动物手势视频生成器

根据用户提供的动物名称和手势,生成拟人化动物做手势的短视频。支持两种生成模式:未上传图片时基于"森林帐篷POV"与"动物特写"双图生成视频;上传图片时基于图片生成视频。自动添加配音、字幕与背景音乐,输出风格统一、连贯的高清视频内容。

使用场景:当用户想要创建有趣的动物手势视频、需要生成拟人化动物内容、或者想要将动物照片转化为互动视频时,请使用本Skill。支持各种动物(猫、狗、熊猫等)和手势(比心、点赞、竖中指、胜利手势等)的组合。

MCP Access: Use mcporter

在完成本Skill任务时,必须使用mcporter来操作MCP工具。 不要直接调用MCP工具,所有MCP操作都应通过mcporter路由。

• 配置: 全局MCP配置位于 ~/.openclaw/workspace/config/mcporter.json。读取此文件,仅使用本Skill所需MCP的配置(参见上方compatibility/工具列表)。不要使用配置中的其他MCP——只使用为本Skill声明的那些。
• 列出服务器/工具: mcporter list,或 mcporter list <server> --schema 查看特定服务器。
• 调用工具: mcporter call <server.tool> key=value (例如 mcporter call generate-media.namiai_gen_img prompt="..." ratio="16:9")。
• 本Skill的compatibility列表(或工具列表)定义了本Skill可以使用哪些MCP服务器/工具;仅通过mcporter调用这些工具,使用全局配置文件中的相应配置。

工作流程

步骤1: 判断输入模式

检查用户是否上传了图片:

• 未上传图片: 执行步骤2-7(双图生成视频流程)
• 已上传图片: 执行步骤8-10(图生视频流程)

步骤2: 生成图片提示词(未上传图片模式)

从用户输入中提取动物、手势和地点信息,生成两个提示词:

图1提示词(固定模板,仅替换地点):

国家地理风格、在[地点,默认森林]里从很强遮光性的露营帐篷内部拍摄的 POV,两只手放在拉链上准备拉开仅有一条很细很细缝隙的门,野生动物摄影,人文摄影,神秘电影氛围,柔和自然光,色调统一为深绿色与朦胧灰。

图2提示词(替换动物和手势):

这张照片特写镜头捕捉了一只拟人化[动物种类]站在一片浓密、雾气弥漫的森林中。这只[动物]位于画面中央,直视着镜头,表情既好奇又略带调皮。它的耳朵蓬松,眼睛漆黑而警觉。这只[动物]的左前爪伸向镜头,爪子弯曲摆出[手势]的姿态,仿佛在和镜头互动。背景是高大纤细的松树,树皮粗糙,纹理分明,营造出郁郁葱葱的自然森林氛围。色调统一为深绿色与朦胧灰,强化画面的自然连贯性。地面覆盖着苔藓和灌木丛,更增添了场景的野性和未驯服的感觉。光线自然,柔和的阴影和漫射光为图像营造出宁静而又略带神秘的氛围。照片的整体基调俏皮而略带叛逆,与动物周围宁静的环境形成鲜明对比。图像分辨率高,捕捉到了[动物特征]和纹理的精细细节,野生动物摄影,神秘的电影氛围,国家地理风格。

要求:

• 图1提示词保持固定,只替换地点
• 图2提示词详细描述光线、色调,与图1保持一致
• 均包含"国家地理风格"、"神秘电影氛围"、"写实风格"关键词
• 字数控制在500字以内

步骤3: 生成两张图片(未上传图片模式)

使用mcporter调用generate-media工具生成图片:

mcporter call generate-media.namiai_gen_img prompt="图1提示词" ratio="16:9"
mcporter call generate-media.namiai_gen_img prompt="图2提示词" ratio="16:9"

输出: 展示两张图片链接,命名为图1(POV场景)、图2(动物手势)。

重试机制: 如果生成失败,重试最多2次。如2次都失败,微调提示词(去掉可能涉及风险的内容)后重新生成。

步骤4: 首尾帧生成视频(未上传图片模式)

