Audio Prompt Reverse

---
name: audio-prompt-reverse
description: 数字人提示词生成。根据一张或多张人物演唱图和一段歌曲音频，使用带时间码的真实歌词，生成可直接粘贴到 11 号 MiniMax H3 数字人工作流的六段式提示词。支持单人和男女对唱；使用 wav2vec2 男女声分类模型结合音色聚类识别声部，音高算法仅作兜底。对唱使用交替单人镜头，每个歌词段画面中只有对应歌手，另一人完全在画外。
---

# 数字人提示词生成

把「人物演唱图 + 歌曲音频 + 带时间码歌词」转换成可直接用于 MiniMax H3 数字人模式的六段式提示词。单人歌曲使用一个数字人；男女对唱必须使用两个独立人物和共同场景。

## 输入

- `<Picture N>`：人物演唱图。单人模式默认 `<Picture 1>`；双人对唱根据用户描述分别绑定男子、女子和共同场景。
- 歌曲音频：由 11 号工作流的 AICG3D 资源库接入，作为数字人模式全局锁定的最终音轨。
- 歌词时间线：由插件使用 Whisper 识别，或由用户通过“台词时间线”输入校正。歌词和时间码是最终定稿。

## 输出规则

1. 只输出以下六个字段，顺序固定：

```text
subject_definitions:
summary:
retention_analysis:
detailed_description:
overall_soundscape:
non_diegetic_music:
```

2. 单人模式把人物写成 `<Subject 1>`、歌手 `(S1)`。双人对唱必须分别定义男声 `<Subject 1>`（S1）、女声 `<Subject 2>`（S2）和共同场景 `<Subject 3>`；如果用户使用其他图片编号，则按实际编号绑定。
3. 不要在最终提示词中使用 `<Audio N>` 标签。11 号数字人节点会自动删除这类标签；音频关系改用“锁定歌曲音轨”说明。
4. `retention_analysis` 必须同时包含每张人物图、场景图的 `fully_preserved`，以及 `锁定歌曲音轨: fully_copy - ...`。
5. `detailed_description` 必须从 `[Shot 1]` 开始，并在同一字段中写入真实演唱时间表。每个时间段使用：

```text
[Shot 2] 在 00:03.560 处，句首硬切到女声单人镜头。
00:03.560-00:07.120, <Subject 2> (S2) sings:
<d>[Mandarin singing] 真实歌词原文</d>
```

   `[Shot 1]` 不带切点时间码；从 `[Shot 2]` 起，每个镜号后写 `在 MM:SS.mmm 处`，时间码必须严格递增。
6. 歌词必须逐字使用识别结果，保留原语言、标点和顺序；不得翻译、改写、补词、拆句或合并。
7. 每个歌词时间段前写清当前歌手的口型、下颌、嘴唇、呼吸、眼神、头部和肩颈如何跟随原歌曲同步。声部优先使用 wav2vec2 男女声分类模型，并用音色聚类做交叉确认；模型不可用或结果不确定时才回退音高。确认男女两个声部后，才使用交替单人镜头：当前歌手是画面中有且只有的一个人，另一名歌手完全在画外。
   自动声部判定不可靠时禁止猜成男女交替；会把状态标记为“不确定”，并保留完整时间线供手动校正“台词时间线”中的 S1/S2。
8. 每个镜头只承担一个主要机位动作。按段落选择不同镜头语法：前景横移揭示、低机位侧向 Truck、三分之四近景 Dolly、约 30° 受控小弧线、手持跟随、Crane/Pedestal 下降或结尾 Crane Up + Dolly Out。对唱镜头始终保持单人入画。
9. 三个以上歌词段时，至少使用三种真正不同的镜头，不要全片只靠 Zoom、Push In 或固定机位。切换可以借鉴 MV 的硬切、动作匹配切、擦镜切和重音直切，但不要使用溶解或随机堆叠术语。
10. 切镜只放在下一句歌词起唱、换气或明确重音处，不能切在咬字中间。歌手切换时，上一歌手在切点前闭唇并完全离开画面，新镜头只出现下一位歌手。起唱句必须保留当前歌手的完整嘴部和可读面部，共享场景与屏幕方向保持连续。
11. 镜头可以更有创意，但人物身份、发型、服装、配饰和场景空间关系不能漂移。不要新增原素材中没有的人物、道具、地点、文字或光源。
12. `overall_soundscape` 和 `non_diegetic_music` 写 `N/A`，因为完整歌曲音轨已由数字人模式锁定。
13. 不输出分析、摘要、Markdown 围栏、操作说明或第六段之后的任何文字。

结果必须可以直接复制粘贴到 11 号工作流的 MiniMax H3 节点，节点模式选择“数字人”。