21 种，编号连续。全部用同一个题材、同四件物件、同四处中文生成，唯一变量是风格本身， 所以下面这张图可以直接横向比：
风格不是滤镜，是一整个解释世界——选定后要贯彻到视觉隐喻、主体构建、文字载体、 运动动词、音效、转场，而不只是背景材质。
把一份已经写好的 SRT 字幕，变成可以直接复制去生图、生视频的提示词包。
大多数同类工具从一个选题开始，替你写脚本、配音、渲染，最后吐一个 MP4。 这个 skill 反过来：旁白已经存在，它只负责从字幕到画面的那一段—— 按语义切分镜、锁死视觉圣经、逐镜产出参考图提示词与图生视频提示词。
它不生成任何图片或视频。 交付的全部是文本，图和片子由你在自己选的平台上生成。 「给我提示词」不等于允许生成媒体，这条在任何模式下都不放宽。
所有提示词都用中文写。 风格块、参考图提示词、视频提示词、负面约束，一律中文。
旁白全文开局就有，这带来三个同类工具拿不到的好处：
- 选风格不用猜。 通读全文就能判断题材、信息形状、观众情绪，按七个维度打分推荐， 而不是靠用户一句「我想要科技感」去猜。
- 切分镜有硬边界。 镜头时长不是编出来的，是从时间码算出来的， 因此可以校验：镜头必须无缝覆盖整条时间轴，不留空洞、不重叠。
- 音画对不上有解。 平台只能生成 4/6/8/10 秒，与旁白的差值被显式算出来、 分正负两种写法编排进提示词，剪辑时一步处理，不会累积漂移。
| 模式 | 做什么 |
|---|---|
| 1 选风格 | 从 21 种里推荐三种、展示样图，定下风格 DNA 与视觉圣经 |
| 2 切分镜 | 读 SRT，按语义切分并就近吸附到 4/6/8/10 秒，输出分镜表 |
| 3 出完整包 | 主模式。分批输出参考图提示词与视频提示词 |
| 4 局部补出 | 只重出某一镜 |
| 5 诊断修复 | 出图或出片失败时，按症状定位并做最小必要改写 |
默认链路 1 → 2 → 3，每步停下来等确认。直接扔一个 SRT 进来就从模式 1 开始。
把 story.srt 做成解释视频的提示词包
它会依次：读完字幕判断题材 → 推荐三个风格方向并给出样图 → 你选定后出分镜表和规模提示
→ 确认后分批产出提示词。几十镜的片子会写 state.json，回来说「继续」就接着跑。
拿到提示词之后的链路是：图片平台生成 PNG/JPG（这个文件才是参考图）→ 图生视频工具上传该图并粘贴视频提示词 → 下载 MP4 → 连同旁白与字幕导入剪辑。 默认路线 ChatGPT Images → Google Flow → 剪映，可以换成任何同能力的平台。
这张参考图画的是这一镜的目标构图，上传后模型把它当垫图、重新生成第 0 帧并演化—— 所以生成片的第 0 帧与上传图常常并不一致，这是正常的。
srt-vox-director/
├── SKILL.md 路由与判定规则，不复述任何表格
├── assets/
│ ├── style-grid.jpg 21 张样图拼在一起的横向对比图
│ ├── style-samples/ S01–S21，同题材同构图的单张样图（给用户选风格）
│ ├── style-highlight/ S01–S21，分界特写（给用户分辨易混的两条）
│ ├── style-board/ S01–S21，六格风格板（给图像模型，出图时上传）
│ ├── sample-prompts.md 统一变量版样图提示词（21 条，中文）
│ ├── style-highlight-prompts.md 分界特写提示词（21 条，中文）
│ └── style-board-prompts.md 风格板提示词（21 条，中文）
│ 三份都只在重出图时读，
│ 正常流程不要读进上下文
├── examples/
│ ├── end-to-end.md 一个完整走通的范例
│ └── storyboard-examples.md 分镜算例（从 storyboard-algorithm 移出）
├── scripts/