使用图1作为首帧、图2作为尾帧,通过mcporter调用首尾帧生成视频:

视频提示词模板:

从露营帐篷内拍摄的 POV 镜头低角度低空推进,0s开始两只手快速拉开帐篷门,露出外面的场景。镜头推进在一片浓密、雾气弥漫的松树林中,我们看到一只可爱的[动物描述]慢慢走过来直视镜头,出人意料又幽默地举起爪子,[手势详细描述]。爪子的背面朝向镜头。整体风格应具有电影感,细节丰富,灯光逼真,4K 分辨率,在宁静的自然场景和荒诞的动作之间形成鲜明对比。

mcporter call generate-media.namiai_first_last_frames_video prompt="视频提示词" image1="图1 URL" image2="图2 URL"

要求:

• 保留关键词:"从露营帐篷内拍摄的 POV 镜头"和"站在一片浓密、雾气弥漫的"
• 替换动物与手势描述
• 整体风格使用写实、电影感、高清4K
• 提示词不超过500字

输出: 展示视频链接及所用提示词。

步骤5: 生成动物音效(未上传图片模式)

从图2提示词中提取动物名称,生成动物叫声音效:

音效提示词: 在[动物名称]发出连续叫声 (必须为英文)

mcporter call elevenlabs-mcp-cloud.text_to_sound_effects text="[英文提示词]" duration_seconds=4

参数:

• duration_seconds: 4
• begin_time: 2 (在视频2秒处开始)

输出: 展示音效链接。

步骤6: 为视频添加音效(未上传图片模式)

使用步骤4的视频URL和步骤5的音效URL,通过mcporter添加音效:

mcporter call live_mcp_ffmpeg.live_mcp_add_audio video_url="步骤4视频URL" audio_url="步骤5音效URL"

输出: 展示添加音效后的视频链接。

步骤7: 为视频添加背景音乐(未上传图片模式)

根据图1提示词中的地点判断,选择合适的环境音效:

环境音效映射:

• 森林/公园/鸟鸣/林中/小路: https://ns.chat.360.cn/zhaomi-so/f012e77ffc485a8ebe8a11f9ad2fc844.MP3
• 冰川/雪地/寒风/飘雪: https://ns.chat.360.cn/zhaomi-so/b0207f4f570368299398718bfae0aad8.MP3
• 草原/牧场: https://ns.chat.360.cn/zhaomi-so/b0207f4f570368299398718bfae0aad8.MP3
• 山谷/山洞/岩洞/回音/峡谷: https://ns.chat.360.cn/zhaomi-so/46b7bbaaace3966b0b36deb7ab96eded.MP3
• 小溪/溪水/河边/河流/流水: https://ns.chat.360.cn/zhaomi-so/7ecf916af094ebda38d03d658ce482c8.MP3
• 海边/海浪/沙滩/海洋/大海: https://ns.chat.360.cn/zhaomi-so/35838acfa749ad333ad5c4b93589ad45.MP3
• 室内环境(默认): https://ns.chat.360.cn/zhaomi-so/5aeb380ffd9d40675e4f66d1e7295b72.MP3
• 室外环境(默认): https://ns.chat.360.cn/zhaomi-so/294c1d0d4fc6408e3c913129bbf3a393.MP3
• 其他默认: https://ns.chat.360.cn/zhaomi-so/7e30799736f274c8d7605bb5067e0111.MP3

mcporter call live_mcp_ffmpeg.live_mcp_add_bgm video_url="步骤6视频URL" audio_url="选择的音乐URL"

输出: 展示添加背景音乐后的最终视频链接。

步骤8: 图生视频(上传图片模式)

当用户上传图片时,根据输入生成视频:

提示词判断:

• 若输入包含"比心":

拉镜头一位女记者拿着带有"纳米"红色字体标识的采访话筒出现在屏幕内采访主体,话筒对着主体,接着镜头对着着主体推到中景,接着主体呈站立姿势,后腿分开劈叉成一字马造型,前爪向上伸直并弯曲在头顶组成心形,拟人化的可爱造型。

