Gensong

通过以上检查后，宿主 Agent 需向用户确认当前阶段已完成，例如：

当前阶段：P0_PRECHECK 已通过，开始进入 S1_INTENT（结构化意图）。

S1_INTENT：结构化意图 & 场景

目标

从用户的一句话或几句话中，提炼成适合火山 GenSong 调用的结构化音乐描述信息（角色、人设、情绪、场景、时长等）。

典型用户输入

• 「想让猪八戒吐槽打工人生活，偏 emo 一点，1 分钟左右。」
• 「以沙和尚视角写职场老黄牛的无奈，风格偏治愈。」
• 「给社畜程序员写一首 emo 的通勤歌。」

建议抽取字段

宿主 Agent 应构造一个结构化 JSON（示例）：

{
  "character": "猪八戒",
  "emotion_theme": "打工人职场疲惫与想回家的念头",
  "music_style": "流行 + 轻说唱",
  "tempo_mood": "中速，主歌偏丧，副歌略带释怀和自嘲",
  "duration_seconds": 70,
  "scene": "下班地铁刷短视频",
  "platform": "Douyin",
  "notes": "强调高老庄、取经路与打工路的类比，把紧箍咒写成生活压力和 KPI。"
}

该结构将作为后续歌词创作与参数推断的统一输入。

S2_LYRICS：歌词生成 & 清洗

目标

• 基于 S1_INTENT 的结构化信息，生成完整歌词与一个适合作为 GenSong Prompt 的音乐描述。
• 将歌词清洗为整洁的纯文本格式，写入 lyrics.txt，便于后续 GenSong 或其它系统直接使用。

建议系统提示（供宿主 Agent 调用 LLM 时参考）

可参考原 music-generate Skill 中的歌词创作模板，并做轻度泛化（不局限西游）：

你是一位擅长用 IP / 历史人物 / 原创人设做情绪歌二创的短视频音乐创作者。
请以【{{character}}】为第一视角，创作一段**{{music_style}}**风格的中文歌词。
要求：

1. 角色人设贴合其基础特质，但需加入「当代人情绪」：{{emotion_theme}}。
2. 歌词可以融入该题材世界观的专属元素（如地点、道具、称呼等），用场景隐喻现实困境。
3. 歌词结构建议包含主歌和副歌（可用 [Verse 1]、[Chorus] 标注），字数控制在适合 {{duration_seconds}} 秒左右的短视频歌曲长度。
4. 语言口语化，适合短视频平台传播，但要保证有 2–3 句具有共鸣感的金句。
5. 请先给出一句简短的歌名，然后给出一段简短的「音乐描述 prompt」（供音乐模型使用），最后输出完整歌词。

推荐输出格式（用于中间结果）

歌名：《{{title}}》

音乐描述 Prompt：
{{enhanced_prompt}}

歌词：
{{lyrics}}

其中：

• enhanced_prompt：结合人物设定、情绪、风格与关键意象的中/英混合描述。
• lyrics：包含 [Verse] / [Chorus] 等标签的完整歌词。

歌词清洗

宿主 Agent 应在生成歌词后进行简单清洗：

• 移除「歌名」「音乐描述 Prompt」等头部信息；
• 如有 [Verse 1]、[Chorus] 等段落标签，可根据需要选择保留或去掉；
• 将歌词整理为按行分隔的中文文本，写入：
  • output_dir/lyrics.txt

S3_PARAM_INFER：演唱者 / 乐器 / 音色推断（宿主 Agent）

本阶段完全由宿主 Agent 实现，脚本不内置规则。

输入

• S1_INTENT 输出的结构化信息；
• S2_LYRICS 生成的歌词文本。

任务

宿主 Agent 应参考 reference/performance_inference_rules.md，推断：

• 演唱者相关：
  • vocal_gender：如 Male / Female；
  • vocal_persona：如「沧桑中年男声」「少年感男声」「治愈系女声」等。
• 情绪与风格：
  • 将 emotion_theme / tempo_mood 进一步映射为 Mood。
• 乐器/编配：
  • 根据场景 + 风格选择 2–4 个主要乐器，对应 Instrument 可选值。
• 其他：
  • Scene、Lang、Duration 等补充参数。

最终输出写入：

• output_dir/song_meta.json

song_meta.json 字段设计 & GenSong 参数映射

字段均为「宿主 Agent 可读/可写」的中间层，调用脚本时再映射到 GenSong 的正式参数。

推荐字段（带约束）如下：

{
  "character": "猪八戒",
  "emotion_theme": "打工人职场疲惫与想回家的念头",
  "music_style": "流行 + 轻说唱",

