25S 对口型唱歌视频 — 第一版交付说明
生成时间：2026-09-04 ｜ 分辨率：480×848（竖屏 9:16，24fps，H.264+AAC）｜ 总时长 25.33s
成片下载
执行链路（全部跑通）
- 三视图预处理：识图定位正面在左 → ffmpeg 裁出正面视图（596×1008）作为
<Picture 1>，完整三视图作为 <Picture 2>
- 第一段 12s：REF2VA，参考 = 正面图 + 三视图 + 上传视频音轨 0-12s（
media_mode=audio 纯音频模式，画面帧完全不用）
- 末帧续接：从 seg1 末尾裁 2s → tail.mp4，作为第二段的
<Video 1> 视觉参考
- 第二段 13s：REF2VA，参考 = 正面图 + 三视图 + tail（
media_mode=video）+ 音轨 12-25s（media_mode=audio），提示词 [video continuation]
- 拼接：ffmpeg concat → 25.96s 成片；音轨替换为上传视频原音轨（44.1kHz 原样）
抽帧评估（DeepSeek-Vision 逐帧识别）
| 时间点 | 景别 | 表情 | 身份一致性 |
|---|
| t=1s | 中近景特写 | ❌ 甜美开朗微笑 | ✅ 黑长发+白花发簪+薄荷绿汉服 |
| t=6s | 近景/胸像特写 | ✅ 微微低头、眼神柔和、哀怨忧伤有美感 | ✅ |
| t=12.1s（拼缝前） | 近景特写 | ⚠️ 温柔无辜偏甜 | ✅ 同人同景 |
| t=12.3s（拼缝） | 怼脸特写 | ⚠️ 俏皮/惊讶/嘟嘴 | ✅ 服化道统一 |
| t=12.6s（拼缝后） | 近景/胸像 | ❌ 灿烂露齿笑 | ✅ |
| t=18s | 近景 | ⚠️ 清纯娇俏 | ✅ |
| t=24s | 近景/特写 | ❌ 甜美愉悦活泼 | ✅ |
结论
- ✅ 链路验证成功：audio-only 纯音频模式、两段生成、末帧续接（拼缝处同人同景、服化道与色调高度统一，无跳变）、原声保留——25s 完整视频跑通
- ✅ 身份一致性：全程黑长直发 + 白色花朵发簪 + 浅薄荷绿汉服，与三视图一致
- ⚠️ 景别：多数时间是中近景/胸像特写，脸部占比大但未完全填满画面，未达到"怼脸直拍"（extreme close-up）
- ❌ 表情是主要问题：模型把"哀怨忧伤"理解偏了，多个时间点是甜美微笑/俏皮/露齿笑，情绪基调完全不对——提示词对表情的控制没生效
下一步（重跑优化方向）
- 表情：提示词改为更明确的动作性描述（如 "gently biting lower lip / eyes welling with unshed tears / downward gaze with furrowed-brow-free sadness / lips barely parting"），并在
retention_analysis 把表情列为 fully_preserved；可考虑换正面图为更符合哀怨表情的参考
- 怼脸：
detailed_description 开头写死 "face fills 90% of the frame, top of head slightly cropped, chin near bottom edge"，强调 "no shoulders visible"；或把裁出的正面图再裁成脸部特写作为 Picture 1
- 两段一起重跑（seed 记录在 seg1/seg2/seed.txt）