• 否则(提取手势或默认"竖起大拇指点赞"):

镜头先拉到一位中国女性只露出半身蹲下拿着"纳米"红色字体标识的采访话筒出现在屏幕内采访主体,话筒对着主体,然后镜头推进到中景对着主体,拟人化的主体伸出一只前爪对着镜头做出类似人类[手势]的姿势。

mcporter call generate-media.namiai_gen_video_doubao_lite prompt="图生视频提示词" image="用户上传图片URL"

输出: 展示视频链接及所用提示词。

步骤9: 为视频添加背景音乐(上传图片模式)

使用固定的默认音乐:

mcporter call live_mcp_ffmpeg.live_mcp_add_bgm video_url="步骤8视频URL" audio_url="https://ns.chat.360.cn/zhaomi-so/477f37023b4474056f41adb1f58d159f.mp3"

输出: 展示添加背景音乐后的视频链接。

步骤10: 为视频添加字幕(上传图片模式)

根据图片内容判断字幕类型:

字幕文件映射:

• 图片内容是人类: https://ns.chat.360.cn/zhaomi-so/d6b101b71b3979b5b0856ff5fc8765cb.srt
• 其他内容: https://ns.chat.360.cn/zhaomi-so/8ca4cc968549edb77e08c01c2fc09f3f.srt

mcporter call live_mcp_ffmpeg.live_video_add_srt video_url="步骤9视频URL" srt_url="选择的字幕URL"

输出: 展示添加字幕后的最终视频链接。

输出格式

未上传图片模式输出顺序:

1. 图1提示词(完整展示)
2. 图2提示词(完整展示)
3. 图1图2图片链接
4. 视频提示词(完整展示)
5. 生成的视频链接
6. 添加音效后的视频链接
7. 添加背景音乐后的最终视频链接

上传图片模式输出顺序:

1. 图生视频提示词(完整展示)
2. 生成的视频链接
3. 添加背景音乐后的视频链接
4. 添加字幕后的最终视频链接

注意事项

1. 风格统一: 所有图片和视频必须保持风格一致(色调、植物类型、光线)
2. 场景连贯: 图1与图2的森林背景风格必须统一(浓密、雾气弥漫的松树林)
3. 拟人化处理: 若动物难以表达具体手势,自动采用拟人化处理(手掌结构完整)
4. 提示词语言: 优先使用中文编写提示词,音效提示词必须为英文
5. 无水印: 输出图像不得出现水印、字幕、AI生成标签或异形构图
6. 重试机制: 如果生成失败,重试最多2次;2次失败后微调提示词去掉风险内容
7. 保持主体: 重新生成时,输入的提示词画面主体内容必须与失败任务保持一致
8. 固定比例: 重新生成时,生图比例不变

示例

示例1: 未上传图片

用户输入: "猫比耶"

流程:

1. 提取: 动物=猫, 手势=比耶, 地点=森林(默认)
2. 生成图1提示词(POV帐篷场景)和图2提示词(猫做比耶手势)
3. 生成两张图片
4. 首尾帧生成视频
5. 生成猫叫声音效
6. 添加音效到视频
7. 添加森林背景音乐

示例2: 上传图片

用户输入: "让这只狗竖大拇指" + 上传狗的图片

流程:

1. 识别: 用户上传图片, 手势=竖大拇指
2. 使用图片生成视频(记者采访+狗竖大拇指)
3. 添加默认背景音乐
4. 添加字幕(根据图片内容判断)

技术要点

• mcporter使用: 所有MCP工具调用必须通过mcporter路由
• 配置读取: 从 ~/.openclaw/workspace/config/mcporter.json 读取MCP配置
• 工具格式: mcporter call <server>.<tool> key=value
• 错误处理: 实现重试机制,失败后调整提示词
• 资源管理: 正确传递URL在不同步骤间流转