图生视频 · skill pública Open Skill

图生视频

图生视频 é uma Open Skill pública no Digen. Abra para ver o que este fluxo cria.

@371133686

Film

2 0 1

https://d7qlwi7tl2u27.cloudfront.net/skill-covers/prod/4203025/2026-10-14/3dstf3zd.png

name: image-to-video-ltx
description: Use when the user provides a reference image (as the video's first frame) and wants to bring it to life as a cinematic video with native audio (dialogue/sound effects/music) — image-to-video (I2V) based on the LTX-2.3 22B distilled workflow with first-frame anchoring (strength 0.7).

# 图生视频（LTX-2.3 I2V）

## When to use
- 用户提供一张参考图（作为视频首帧），想让画面动起来，生成一段带原生音频（台词/音效/配乐）的电影感视频。
- 区分边界：改图用 image_edit；无参考图的纯文生视频用 text-to-video-cinematic；多镜头/系列短剧用 movie-maker。

## Steps
1. 确认参考图与动态意图：用户想看到什么动作/情绪变化、是否需要台词、期望时长（默认 5 秒）。
2. 参考图预处理：
   - 最长边等比缩放到 960px（不裁剪不拉伸）：16:9 → 960×540、9:16 → 540×960、1:1 → 960×960、4:3 → 960×720；
   - 原图 ≤960px 时保持原尺寸；分辨率过低时提示用户画质受限；
   - 检查清晰度、主体完整（人脸不被裁切）、构图。
3. 首帧锚定：参考图以 strength 0.7 注入首帧（过高画面僵硬、过低身份漂移）。
4. 调用 generate_video（I2V 模式）：
   - `input_urls=[<用户参考图>]`
   - `duration`：默认 5 秒 @ 24fps，帧数 = 秒 × 24 + 1（如 5s → 121 帧）
   - 分辨率与参考图同比例，最长边 960px
   - `name`：视频标题
5. 提示词写法（一段式中文自然语言）：
   - 直接描述画面中人物/物体的动态与情绪变化。示例：「古装女孩害羞眨眼，脸颊泛红，抿嘴浅笑，小声说：『你一直看着我，是觉得我漂亮么？』，说完不好意思地低头，薄纱与长发随风轻轻摇曳。」
   - 有台词：写明说话内容与语气，要求口型与声音同步；无台词：描述环境音效与配乐氛围。
   - 保持与参考图一致：不换脸、不改变人物身份、服装、发型与场景，动态过渡自然流畅。
   - 负向词固定：text, subtitles, caption, watermark, logo, signage, letter, word, character。
6. 生成成功后用自然语言总结成片；失败如实说明，不编造 URL。身份漂移或动态不符时，基于同一参考图重新生成。

## Self-check（每次生成前）
- 参考图已作为首帧输入（I2V 模式），未误用为纯文生视频
- 参考图已按最长边 960px 等比缩放
- 提示词为一段式中文自然语言，直接描述动态与情绪变化
- 时长默认 5s（或用户指定），帧数 = 秒 × 24 + 1
- 输出为视频 + 音频联合解码的 mp4

## Notes
- 模型为蒸馏版（8 步采样、CFG=1、euler_ancestral、NAG 引导），生成速度快。
- 用户只改一处（换台词、换时长、换参考图）→ 只做对应调整，不重跑全流程。
- 参考图缺失 → 请用户提供参考图（本技能必须有首帧图）。
- 视频生成不支持 NSFW/成人内容，礼貌拒绝。