头像服装动作组合搭配视频

定位

本负载物定义「头像 × 服装 × 动作」三必备主体要素 +「配音口播 × 背景 × 物品」三可选次要要素自由组合的 AI 短视频生成领域：六要素皆可随机生成或由用户指定——头像、服装、动作缺省随机，配音口播（音频驱动对口型）、背景（场景生成/替换）、物品（手持道具/广告产品）缺省无、启用时同样可指定或随机，组合出无限搭配，输出换装、穿搭、虚拟试衣、舞蹈/走秀/口播/姿势等成片。六要素生成产物（头像图/服装图/三视图/深度视频/背景图/物品图/音频）各自亦为可独立交付的资产，无需合成成片即可单独交付，或跨链复用、自由组合成静态换装图/场景图/角色设定图等非成片产物。核心是「判定 → 生成 → 组合 → 守护」五域管线。

核心能力

1. 要素判定：六要素（头像/服装/动作三必备主体 + 配音口播/背景/物品三可选次要）逐一判定「指定/随机/无」，识别全随机/半自动/全定制模式，预判成片合成方式（动作迁移/配音口播），主动索要素材。
2. 主体资产生成：头像、服装、动作分离生成（特征剥离法），动作经深度提取剥离长相（版权友好），产出可独立交付的资产。
3. 次要要素生成：配音口播（音频/TTS）、背景（场景生成/替换）、物品（手持道具/广告产品）各自独立生成，可插拔扩展。
4. 资产组合：固定组合（三视图合成角色 + 动作迁移/配音口播成片）+ 自由组合（任意要素→静态产物），提示词组合（描述融合、一次生成）与产物组合（垫图/迁移合成）双方式，云端/本地/内置三路径。
5. 要素资产独立交付：六要素生成产物（头像图/服装图/三视图/深度视频/背景图/物品图/音频）各为可独立交付的资产，无需合成成片即可单独交付，或跨链复用、自由组合另作他用。
6. 质量守护：四维一致性（身份/服装/物品/背景）+ 合规审查（肖像/版权/产品授权），把守成片出口。

应用场景

六要素正交组合，覆盖成片、资产、组合复用三类产物形态，另附输入模式组合玩法：

成片（动态视频，固定组合产物）

资产（静态产物，独立交付）

组合复用（自由组合静态产物）

任意要素自由组合为静态产物，要素数越多组合越丰富（单要素→双要素→三要素及以上，各产物附变体应用）。完整组合清单见 references/avatar-outfit-motion-requirements.md 的 AOM4-04「组合建议」。

组合玩法（输入模式）

生产力价值

投入产出

• 成本：砍掉模特/场地/灯光/拍摄投入，近零人力成本。
• 效率：天级实拍 → 分钟级产出。
• 产量：六要素正交，A 头像 × O 服装 × M 动作 × V 配音口播 × B 背景 × P 物品 = 组合爆炸，边际成本远低于实拍。
• 门槛：专业团队 → 一人 + 一句需求 + 一份 SOP。

决策自动化

• 决策：路径判定、权限模式已固化，消除试错摩擦。
• 全自动出片：把模糊需求一次性转化为确定的六要素方案、成片合成方式与素材清单，自动索要缺失素材，消除「缺素材」的试错，是全自动出片的开关。

资产与组合

• 资产复用：六要素资产独立交付，一份产出多处复用，组合价值随要素数平方增长。
• 可插拔扩展：配音口播/背景/物品三可选次要要素按需插拔，扩展成片能力而不破坏主体身份一致性。
• 双通道：提示词组合轻量快速、产物组合精确可复用，两种组合方式按需选择。
• 递归嵌套：三视图既组合头像/服装/物品、又作为新资产参与下一级组合，构成「资产→组合→新资产→组合」的递归闭环。

质量一致性

• 换装不换脸：特征剥离法从源头锁定身份与服装的分离性，消除「换装就换脸」的返工。
• 四维一致性：身份/服装/物品/背景四维一致性校验（含物品回流三视图锁定的手-物一致性），把守成片出口、保证质量守恒可交付。
• 边界不越检：静态产物（要素资产/自由组合图）在生成/组合时内部校验即可，不越界过度质检。

合规安全

• 合规：深度剥离长相 + 产品授权审查，规避肖像/版权风险。

能力覆盖

• 双赛道：同一角色形象同时支撑动作视频与数字人口播，覆盖换装 + 口播两类内容需求。
• 三路径兜底：云端连接器 / 本地 ComfyUI / 内置 VideoGen 三条路径，保证任何资源条件下都能组合成片。
• 场景扩展：背景/物品/音频让成片直接用于口播带货、电商场景与品牌植入。

特有维度

三层结构

第一层：任务清单 + 依赖拓扑 → references/avatar-outfit-motion-catalog.md 第二层：任务要求清单 → references/avatar-outfit-motion-requirements.md 第三层：范本清单 → references/avatar-outfit-motion-exemplars.md（子文件在 references/exemplars/）

