莫潇羽@源码七号站（www.fuyuan7.com） | 转载请注明出处
快速摘要
2026年3月24日，OpenAI 宣布全面关停 Sora 视频生成服务，包括独立 App、API 接口以及 ChatGPT 内置视频功能，这款曾经震撼全球的 AI 视频产品从上线到谢幕仅走过25个月。 与此同时，LibTV 平台上线了自研视频模型 Star Video 2.0，主打多镜头叙事、音视频一体化生成和多模态精准控制三大核心能力，定位短剧与 AI 电影制作场景。本文将从行业背景出发，深入拆解 Star Video 2.0 的技术原理、操作方法、提示词编写技巧以及与同类产品的对比差异，帮助每一位想要入门 AI 视频创作的朋友建立完整的认知框架。往下看有更详细的拆解。
一、Sora 关停始末：一个时代标杆的谢幕
1.1 从惊艳到落幕的25个月
2024年2月，OpenAI 首次发布 Sora 技术预览版，凭借 4K 分辨率和最长 60 秒的连贯叙事视频，瞬间点燃了全球 AI 视频领域的热情。彼时，业界普遍只能生成 10 秒以内、720P 的短片，Sora 几乎以一己之力抬高了整个赛道的天花板。
然而，从发布预览到正式公测，中间隔了整整 10 个月。2024年12月，Sora 才对公众开放使用，但这时候快手可灵等国产模型已经迭代了好几个版本，用户再上手 Sora 时并没有感受到年初预览时的那种巨大落差。2025年9月，升级版 Sora 2 携独立 App 上线，五天内下载量突破百万，一度登顶 App Store。
但好景不长。据多家媒体披露，Sora 的日均运行成本高达 1000 万至 1500 万美元，折合年化约 54 亿美元的算力开支。与之对应的是，其累计消费者端收入仅约百万美元量级——这是一个严重入不敷出的生意。到了 2026 年初，Sora App 的月下载量已经从峰值暴跌了七成以上。
2026年3月24日，OpenAI 在社交平台发布简短声明，宣布关停 Sora 的全部服务。CEO Sam Altman 在内部会议上进一步说明：不仅面向消费者的应用停止运营，面向开发者的 API 和 ChatGPT 中的视频功能也将一并下线。此前与迪士尼签订的那份涉及 200 余个 IP 的三年合作协议，也随之终止。
1.2 Sora 关停背后的三重压力
莫潇羽@源码七号站认为，Sora 的关停并不是一个单纯的产品失败事件，而是多重压力叠加的结果。
首先是商业化严重不及预期。AI 视频生成的推理成本远高于文本和图像，而 Sora 的付费转化率据报道不足 3%，与 ChatGPT 18% 的转化率相差甚远。每生成一段视频，背后消耗的算力成本是文生图的数十倍，这让 Sora 沦为一个持续失血的无底洞。
其次是版权争议的高压。大量用户使用 Sora 生成受版权保护的角色视频——从游戏人物到动画角色，甚至制作真实人物的深度伪造内容。好莱坞多家制片厂和行业协会对 OpenAI 提起诉讼，索赔金额巨大。
最后是战线过长带来的战略焦虑。OpenAI 的应用部门负责人 Fidji Simo 在内部信中坦言，过去产品线过于分散，不同 App 和技术栈的碎片化正在拖慢整体推进速度。关停 Sora，本质上是 OpenAI 从多线扩张转向重点突破的战略收缩——算力和团队资源将转向代号为"Spud"的下一代基础模型，以及机器人和世界模拟等长期研究方向。
1.3 AI 视频生成进入"中国时间"
Sora 的退场，并不意味着 AI 视频赛道降温，恰恰相反，这条赛道正在加速洗牌。从字节跳动的 Seedance 2.0、快手的可灵 3.0，到阶跃星辰的 Step-Video、MiniMax 的海螺 AI，再到本文要重点介绍的 LibTV 平台及其 Star Video 2.0 模型——越来越多来自中国的产品和技术正在接过接力棒。
