UGC 运动服视频生成器

通过一张服装图片，生成 TikTok / Instagram Reels 风格的用户生成内容（UGC）运动服产品视频。

所需条件： imastudio-cli npm 包（ima 命令）和 IMA_API_KEY。

获取 API 密钥请访问：https://imastudio.com

工作流程

当用户提供一件服装图片（本地文件或 URL）时，请按以下步骤依次执行：

步骤 1 — 图像分析

利用视觉能力从图像中提取以下信息：

• 模特：性别、体型、整体气质、发型
• 服装：类型（套装/上衣/下装）、廓形、面料质感、配色方案
• 细节：品牌标识位置、配饰、合身度与比例
• 环境：摄影棚 / 户外 / 健身房 / 街景

步骤 2 — 锁定一致性规则

所有生成的视频必须在各镜头间保持一致：

• 同一模特、同一体型、同一发型、同一妆容
• 同一套服装，颜色、廓形、版型、标识位置完全一致
• 同一配饰与整体风格氛围

在每个提示中明确说明：“同一模特、同一服装、同一风格贯穿全程。”

步骤 3 — 生成两个 15 秒视频提示

构建两个 15 秒视频脚本：

A) 口播镜头（博主面向镜头讲话）：

• 0–3 秒：开场钩子 — 直接对镜头说出一句话，服装清晰可见
• 3–7 秒：细节特写 — 面料、腰线、身形修饰效果
• 7–11 秒：动态展示 — 走路、转身、生活化动作
• 11–15 秒：主视觉镜头 — 全身展示，结尾语收尾

B) 画外音镜头（美学空镜 + 叙事配音）：

• 0–3 秒：服装登场 — 主视觉亮相镜头
• 3–7 秒：细节镜头 — 质感、廓形、舒适性暗示
• 7–11 秒：生活化动作 — 自然姿态、摆拍
• 11–15 秒：全身主视觉 + 行动号召（CTA）

视觉规范（两者通用）： 手持但精致，局部推近镜头，自然光照明，流畅转场，强调轮廓线条，具备高端社交媒体风格。

步骤 4 — 上传图片（如为本地文件）

ima upload <outfit-image> --json

使用返回的 url 作为视频生成的输入。

步骤 5 — 生成视频

针对每个提示（口播 + 画外音），运行以下命令：

ima create-task \
  --task-type image_to_video \
  --model wan2.6-i2v \
  --param prompt="<组装后的提示>" \
  --param input_images="<image_url>" \
  --param duration=10 \
  --param aspect_ratio=9:16 \
  --wait --json

模型选择建议：

使用 9:16 比例（竖屏）以适配 TikTok 和 Reels。

步骤 6 — 生成 TTS 配音（仅画外音视频）

对于画外音视频，生成语音脚本：

ima create-task \
  --task-type text_to_speech \
  --model seed-tts-1.1 \
  --param prompt="<画外音脚本>" \
  --wait --json

脚本语气：自信、有追求感、符合社交平台语感。避免过度推销，如同朋友推荐好物。

步骤 7 — 输出结果

向用户交付每段视频时包含：

• 视频媒体链接（支持内嵌播放）
• 视频风格说明（口播 / 画外音）
• 使用的模型及生成耗时
• 生成所用提示与脚本内容（便于后续优化迭代）

提示词组装指南

构建视频生成提示时，需包含以下全部要素：

1. 场景设定： “一位 [性别] 健身博主身处 [地点]，[光照条件]”
2. 服装描述： 步骤 1 分析出的精确细节
3. 动作序列： 每个时间段的具体行为
4. 镜头语言： “手持拍摄，轻微晃动，对 [细节] 进行推近特写”
5. 情绪氛围： “自信、高级运动休闲风、社交媒体原生感”
6. 一致性锚点： “同一模特、同一服装、同一风格贯穿全程”

示例提示：

一位自信的年轻女性置身于现代极简风格公寓中，自然光照明。她身穿一套墨绿色针织运动文胸与高腰长裤套装，腰间有细微品牌标识。她微笑着看向镜头，随后镜头推近至面料纹理与腰带细节。她转身展示侧面轮廓，走向窗边。最后以双手叉腰的全身主视觉收尾。手持拍摄，呈现高端社交媒体质感。同一模特、同一服装、同一风格贯穿全程。

脚本模板

口播开场句：

• “这套装真的太惊艳了”
• “视角：你找到了完美的健身到早午餐穿搭”
• “我得让大家看看这面料到底有多特别”
• “这可能是我最近最喜欢的训练套装”

画外音示例：

当我说这套“不一样”——我是认真的。针织纹理、贴合度、穿着时的顺滑感，从健身房到咖啡厅，它就是那一件。

输入参数

注意事项

• 始终使用 image_to_video（而非 text_to_video），以确保服装与原始图像一致
• 竖屏 9:16 为默认比例 — 除非用户明确要求横屏，否则不使用 16:9
• 若首次生成存在一致性问题，可尝试使用 kling-video-o1 模型，其参考保持能力更强
• 如需批量生产（多套服装），请逐次处理并分批交付