截)
  • 发布前过 references/compliance-2026.md:AI 标识、肖像授权(出镜的真人要本人同意)

常见错误

错误后果正确做法
照搬 OnlyShot 36 镜 × 4~10 秒产品片 3 分钟、积分翻倍5 段 × 10~12 秒
用默认 seedance2.0fast排队 10 小时seedance2.0fast_vip
以为真人照片会被拦,先去生成 AI 形象白花积分、脸不像直接用真人照片做参考
5 段一次全提交风格不对时 5 段全废(约 350 积分)先出第 1 段验收
在 bash 里拼中文 prompt 调 dreamina引号转义坏、任务被静默丢弃只用 scripts/出片.py(参数列表调用)
多段下载到同一目录再按时间改名段号对错视频每段独立临时目录(脚本已处理)
让 AI 画产品界面界面字是乱码后期叠真实截图
「不要字幕」只写在末尾公共 style 里对白多的段被模型烧进字幕,还有错别字(实测出现过不雅错字)每段 prompt 第一行写「画面纯净:绝对不要出现任何字幕、文字、标题或水印,对白只用声音和口型表现。」
把只在部分段出场的角色 / 特效写进公共 style不该出现的段也出现(觉醒前就有金瞳和精灵)公共 style 只放全片通用的画风;特效角色写进出场的段;关键的「没有特效」段明确写「眼睛正常、没有 XX」
多角色片全片共用一组 refs参考图超 9 张或不出场的人被画进来每段写自己的 refs,只放该段出场角色(脚本已支持)
配角定妆照用四宫格全身小脸容易变形用单人半身或膝上 3/4 身正面照(--ratio=3:4),全身信息靠文字描述

参考(按需读)

  • references/jimeng-failure-modes.md:失败类型区分、prompt 1500 字上限、敏感词替换
  • references/compliance-2026.md:AI 标识与上线合规(其中「停用真人参考」一条已被实测推翻)
  • 镜头语言、运镜词:references/storyboard-craft.md
  • 多集长剧完整流程:upstream/SKILL_OnlyShot.md

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.