脚本工具链

scripts/ 内含深度提取工具链，供 AOM2 主体资产生成域的动作提取任务直接执行：

• scripts/infer_depth.py：单图 → 深度图。python scripts/infer_depth.py <model.pth> <in.png> <out.png> [vitb]
• scripts/video_to_depth.py：视频 → 深度视频。python scripts/video_to_depth.py <model.pth> <in.mp4> <out.mp4> [vitb] [max_frames]
• scripts/depth_anything_v2/：Depth Anything V2 官方推理包（dpt.py、dinov2.py、dinov2_layers/、util/）。

环境依赖：模型权重 Depth Anything V2 Base（约 372MB，从 hf-mirror 下载）；Python 依赖 torch torchvision opencv-python numpy（CPU 版即可）。

使用规则

执行流程

1. 首次加载：读取 references/avatar-outfit-motion-catalog.md，获取域划分、依赖拓扑、元操作映射。
2. 按需深入：确认目标任务后，读取 references/avatar-outfit-motion-requirements.md 获取组件清单；需样本法时读取 references/avatar-outfit-motion-exemplars.md 及 references/exemplars/ 子文件。
3. 独立执行：脚本工具链已内嵌于 scripts/，可直接执行深度提取（AOM2-03）；资产组合（三视图/动作迁移/配音口播）依赖外部模型（见域概览）。

交互提示

执行过程中须在两个决策点主动向用户确认，不得默认跳过：

1. 素材采集提示（AOM1 六要素判定后）：凡判定为「指定」的要素，主动索要对应素材——头像图 / 服装图 / 动作模板视频 / 配音音频或台词 / 背景图或场景描述 / 产品图；并明确说明「随机」要素无需提供、「无」要素直接跳过。
2. 路径指定提示（AOM4 成片合成前）：主动询问用户「是否指定执行路径」（云端连接器 / 本地 ComfyUI / 内置 VideoGen）；用户指定则按其指定，未指定则按三路径决策表自动选择并告知选择依据。

输入双形态

任务串联的输入接口统一兼容「提示词（描述）」与「产物（中间产物）」两种形态，二者在接口上等价、按需选择：

提示词路径（描述融合一次生成）与产物路径（先生成中间产物再合成）构成任务串联的两条等价输入通道。

权限模式

内容权限

• 修改权限：修改本负载物须走 M3-10 负载物深化流程，新增内容转化为新任务或融合进现有任务，不得绕过任务体系直接追加文件。
• 用户填充：用户可向 references/exemplars/ 添加范本用于样本法，须脱敏并注册到 exemplars 清单。

通用任务执行能力

本负载物由元技能系统（meta-skill-system）的三轴执行框架消费：

• 执行轴：6 大元操作（S 感知 / C 认知 / A 行动 / O 组织 / I 交互 / G 守护）按管线编排，每个任务标注元操作映射。
• 内容轴：清单法按 requirements 组件清单逐项填充；样本法按 exemplars 范本模仿产出。
• 创新轴：按需激活，对成片风格、动作组合、服装搭配做模式直用 / 改进 / 迁移 / 构建。
• 协同模式：顺序（创新定方向 → 执行拆管线 → 内容定方法）、并行、条件、迭代、递归，按任务特征动态激活。

与执行框架的接口

执行框架按 Step 0–4 消费本负载物：

• Step 0 三轴判定：换装视频任务通常为「中等复杂度（3–7 步）+ 结构化产出（图片/视频）+ 按需创新」。
• Step 1 领域校准（R1–R5 领域特定推导）：

• Step 2 三轴分解：任务分解为元操作单元，入口单元为 S（素材感知/随机生成），终点单元为 A（成片交付）。
• Step 3 管线编排与执行：沿 域1 要素判定 → 域2 主体资产生成（头像/服装/动作）‖ 域3 次要要素生成（背景/物品/音频）→ 域4 资产组合（三视图/动作迁移/配音口播/自由组合）→ 域5 质量守护 主链路。
• Step 4 整合交付：按三条交付出口呈现——成片经 AOM5 质检后交付（附三视图一致性、路径选择依据）；要素资产或自由组合静态产物直接交付（跳过 AOM5）。

域概览

按价值链组织的 5 域 12 任务（生成域产出可独立交付的六要素资产，组合域组合为角色、成片与任意静态产物）：

域间逻辑流：AOM1 → AOM2 ‖ AOM3 → AOM4 → AOM5。三条交付出口——①生成域资产独立交付；②组合域自由组合静态产物直接交付；③组合域成片经 AOM5 质检后交付。

完整清单见 references/avatar-outfit-motion-catalog.md。

事实纪律

1. 仅使用确知的事实和可验证的信息，不得编造模型能力或生成效果。
2. 深度估计、视频生成的耗时/显存/积分等参数须基于实测或官方说明，不确定的标注「待验证」。
3. 路径选择（云端/本地/降级）须向用户展示依据。
4. 范本模仿产出时仅借鉴结构和风格，不直接复制样本内容。
5. 涉及真人肖像的动作迁移须先深度剥离长相，遵守版权与合规。

标题层级规范