回顾这段历史，有几个关键时间节点值得记住。2024年上半年，Sora 首发预览后迟迟未能公测，快手可灵趁势抢占了用户心智，用一系列高质量的AI视频生成案例快速积累了口碑。2024年下半年到2025年初，国产模型进入密集迭代期，可灵、海螺、Vidu 等产品轮番升级，在人物一致性、运镜控制、画面稳定性等关键指标上不断突破。2026年春节前后，字节跳动发布 Seedance 2.0，在复杂物理规律还原和人类微表情捕捉方面达到了新的高度，被业内认为重新定义了行业标准。与此同时，阶跃星辰将 30B 参数量的 Step-Video-T2V 开源，成为全球参数量最大的开源视频生成模型，采用 MIT 协议开放商用。
在这个蓬勃发展的生态中，LibTV 选择了一条差异化路线：它不只做一个视频生成模型，而是构建一个完整的创作平台。Star Video 2.0 是这个平台上的核心引擎之一，但远不是全部。正是这种"模型+平台+工作流+Agent"的组合策略，让它在拥挤的赛道中找到了自己的位置。
可以说，当 Sora 选择退场时，新一代工具已经摆上了台面。接下来，莫潇羽@源码七号站就带大家深入了解其中一个引起广泛关注的新选手——Star Video 2.0。
二、Star Video 2.0 是什么？快速认识这个新模型
2.1 背景与定位
Star Video 2.0 是 LibTV 平台于 2026 年 3 月上线的视频生成模型。LibTV 是 LiblibAI（哩布哩布 AI）推出的专业 AI 视频创作平台，LiblibAI 本身是国内知名的 AI 图像创作社区，由北京奇点星宇科技有限公司运营，在 Stable Diffusion 社区和 AIGC 图像领域积累了大量用户和模型资源。
LibTV 的定位非常明确：它不是一个简单的"视频生成器"，而是一个从剧本创意到视频成片的全链路创作平台。Star Video 2.0 的上线，补全了 LibTV 在自有视频模型方面的最后一块拼图。此前，LibTV 主要通过接入可灵、Seedance、Vidu、PixVerse 等第三方模型来提供视频生成能力；现在有了自研的 Star Video 2.0，平台的核心竞争力进一步增强。
Star Video 2.0 的核心定位是面向短剧和 AI 电影制作场景。它想要解决的不是"如何生成一个三秒钟的炫酷片段"——这在当下已经不算难题——而是"如何生成一场完整的、能用于实际交付的戏"。
2.2 三大核心能力概览
Star Video 2.0 与市面上大多数视频模型的差异化，集中体现在三个层面：
- 多镜头叙事能力：一句话描述一段包含多个分镜的完整场景，模型自动推演分镜切换、转场衔接和动作节奏。
- 音视频一体化生成：画面生成的同时同步输出对白、环境音和动作音效，实现原生视听同步。
- 多模态精准控制：通过上传参考图（如角色三视图）来锁定角色外观，确保多镜头之间角色形象的一致性和可控性。
下面我们逐一展开，深入拆解每一项能力的原理和实操方法。
三、核心能力一：多镜头叙事——从"拼片"到"一句话出戏"
3.1 传统 AI 视频制作的痛点
在 Star Video 2.0 之前，用 AI 做一段完整的短片，通用的工作流大致是这样的：先写好分镜脚本，然后针对每一个分镜单独生成视频片段，再把这些片段导入剪映或 Premiere 之类的剪辑软件，手动调整转场、节奏和顺序，最后拼凑成一个完整的视频。
这个流程的问题非常明显。第一，每一个分镜都需要单独生成、单独调整提示词，一旦某个镜头的角色长相或画面风格出现偏差，就要反复重新生成，俗称"抽卡"。第二，不同镜头之间缺乏逻辑上的连贯性——模型并不知道上一个镜头发生了什么，每次都是独立生成，导致拼接时经常出现画面跳跃、风格不统一等问题。第三，后期拼接本身就是一项耗时耗力的工作，对于没有专业剪辑经验的创作者来说门槛不低。
