baiyin-video-skill

---

name: baiyin-video-skill description: 通过百音开放平台生成 AI 视频。当用户想生成视频、图片转视频、查询视频任务状态时使用，即使未明确说"百音"但上下文涉及视频生成能力也应触发。 allowed-tools: Bash Read version: "1.0.1"

---

> CRITICAL — 版本门禁（MUST 在一切操作之前执行） > > 在执行本 skill 的任何业务逻辑之前，必须先完成以下版本检查，不得跳过、延后或省略： > > 1. 读取本地 _meta.json，取得 ownerId、slug、version、publishedAt。 > 2. 请求 SkillHub 远程版本信息，比较 publishedAt 和 version。 > 3. 若远程版本更新 → 先更新本地 skill，再继续当前任务。 > 4. 若远程无更新或查询失败 → 静默继续，不提示用户。 > > DO NOT 跳过此步骤直接处理用户请求。即使用户的请求很紧急，也必须先完成版本检查。 > 版本检查通常只需几秒，不会影响用户体验。

百音视频生成

职责：获取模型 → 选模型 → 选类型与参数 → 收集媒体 → 收集提示词 → 确认摘要 → 提交任务。不要在用户看不到最终参数集的情况下静默提交。

步骤必须严格按编号顺序执行，不允许跳步或调换。 提示词（第 5 步）必须在类型与参数（第 3 步）之后收集，不能提前。

运行时配置

静默读取环境变量 BAIYIN_API_KEY，仅在缺失时让用户提供。

交互方式

根据平台能力选择交互方式：

有 AskUserQuestion（如 Claude Code）→ 使用结构化选择框，header 和 question 不要重复。多个维度可合并到同一个选择器（最多 4 个 question）

无 AskUserQuestion（如 Codex、Gemini CLI、OpenClaw）→ 降级为纯文本编号列表，每个维度单独一轮交互（先问生成类型 → 再问时长 → 再问分辨率 → 再问画幅），不要合并

后续步骤中提到"选择框"时，均指上述自适应交互，不再区分。

---

第 1 步 - 获取可用模型

CACHE_FILE=$(bash /scripts/fetch-config.sh)

脚本自动处理缓存（1 小时有效）和 API 请求。整个过程静默完成，不向用户输出任何内容。

> 响应结构详见 references/api-schema.md。

---

第 2 步 - 选择模型

bash /scripts/parse-config.sh models
输出: [{"model_code":"kling-video","model_name":"可灵视频3.0 Omni"},...]

1 个模型 → 自动预选，跳过

2-4 个模型 → 选择框（label 取 model_name，description 取 model_code）

5+ 个模型 → 文本编号列表 + 自由输入

用户已指定模型 → 直接预选；未指定 → 必须让用户选择，不要推荐

---

第 3 步 - 选择生成类型与参数

bash /scripts/parse-config.sh model-detail 
输出: {
  "model_code": "kling-video",
  "model_name": "可灵视频3.0 Omni",
  "types": ["文生视频", "首尾帧"],
  "options": {
    "文生视频": {"duration":["5","10"], "resolution":["720","1080"], "widescreen":["16:9","9:16","1:1"]},
    "首尾帧": {"duration":["5","10"], "resolution":["720"], "widescreen":["16:9","9:16"]}
  }
}

一次调用返回生成类型 + 每种类型的参数选项。用户选择类型后，直接从输出中读取对应参数。

按交互方式规则展示选择（有选择器时合并维度，纯文本时逐个问）：

生成类型必须列出 types 数组中的所有类型，不能只列一种

生成类型命中多种时必须让用户选择，不允许跳过或自动预选

生成类型只命中 1 种 → 静默应用

某参数选项只有 1 个值 → 静默应用

某参数选项超过 4 个（如 duration: ["1"..."15"]）→ 选取 3-4 个常用值作为选项，用户可通过 "Other" 自定义

每个维度独立选择，不允许预组合（如"文生视频，5秒，1080，16:9"是错误的）

> 参数选项的静默应用、选择框规则等详见 references/interaction-rules.md。

用户选择后匹配方案：

bash /scripts/parse-config.sh match   [duration] [resolution] [widescreen]
输出: {"prompt":2,"first_frame":1,"last_frame":0,...}

> 选择框规则和示例见 references/interaction-rules.md。

---

第 4 步 - 收集媒体输入

文生视频无需媒体，跳过。其他类型根据第 3 步 match 输出的能力标记值，按以下流程收集 URL：

> 预填参数说明：若调用方（如 OpenClaw）已通过 JSON 参数预填了媒体字段（single_image、first_frame 等），仍须对预填值执行下方的「URL 校验规则」，不可跳过。预填的本地路径必须先完成自动上传，替换为公网 URL，再继续后续步骤。

| 生成类型 | 收集流程 | |---|---| | 图生视频 | "请提供参考图片（URL 或本地路径）：" | | 首帧 | "请提供起始帧图片（URL 或本地路径）：" | | 首尾帧（last_frame: 2） | "请提供起始帧和结束帧图片（两张都必填，用换行/空格/逗号分隔）：" | | 首尾帧（last_frame: 1） | "请提供起始帧图片（如需结束帧，可用换行/空格/逗号分隔添加）：" | | 多图参考 | "请提供参考图片（最多 6 张，用换行/空格/逗号分隔）：" | | 音频驱动 | "请提供音频文件（URL 或本地路径）：" | | 视频参考 | "请提供参考视频（URL 或本地路径）：" |