│ ├── _lint_rules.py 校验器共享常量（CLIP_LENGTHS / BANNED / read_text）
│ ├── check_storyboard.py 分镜表校验器，出片前跑
│ ├── check_prompts.py 逐镜提示词校验器，每批写完跑
│ ├── check_state.py state.json 校验器，续跑前跑
│ └── check_docs.py 文档一致性校验器，改文档后跑
├── tests/
│ ├── test_checkers.py 校验器回归测试（stdlib unittest）
│ └── fixtures/ good/ 已知全过的 3 镜项目，bad/ 故意埋 FAIL
└── references/
├── style-gallery.md 样图索引与评级
├── style-library.md 21 条风格块（可直接粘贴的中文）
├── style-selector.md 七维打分与自定义风格 DNA
├── storyboard-algorithm.md 分镜算法、吸附表、差值、拆分、校验器
├── storyboard-blueprints.md 九类题材的专属切镜策略
├── prompt-templates.md 模板正典与无效写法对照
├── prompt-keywords.md 上屏文字、渲染路线
├── prompt-motion.md 参考图角色、运动库、收束动作、桥接帧
├── delivery-contract.md 输出段落结构、目录结构、state.json
├── delivery-handoff.md 新手平台交接
└── troubleshooting.md 失败症状的定位与修法
references 按流水线阶段用四个前缀分组：
style-（模式 1）→ storyboard-（模式 2）→ prompt-（模式 3/4）→ delivery-（交付）。
前缀只表示归属，不表示读取顺序——ls 是字母序，和上面这条流水线正好相反。
每个口径与公式只有一处正典。 SKILL.md 只做路由，不复制表格； 引用正典的地方一律写明在哪个文件第几节，避免副本各自漂移。
一镜一个知识点。 语义完整是硬约束，时长贴靶是软优化，差值最小可以牺牲， 顺序不可颠倒。为了凑时长把两个知识点塞进一镜，是这个 skill 定义的最严重错误。
吸附就近，不是向上。 分界点 5/7/9。4.9 秒的旁白配 4 秒的片子（补差 0.9，末帧定格补上）， 不是配 6 秒（白多 1.1 秒还得编个收束动作去填）。
参考图画目标构图，带字的东西必须在参考图里就印好。 上传图是垫图， 模型重新生成第 0 帧并演化到终态，所以参考图画的是这一镜想呈现的核心画面。 带字载体只能在画面里就位、贴合、展开、被揭开， 不能从画外飞入——那等于让视频模型自己造汉字，字必漂。无字部件不受此限。
展示型镜头的上屏文字必须完整覆盖旁白。 一个字都不许压缩。 超 14 字块的行拆成多张卡——拆卡，不是砍字。
同一镜内不许有两个文字载体长得像。 实测中最常见的失败就是四个标签做成四个一样的圆角矩形， 逐个写明形状、材质、尺寸差异。
提示词里每条约束都要附一个可执行的物件或动作。 「不要留空」无效，「底部加一排标本架，每块底座留空白」有效； 「要有动感」无效，「纸卡从左侧滑入 140 像素，顺时针转 3 度，回弹一次后停稳」有效。
<SRT 所在目录>/
├── your.srt 你的输入
├── state.json 断点续跑状态
├── storyboard.md 分镜表 + 关键词台账
├── 01_提示词/ 视觉圣经、逐镜参考图提示词与视频提示词、剪辑与后期
├── 02_参考图/ 你存：SNN_reference.png
├── 03_生成视频/ 你存：SNN_clip.mp4
└── 04_成片/ 你存：剪辑导出
产出直接落在 SRT 所在目录，不另建子目录。
state.json、storyboard.md 与 01_提示词/ 由 skill 写，另外三个目录留给你存在别的平台生成的媒体。