Santu ai voiceover illustrations

三土学AI黑底简笔画配图

把中文 AI/商业文案转成黑底 gpt-image2 简笔画图片素材，用于“三土学AI黑底头像声波口播”视频。

核心输出

根据用户需求输出以下之一：

• 配图策略 / shot list：说明哪些语音片段需要图。
• gpt-image2 单张生图提示词。
• 已有 prompt 或图片的诊断与改写建议。
• 用户明确要求生成图片时，直接生成并整理图片资产。

除非用户明确要求“直接出图”，否则先输出配图策略和 prompt。

用户明确要做成剪辑素材时，不能只生成聊天预览图；必须把图片保存为项目目录里的可读文件，并返回路径。 内置生图结果通常会落在 $CODEX_HOME/generated_images/...；先查找新增文件并复制到项目 public/media/images/，不要直接判断“预览图不能保存本地”。

视觉定位

画面像黑板上的商业判断草图：黑色背景、白色或浅灰线稿、少量蓝/橙/红强调。整体要克制、专业、清晰，面向老板、企业家、创业者。

固定人物形象

默认每张图都使用“三土学AI戴眼镜西装小人”作为核心角色：

• 黑底白线稿小人，戴细框眼镜，穿简化西装外套、衬衫和领带或翻领点缀。
• 角色要承担核心动作：称量、拉杠杆、开闸门、分拣、修补、连接、推飞轮、照亮盲区。
• 角色不是头像本人肖像，不是真人照片，不是吉祥物，不是可爱 Q 版。
• 如果去掉西装小人，图仍然完整成立，说明角色太装饰，要重写 prompt。

细化人物形象时读取 references/character-ip.md。

不要做成白底图、PPT 课件、科技 HUD、复杂 UI、海报、商业矢量插画、机器人科幻图或写满字的信息图。

画布与安全区

默认画幅：1080x1920，竖屏 9:16。

• Y=0-100：顶部呼吸区，保持干净。
• Y=120-820：核心插画区。简笔画主体、流程、隐喻物件主要放这里。
• Y=900-1240：字幕区预留。不要放关键物件和小字；剪辑层会加黑色字幕阴影带，但 prompt 仍要尽量留干净黑底。
• Y=1240-1580：圆形头像和左右声波区预留。不要放插画主体。
• Y=1600-1920：底部呼吸区，保持黑底。

插画主体不要撑满全屏。生成图片时可以整张是黑底，但可读内容必须集中在上方视觉区。 抖音/视频号四周有平台安全区，prompt 要要求主体离左右边框和顶部都有空余，不要贴边。 实际生成文件可能不是精确 1080x1920，要以文件真实像素为准记录；剪辑层会按安全区等比例轻缩居中展示，不要为了适配而拉伸或裁剪。

工作流

1. 读文案或时间线，只提炼适合配图的认知锚点。
2. 默认每 4-7 秒 一个视觉单元；短句可以沿用上一张图。
3. 每张图只表达一个判断、流程、状态或隐喻。
4. 图内文字尽量少；重要表达交给视频字幕，不交给图片模型写长字。
5. 写 gpt-image2 prompt，明确黑底、戴眼镜西装小人、简笔画、上方视觉区、字幕/头像/声波安全区、四周平台安全边距。
6. 使用内置 gpt-image2 / image generation 能力逐张生成图片。
7. 每张图生成后，先从 $CODEX_HOME/generated_images/... 找到新增 PNG，再复制到项目 public/media/images/，例如 img-01-hook.png，并用文件系统确认可读。
8. 记录真实图片尺寸到 asset-manifest.json，例如 941x1672 就写 941x1672，不要假写 1080x1920。
9. 生成后按 QA 检查，不符合就重写 prompt 或重生成。

如果生图能力只在聊天里显示图片，且 $CODEX_HOME/generated_images/... 中也找不到新增图片文件，立即暂停并向用户确认保存方式；不要用代码、SVG、Canvas、PIL 或占位图替代 gpt-image2 图片，也不要改用外部生图工具，除非用户明确要求。

构图类型

• 判断对照：旧方式 vs 新杠杆。
• 三类/三步：三个简洁对象或三个小格。
• 流程路径：输入 -> 动作 -> 结果。
• 状态隐喻：卡住、分化、提效、掉队、试错、协作。
• 物理隐喻：天平、杠杆、闸门、滤网、漏斗、地图、桥、飞轮、信号塔。

Prompt 必须包含

• vertical 9:16, 1080x1920 composition。
• black background / near-black background。
• minimalist white line art / simple doodle sketch。
• recurring bespectacled suited little business operator。
• upper illustration zone only，保留中部字幕区和下方头像声波区。
• very few Chinese handwritten labels，最多 0-4 个短词。
• no white background, no full-screen poster, no subtitle text, no long Chinese sentences, no UI panels, no PPT, no cyberpunk HUD, no robot cliche。

写最终 prompt 时读取 references/prompt-template.md。

输出口径

策略输出要短、准、能直接进入剪辑时间线。prompt 输出要能直接复制给 gpt-image2，并给每张图一句用途说明。

直接生成图片时，输出必须包含：

• 图片 id
• 对应口播片段
• gpt-image2 prompt
• 已保存文件路径
• 文件校验结果和真实像素尺寸