URL 校验规则

收到用户回复后按顺序校验：

1. 本地文件检测与自动上传 — 判断逻辑采用反向检测： - 若值以 http:// 或 https:// 开头 → 跳过，直接进入第 2 步格式校验 - 否则 → 一律视为本地路径，调用上传脚本：

   bash /scripts/upload-file.sh 
   # 从返回 JSON 的 data.url 取公网地址
   

上传成功后自动替换为公网 URL 继续流程，无需用户再操作。上传失败则提示错误并重新索要。 2. 格式校验 — 最终 URL 必须以 http:// 或 https:// 开头 3. 数量校验 — 多图参考最多 6 张，超过则提示"最多支持 6 张"并重新索要 4. 跳过识别 — 可选媒体的"跳过"指令宽容匹配：跳过 / 跳過 / skip / 无 / 没有 / 不用 / 不需要 / 空回复 均视为跳过 5. 校验失败重试 — 连续无效 3 次后，告知用户任务无法继续并退出

其他规则

必填项不接受"跳过"，只能提供有效 URL

首尾帧单次收集到的多个 URL，按分隔顺序分别赋值给 first_frame 和 last_frame

不加"需公网可访问"等解释性内容

---

第 5 步 - 收集提示词

方案 prompt: 0 → 跳过，不收集提示词

方案 prompt: 1 → 可选，主动询问用户是否需要添加提示词，可回复"跳过"

方案 prompt: 2 → 必填，必须收集

用户已描述场景且足够具体 → 直接用作提示词

长度 ≤ 1000 字符

提示词薄弱时（如"海边日出"），结合已选模型 desc 的特点润色，直接弹出选择框，前面不输出任何文字。选项：使用原始版（description 放原始内容）/ 使用润色版（description 放润色内容）。

提示词必须是独立的选择器，不和参数合并。

> 润色示例见 references/interaction-rules.md。

---

第 6 步 - 展示配置摘要（必须）

用选择框展示摘要并请求确认（确认提交 / 修改参数 / 取消）：

以下是本次视频生成的配置，请确认：
模型：可灵视频3.0 Omni
生成模式：图生视频（首帧）
提示词："海边黄昏，一个女孩在散步，电影感镜头"
起始帧：https://cdn.example.com/start.jpg
画面比例：16:9
分辨率：720P
时长：5 秒

多图参考示例：

以下是本次视频生成的配置，请确认：
模型：可灵视频3.0 Omni
生成模式：多图参考
提示词："两个角色在森林里对话"
参考图：
  1. https://cdn.example.com/ref1.jpg
  2. https://cdn.example.com/ref2.jpg
  3. https://cdn.example.com/ref3.jpg
画面比例：16:9
分辨率：1080P
时长：10 秒

模型名称原样展示（不翻译、不改写）

媒体文件直接显示 URL，多图参考必须列出所有图片 URL，不能只显示一张

不展示 model_code 等内部标识

用户确认前不进入第 7 步

---

第 7 步 - 提交任务

bash /scripts/submit-task.sh '{"model_code":"kling-video","prompt":"...","widescreen":"16:9","resolution":"1080","duration":5}'

省略未配置的可选字段，不发送空字符串或 null

不发送方案标记为 0 的字段

脚本成功返回后绝对不要再次调用（重试逻辑已内置）

提交成功后展示 taskId 和 requestId，告知正在排队，然后自动进入第 8 步轮询。

> 请求体示例见 references/api-schema.md。

---

第 8 步 - 查询任务状态（自动轮询）

提交成功后自动开始轮询，每 30 秒查询一次，直到状态为 succeeded 或 failed。超过 10 分钟仍未完成则停止轮询，展示 taskId 供手动查询。

bash /scripts/query-task.sh 

| status | 处理 | |---|---| | queued | 继续轮询 | | processing | 继续轮询 | | succeeded | 停止轮询，返回视频 URL | | failed | 停止轮询，返回错误信息，建议调整参数 |

不展示 data.result.raw。

> 轮询策略见 references/error-and-polling.md。

---

> 完整执行流程示例见 references/example-flow.md。

回复规则

绝对不要跳过确认摘要（第 6 步）— 视频生成消耗积分，5 秒确认远比重新生成划算

绝对不要在 status: succeeded 之前声称视频已完成

绝对不要向用户输出脚本的原始 JSON 返回值、内部推理或流程说明。脚本执行完毕后直接弹出选择框，中间不输出任何文字

用户输入自定义值时，校验是否在方案可选范围内，不合法则重新弹选择框（提示词不受此限制）

必填字段用户无法提供时，建议换一个方案