简单来说，传统方式下做出来的 AI 视频，本质上就是一个"拼好片"——一堆独立生成的碎片被手动粘合在一起。
3.2 Star Video 2.0 的多镜头叙事原理
Star Video 2.0 的核心突破在于，它能够在一次生成过程中，根据用户提供的一段完整的场景描述，自动规划和生成包含多个镜头的连贯视频。
从技术原理的角度来理解，当前主流的 AI 视频生成模型普遍采用基于 DiT（Diffusion Transformer）的扩散架构。DiT 架构的核心思想是：将 Transformer 的强大序列建模能力与扩散模型的生成质量结合起来。在训练阶段，模型学习大量视频数据中的时空特征——包括每一帧内的空间信息（画面构图、物体位置、光影关系）和帧与帧之间的时间信息（运动轨迹、镜头切换、节奏变化）。
多镜头叙事能力的关键在于镜头感知的时间建模。具体而言，模型需要理解一段叙事文本中包含多少个逻辑上独立的"镜头"，每个镜头的景别（特写、中景、远景）是什么，镜头之间应该如何衔接（硬切、推镜、转场）。这通常通过以下几个机制来实现：
- 语义解析层：模型首先对用户输入的文本进行深度语义分析，识别其中的场景切换信号词（如"随后"、"切到"、"镜头推向"），将一段描述拆分为多个逻辑分镜。
- 时间注意力机制：在 DiT 架构中，空间注意力层负责每帧画面的内容生成，而时间注意力层负责跨帧的运动和变化建模。对于多镜头生成，时间注意力层需要在镜头切换点处正确地"断开"前一个镜头的运动延续，并"接入"新镜头的起始状态。
- 位置编码设计：为了让模型区分"同一个镜头内的帧间关系"和"不同镜头之间的帧间关系"，通常会引入多模态旋转位置编码（如 MM-RoPE），让模型感知不同镜头的边界。
- 一致性约束：在多镜头生成过程中，模型通过跨镜头的全局注意力或记忆机制，确保不同镜头之间的角色外观、服装细节、场景风格保持一致。
从Seedance 1.0 的技术报告中我们可以窥见类似的设计思路。Seedance 的架构中明确提到了"原生多镜头叙事连贯性"和"解耦的空间-时间注意力层"，Star Video 2.0 虽然没有公开技术论文，但从其表现出的能力推断，底层应该采用了类似的技术路线。
3.3 实操示例与提示词编写技巧
理解了原理之后，我们来看实际怎么用。在 Star Video 2.0 中生成多镜头视频，关键在于提示词的编写质量。莫潇羽@源码七号站根据实测经验，总结了以下几个要点：
（一）明确标注镜头切换
在提示词中，你需要用清晰的语言标注不同镜头之间的切换关系。常用的切换信号词包括：
镜头顺势推向……
随后切回中景……
切特写……
切跟拍中景……这些词汇就像是给模型的"分镜指令"，告诉它在哪里进行镜头切换，以及切换到什么样的景别。
（二）描述具体的动作和节奏
不要只写"一个人跑步"，而要写清楚跑步的具体动态细节。例如：
一名跑者穿着荧光绿跑鞋在积水中快速奔跑，水花四溅；
切特写：跑鞋踩踏水坑的微距慢动作，鞋面网眼材质清晰可见；
切跟拍中景：跑者擦去额头的汗水，眼神坚毅地冲破终点线的红丝带。注意这段提示词中包含了三个镜头（远/中景奔跑 → 特写慢动作 → 跟拍中景冲线），每个镜头都有明确的动作描述和材质细节。根据实测，这样一段描述通过 Star Video 2.0 大约三分钟就可以生成一条完整的多镜头视频。
（三）善用风格限定词
在提示词的开头加入整体风格描述，可以帮助模型统一全片的视觉调性。例如：
90年代复古电影风格。杂乱的办公桌前，疲惫的侦探拿起一张半烧毁的照片，
眼神突然震惊。镜头顺势推向照片上的神秘符号特写，
