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
| 参数 | 说明 | 文生图 | 图生图 |
|---|---|---|---|
--prompt | 提示词 | 是 | 是 |
--name | 文件名描述（不超过 10 个中文字） | 否 | 否 |
--model | 模型 ID，默认 doubao-seedream-5-0-260128 | 否 | 否 |
--image | 输入图片路径或 URL，可多次传 | - | 是 |
--size | 输出尺寸：2K / 3K / 4K / 2048x2048，默认 2K | 否 | 否 |
--response-format | 返回格式：b64_json / url，默认 b64_json | 否 | 否 |
--output-format | 输出文件格式：png / jpeg（仅 5.0 lite） | 否 | 否 |
--guidance-scale | 文本权重，范围 [1, 10]（仅 3.0 系列） | 否 | 否 |
--watermark | 添加水印 | 否 | 否 |
--sequential-image-generation | 组图模式：auto / disabled，默认 disabled | 否 | 否 |
--max-images | 组图最大数量，范围 [1, 15]，默认 15 | 否 | 否 |
--optimize-prompt | 提示词优化：standard / fast（仅 5.0 lite/4.5/4.0） | 否 | 否 |
--web-search | 启用联网搜索（仅 5.0 lite） | 否 | 否 |
--output | 输出文件路径 | 否 | 否 |
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
| 参数 | 说明 | 必需 |
|---|---|---|
--prompt | 提示词 | 是 |
--name | 文件名描述（不超过 10 个中文字） | 否 |
--model | 模型 ID，默认 doubao-seedance-1-5-pro-251215 | 否 |
--image-url | 图片 URL（可多次传），配合 --role 使用 | 否 |
--role | 图片角色：first_frame / last_frame | 否 |
--ratio | 宽高比：16:9, 4:3, 1:1, 3:4, 9:16, 21:9, adaptive | 否，默认 16:9 |
--duration | 视频时长（秒）：2~12（1.5 pro 支持 -1 由模型自选） | 否，默认 5 |
--resolution | 分辨率：480p, 720p, 1080p（1.0 lite 参考图不支持 1080p） | 否，默认 480p |
--seed | 随机种子，范围 [-1, 2^32-1] | 否 |
--frames | 视频帧数，格式 25+4n，范围 [29, 289]（1.5 pro 暂不支持） | 否 |
--generate-audio | 生成有声视频（仅 1.5 pro，API 默认 true） | 否 |
--watermark | 添加水印 | 否 |
--camera-fixed | 固定摄像头（参考图场景不支持） | 否 |
--return-last-frame | 返回视频尾帧图像（可用于连续视频拼接） | 否 |
--draft | 生成样片（仅 1.5 pro，固定 480p，不支持离线） | 否 |
--execution-expires-after | 任务超时秒数，范围 [3600, 259200]，默认 172800（48h） | 否 |
--service-tier | 推理模式：default（在线）/ flex（离线，50% 价格） | 否 |
--poll | 创建后自动轮询直到完成并下载 | 否 |
--poll-interval | 轮询间隔秒数，默认 10 | 否 |
--timeout | 轮询超时秒数，默认 900 | 否 |
--callback-url | Webhook 回调地址；不传时自动检测 | 否 |
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
| 模型 | Model ID | 特点 |
|---|---|---|
| Seedream 5.0 | doubao-seedream-5-0-260128 | 默认首选 |
| Seedream 4.5 | doubao-seedream-4-5-251128 | 额度不足时自动 fallback |
视频模型
| 模型 | Model ID | 特点 |
|---|---|---|
| Seedance 1.5 Pro | doubao-seedance-1-5-pro-251215 | 最高质量，支持有声视频、样片模式、返回尾帧、4~12秒 |
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
- 必须读取参考文档：每次生成图片前，先读取
references/seedream_prompt_guide.md - 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）
- 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
- 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
- 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
- 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 - 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）
- 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
- 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