  "duration_seconds": 70,

  "model_version": "v4.3",

  "genre": "Chinese Pop,Chinese Ballad Pop",

  "mood": "Sorrow/Sad,Sentimental/Melancholic/Lonely",

  "vocal_gender": "Male",

  "timbre": "Husky,Deep,Gentle",

  "instrument": "Acoustic_Guitar,Drums,Strings",

  "scene": "Vlog/DailyLife",

  "lang": "Chinese",

  "vod_format": "wav",

  "skip_copy_check": false
}

其中与 GenSong GenSongV4 请求体的对应关系为：

• model_version → ModelVersion
• genre → Genre
• mood → Mood
• vocal_gender → Gender
• timbre → Timbre
• duration_seconds → Duration
• instrument → Instrument
• scene → Scene
• lang → Lang
• vod_format → VodFormat
• skip_copy_check → SkipCopyCheck

取值与约束（强烈建议宿主 Agent 严格遵守）：

• Genre（genre）
  • 来源：reference/歌曲生成参数信息.md 中的「Genre / GenreExtra 可选值」。
  • 规则：最多 3 个，用英文逗号, 分隔，如："Chinese Pop,Chinese Ballad Pop"。
• Mood（mood）
  • 来源：同文档中的「Mood 可选值」。
  • 规则：最多 2 个，用英文逗号, 分隔，如："Sorrow/Sad,Sentimental/Melancholic/Lonely"。
• Gender（vocal_gender）
  • 可选："Male" / "Female"。
• Timbre（timbre）
  • 来源：文档中的「Timbre 可选值」。
  • 规则：最多 3 个，用英文逗号, 分隔，如："Husky,Deep,Gentle"。
• Instrument（instrument）
  • 来源：文档中的「Instrument 可选值」。
  • 规则：最多 5 个，用英文逗号, 分隔，如："Acoustic_Guitar,Drums,Strings"。
• Scene（scene）
  • 来源：文档中的「Scene 可选值」，如 "Vlog/DailyLife"、"Commute" 等。
• Lang（lang）
  • 人声歌常用："Chinese" / "English"。
• Duration（duration_seconds）
  • 范围：[30, 240] 秒。
• VodFormat（vod_format）
  • 可选："wav" / "mp3"。
• SkipCopyCheck（skip_copy_check）
  • false 表示开启版权检测（推荐默认）；true 表示关闭。

宿主 Agent 在做推断时，可以先在更自由的语义空间中思考，最终落地到 song_meta.json 时必须规整到上述枚举与约束范围内。

S4_GENSONG_SUBMIT：创建歌曲生成任务

本阶段由脚本 scripts/main.py 负责，宿主 Agent 通过 CLI 调用。

调用约定（submit）

在 Skill 根目录（song-production）下执行：

uv run python scripts/main.py \
  --mode submit \
  --lyrics-file /absolute/path/to/output_dir/lyrics.txt \
  --genre "{{song_meta.genre}}" \
  --mood "{{song_meta.mood}}" \
  --gender "{{song_meta.vocal_gender}}" \
  --timbre "{{song_meta.timbre}}" \
  --duration {{song_meta.duration_seconds}} \
  --model-version {{song_meta.model_version}} \
  {{ song_meta.skip_copy_check ? "--skip-copy-check" : "" }}

• 具体参数取值应来自 song_meta.json（由 S3_PARAM_INFER 生成，字段设计见上一节）。
• scripts/main.py 会从 scripts/.env 读取 VOLC_ACCESS_KEY_ID 等配置。

环境变量

由 .env 提供（详见 P0_PRECHECK）：

• VOLC_ACCESS_KEY_ID / VOLC_ACCESS_KEY_SECRET
• VOLC_REGION（可选）
• VOLC_SERVICE（可选）

输出

• 标准输出中包含 TaskID=xxx 字样，宿主 Agent 需解析并持久化：
  • output_dir/song_task.json 中建议记录：

{
  "task_id": "202408308513817850019840",
  "created_at": "2026-03-11T12:00:00+08:00"
}

S5_GENSONG_POLL：轮询任务并下载歌曲

调用约定（poll）

uv run python scripts/main.py \
  --mode poll \
  --task-id YOUR_TASK_ID \
  --max-attempts 120 \
  --interval 5

脚本内部会调用 DescribeSongJob 等接口，返回结果格式可参考：

• reference/歌曲结果查询任务结果.md

示例返回：

{
  "Result": {
    "TaskID": "202408308513817850019840",
    "Status": 2,
    "Progress": 100,
    "SongDetail": {
      "AudioUrl": "https://..."
    }
  }
}

下载与最终产物

• 宿主 Agent 应根据 AudioUrl 下载歌曲音频到：
  • output_dir/song.mp3
• 推荐使用独立下载脚本（如在 mv-production 中的 download_audio.py）或宿主环境能力。

阶段提示

在轮询过程中，宿主 Agent 需定期向用户报告：

• 当前阶段：S5_GENSONG_POLL
• 已轮询次数 / 预计最长等待时间

成功后，需明确告知：

• 歌曲已生成，并给出 output_dir 路径；
• 下一步可交由 mv-production Skill 继续生成 MV。

参考文档

• reference/歌曲生成参数信息.md：GenSong 主要参数说明与可选值。
• reference/歌曲结果查询任务结果.md：DescribeSongJob/查询结果示例。
• reference/performance_inference_rules.md：演唱者 / 乐器 / 音色推断规则（宿主 Agent 实现）。