随后切回中景，侦探抓起椅子上的风衣夺门而出。"90年代复古电影风格"这个前缀会影响整段视频的色调、颗粒感和画面比例，让三个镜头在视觉上保持统一。
（四）一个实用的提示词模板
莫潇羽@源码七号站为大家整理了一个可复用的提示词结构模板：
[风格限定]. [场景一描述，包含角色、动作、情绪]；
[镜头切换指令]：[场景二描述，包含景别和细节]；
[镜头切换指令]：[场景三描述，包含动作节奏和结尾]。按照这个结构来组织提示词，可以大幅提升多镜头生成的成功率和画面连贯性。
四、核心能力二：音视频一体化——声画同步的原生方案
4.1 为什么声音如此重要
一段没有声音的 AI 视频，就像一部被消音的电影——再精美的画面也会让观众觉得少了点什么。声音不仅提供信息（对白传达剧情），还营造氛围（环境音建立空间感）、强化节奏（动作音效标记关键时刻）。
在过去，给 AI 生成的视频配音是一个独立的后期步骤。你需要先生成无声视频，然后使用 ElevenLabs 之类的语音合成工具生成对白，再使用 AudioCraft 或 Stable Audio 生成环境音效和背景音乐，最后在剪辑软件中手动对齐所有音轨。这个流程不仅繁琐，而且音画同步的精度很难保证——嘴型对不上台词、脚步声和落地画面错位，是常见的问题。
4.2 原生音视频联合生成的技术原理
Star Video 2.0 的音视频一体化，意味着模型在生成画面的同时，直接输出与画面同步的声音轨道。这并不是简单地在视频生成完毕后"贴"一层音效上去，而是在模型的生成过程中，视觉信号和听觉信号就已经被联合建模了。
理解这个机制，可以参考两条技术路线：
第一种是端到端联合生成。 在训练阶段，模型同时学习视频帧序列和对应的音频波形（或音频频谱）之间的关联关系。例如，当模型学习到"一只手关上一扇木门"的视觉模式时，它同时学习到这个动作对应的"咚"一声关门音效的声学特征。在推理阶段，模型同时输出视频帧和音频数据，二者在时间轴上是天然对齐的。
第二种是级联式生成。 先生成视频，然后将视频帧作为条件输入传递给一个音频生成子模型。音频模型会根据画面内容逐帧生成对应的声音。这种方式在技术上更容易实现，但音画同步的精度取决于两个模型之间的耦合程度。
字节跳动的 Seedance 2.0 在其技术描述中提到了"统一多模态音视频联合生成架构"，Meta 早期的 Movie Gen 系列也包含了专门的 Movie Gen Audio 子模型来生成视频配音。Star Video 2.0 在音视频生成方面展现出的能力（包括对白、环境音和动作音效的同步生成），表明它至少采用了与这些前沿方案类似的技术思路。
4.3 声音生成的实际表现
从实测来看，Star Video 2.0 生成的声音覆盖了三个层面：
- 对白与人声：当提示词中包含角色说话的内容时，模型会生成与嘴型基本匹配的人声对白。例如在生成昆曲《牡丹亭》片段时，闺门旦的唱腔和伴奏能够与画面中的起势动作同步响起。
- 环境音：场景中的自然声音会被自动填充——室内场景的低频底噪、户外场景的风声和鸟鸣、雨天场景的淅淅沥沥等。
- 动作音效：与具体动作绑定的声音，比如拿起物品的碰撞声、关门声、脚步踩水声等。在跑步者踩踏水坑的镜头中，水花溅起的音效与画面中的落脚时机基本同步。
当然，当前的音视频一体化还没有做到完美。在一些复杂场景中，声音可能会出现轻微的错位或不自然的地方——比如实测中昆曲场景的画外音被错误地归属给了画面中的丫鬟角色。但整体而言，相比完全没有声音或需要手动配音的方案，这已经是一个巨大的效率飞跃。
4.4 带声音的提示词怎么写
如果你希望生成的视频包含特定的声音元素，在提示词中明确描述声音信息会很有帮助。以下是莫潇羽@源码七号站总结的几个实用技巧：
描述对白内容时使用引号或明确标注"说话"、"念白"等动作。 例如：
画外突然传来一声清亮的念白"小姐！"，
闺门旦和旁边的丫鬟一齐向画面右侧看去。描述环境和动作时暗示声音元素。 例如：
在积水中快速奔跑，水花四溅这段描述中"积水"和"水花四溅"本身就暗示了踩水的声音，模型会据此生成相应的音效。
如果不需要声音，可以在提示词中注明"无对白"或"纯器乐背景"。 这可以避免模型在不需要人声的场景中生成不必要的对白。
进阶技巧：通过声音线索推动叙事。 声音不仅仅是画面的装饰，它本身就可以成为叙事的一部分。例如在悬疑类短片中，你可以在提示词中写"远处传来若有若无的警笛声，角色转头望向窗外"——这里的警笛声不仅是一个音效，更是推动角色下一步动作的叙事触发器。Star Video 2.0 在处理这类提示词时，通常能正确理解声音与画面之间的因果关系。
另外值得一提的是，在对白的语种方面，目前 Star Video 2.0 对中文和英文的支持都比较稳定。如果你需要生成特定口音或方言的对白，建议在提示词中明确注明，比如"用四川话说道"或"用英式英语念出台词"。不过莫潇羽@源码七号站提醒大家注意，方言和小语种的支持效果目前还存在一定波动，建议生成后仔细检查。
五、核心能力三：多模态控制——把画面的主导权还给创作者
5.1 角色一致性难题
做 AI 视频创作的朋友一定深有体会：AI 生成的最大不确定性之一，就是角色的"变脸"问题。你在第一个镜头里精心生成了一只穿官袍的猫，到了第二个镜头它可能就变成一只穿汉服的狗了。这种角色一致性的崩塌，让多镜头的长视频制作变得极其困难。
传统的解决办法通常是使用图生视频（Image-to-Video, I2V）的方式：先用 AI 绘图工具生成一张高质量的角色定帧图，然后以这张图作为起始帧来驱动视频生成。这种方式能在一定程度上保证单个镜头内的角色一致性，但不同镜头之间的一致性仍然难以保障。
5.2 参考图驱动的多模态控制原理
Star Video 2.0 提供了一种更加系统性的解决方案：多模态参考输入。用户可以上传角色的参考图片（比如一张角色的正面、侧面和背面三视图），模型会从参考图中提取角色的核心视觉特征——面部结构、服装设计、配色方案、体型比例等——并在整个视频生成过程中锁定这些特征。
从技术实现的角度来看，这种能力通常涉及以下几个环节：
- 视觉特征提取：使用预训练的视觉编码器（如 CLIP 或更高级的多模态编码器）将参考图转换为高维特征向量，这些向量捕捉了角色外观的关键信息。
- 条件注入机制：将提取出的角色特征向量注入到 DiT 的生成过程中，通常通过交叉注意力（Cross-Attention）机制或者直接与初始噪声进行特征拼接。这确保了生成过程中的每一帧都受到参考图特征的约束。
- 一致性损失函数：在模型训练阶段，通过设计专门的损失函数来惩罚角色特征的偏移。例如，如果生成视频中角色的面部特征与参考图的差异超过一定阈值，损失函数会给出更大的惩罚信号，驱动模型学习更稳定的角色保持能力。
阶跃星辰开源的 Step-Video-TI2V 模型在技术报告中详细描述了类似的实现：它没有采用传统的交叉注意力方法，而是将参考图像的向量表示与 DiT 第一帧的向量在通道维度上直接拼接，以获得更强的图像一致性。这种思路在业界已经被广泛验证，Star Video 2.0 的表现也印证了这一技术路线的有效性。
5.3 实操：如何上传参考图并控制角色
在 LibTV 的操作界面中，使用参考图控制角色的流程大致如下：
第一步，准备角色参考图。 最理想的参考图是角色的三视图（正面、45度侧面、背面），背景干净、角色特征清晰。你可以先使用 LibTV 内置的"角色三视图生成"功能，或者使用 Midjourney、Seedream 等图像模型生成一张满意的角色设定图。
第二步，在创作界面上传参考图。 进入 LibTV 的无限画布后，创建一个图片节点，将参考图上传到画布中。
第三步，在视频生成节点中关联参考图。 将参考图节点与视频生成节点连接，这样 Star Video 2.0 在生成视频时就会以这张图为角色外观的约束条件。
第四步，在提示词中描述角色的动作和场景，但无需重复描述角色的外观。 因为外观信息已经通过参考图传递给了模型，你只需要专注于描写角色做了什么、在什么场景中、有什么情绪和动作即可。
从实测效果来看，以穿官袍的汤姆猫三视图为参考生成的视频中，模型精准锁住了角色的面部特征和服装细节，画面没有出现闪烁或崩坏。特别值得注意的是，当角色开口说话时，口型与台词基本吻合，面部微表情的还原度也相当不错。
六、LibTV 平台全景：不只是一个视频模型
6.1 无限画布与节点式工作流
要充分发挥 Star Video 2.0 的能力，你需要理解它所处的创作环境——LibTV 的无限画布工作台。
传统的视频编辑软件（如 Premiere、Final Cut Pro）采用的是线性时间轴的操作逻辑，所有素材都排列在一条时间线上。LibTV 的设计则完全不同：它使用了一张无限延展的二维画布，用户可以在画布上自由放置五种类型的节点：
- 文本节点：放入剧本、提示词、场景描述等文本内容
- 图片节点：放入参考图、角色设定图、分镜首帧等图像素材
- 视频节点：放入生成的视频片段或上传的参考视频
- 音频节点：放入配乐、音效、对白录音等音频素材
- 脚本节点：放入结构化的分镜脚本
节点之间通过连线来建立逻辑关系。例如，你可以将一个文本节点（包含场景描述）连接到一个视频节点，表示"用这段文字来生成这个视频"；或者将一个图片节点连接到视频节点，表示"以这张图为参考来生成视频"。
这种节点式工作流的最大优势在于非线性思维。你不需要按照时间顺序从头到尾地做视频，而是可以同时展开多条创作线路——比如一边调整 A 镜头的角色形象，一边生成 B 镜头的场景视频，一边让 AI 推演 C 镜头的剧情走向。所有工作进度都在一张画布上一目了然。
6.2 20+ 专业创作工具
除了 Star Video 2.0 模型本身，LibTV 还提供了超过 20 项辅助创作功能，莫潇羽@源码七号站挑几个最实用的介绍一下：
- 9/25 宫格智能分镜：输入一段剧本文字，一键生成 9 格或 25 格的分镜画面预览，帮你快速确认每个镜头的画面构成。
- 剧情推演四宫格：上传一张参考图，AI 会自动推演出这张图前后可能发生的四个剧情节点，非常适合用来做故事创意扩展。
- 角色三视图生成：输入角色的文字描述，自动生成正面、侧面和背面的三视图，作为后续视频生成时的角色参考。
- 多机位 9 宫格：同一个场景生成 9 个不同机位和角度的画面，帮你选择最满意的镜头角度。
- 三维坐标球打光：通过可视化的三维坐标球来调整场景的光照方向和强度，不需要复杂的 3D 软件操作。
- 画面前3秒/后5秒延展：对已有的视频片段进行时间维度上的扩展，在不改变核心内容的前提下延长视频时长。
- 高清扩图（2x/4x/6x）：将低分辨率的视频帧放大到更高分辨率，同时补充画面细节。
- 视频提帧至 90fps：将低帧率视频平滑插帧到 90fps，让运动画面更加流畅。
6.3 30+ 模型聚合：不止 Star Video 2.0
LibTV 的另一个核心竞争力是多模型聚合。除了自研的 Star Video 2.0，平台还接入了可灵 3.0/O3、Seedance 2.0、Wan 2.6、Vidu Q3 PRO、PixVerse V5.5、海螺 2.3 等 30 多款主流视频模型，以及 Midjourney V7、Seedream 5.0、LibNano Pro 等图像模型和豆包、Kimi 等语言模型。
这意味着你不需要在多个平台之间来回切换。在一张画布上，你可以用 Midjourney 生成角色设定图，用 Star Video 2.0 生成多镜头叙事片段，用可灵 3.0 生成需要高画质的特写镜头，用 Seedance 2.0 生成需要复杂物理效果的动作场景——然后在 LibTV 的画布上统一管理和拼接所有素材。
6.4 Agent 自动化创作
LibTV 的另一个前瞻性设计是对 AI Agent 的支持。平台开源了 libtv-skills 技能包（遵循 MIT 开源协议，托管在 GitHub 上），支持 OpenClaw、KimiClaw 等 AI Agent 直接调用 LibTV 的创作能力。
这意味着什么呢？简单来说，你可以在 Agent 中用一句自然语言指令，比如"帮我做一部 1 分钟的国风动画短片，主角是一个穿汉服的少女在竹林中舞剑"，然后 Agent 会自动完成以下所有步骤：
- 生成剧本和分镜脚本
- 设计角色形象和三视图
- 逐镜头生成视频片段
- 添加配乐和音效
- 将所有素材整合到一个 LibTV 项目中
整个过程无需人工干预。Agent 甚至会每隔一段时间向你汇报进度。当然，目前这个功能更适合原型验证和快速出片，精品级的内容仍然需要人工审核和调整。
安装方法也非常简单，以下是通过 npx 一键安装技能包的命令：
# 交互式选择要安装的技能
npx skills add libtv-labs/libtv-skills
# 直接安装指定技能
npx skills add libtv-labs/libtv-skills --skill libtv-skill安装完成后，你的 Agent 就拥有了调用 LibTV 所有生图、生视频能力的权限，可以通过创建会话、发送指令、查询进度、下载结果等一系列 API 来完成自动化创作。
七、完整实操流程：从注册到出片
为了让没有任何 AI 视频创作经验的朋友也能顺利上手，莫潇羽@源码七号站在这里梳理一遍从零开始使用 Star Video 2.0 的完整流程。
7.1 注册与登录
打开浏览器，访问 LibTV 官网 https://www.liblib.tv/，点击注册按钮，使用手机号或邮箱完成注册。LibTV 是纯 Web 应用，不需要安装任何客户端软件，支持 Chrome、Edge、Safari 等主流浏览器。
7.2 新建项目
登录后点击"开始创作"，进入无限画布界面。你会看到一张空白的画布和顶部的工具栏。在这里，你可以选择四种默认的创作模式入口：
- 脚本生成模式：从文字剧本开始，自动生成分镜
- 角色三视图模式：从角色设计开始
- 图生视频模式：从一张图片开始
- 音频生视频模式：从一段音频开始
对于初次使用的朋友，建议从"脚本生成模式"入手，体验最完整的创作流程。
7.3 编写剧本与生成分镜
在画布中创建一个文本节点，输入你的剧本或场景描述。然后使用快捷键 / 调出功能菜单，选择"分镜生成"。AI 会根据你的剧本自动拆解出分镜脚本，每个分镜包含镜头编号、时长建议、画面描述、角色信息、景别、动作、情绪等详细字段。
如果你不满意某个分镜的拆解，可以手动编辑或让 AI 重新生成。确认分镜脚本后，就可以进入下一步。
7.4 生成分镜首帧图
选中分镜脚本节点，使用工具栏中的"批量生图"功能，为每一个分镜生成一张首帧图。你可以选择不同的图像模型（如 LibNano Pro、Seedream 5.0 等），也可以使用多角度预览和三维打光功能来调整画面的构图和光影。
如果需要使用参考角色，这时候就可以上传或生成角色的三视图，并将其与对应的分镜节点关联。
7.5 生成视频
确认首帧图满意后，选中目标分镜，选择 Star Video 2.0 模型进行视频生成。对于多镜头叙事的场景，你可以把多个分镜合并成一个提示词提交给 Star Video 2.0，让它一次性生成包含多个镜
