这个系统需要利用 Gemini 3 作为中央智能大脑 (The Orchestrator)，协调多个专业的 AI 工具链来完成复杂的实时内容生成任务。

阶段一：剧本解析与情景规划（Gemini 3 核心职能）

这一阶段主要利用 Gemini 3 的长上下文窗口和高级推理能力。

阶段二：实时视觉资产生成（与专业工具协作）

Gemini 3 输出指令后，系统会调用专业的文生图模型（例如 Google 的 Imagen 或其他优化模型）来生成视觉内容。

 1. 角色立绘实时生成与一致性保持（最难点）

1. Prompt 工程： 将 阶段一 输出的 [角色ID, 外貌描述, 角色当前情绪] 组合为一个精确 Prompt。

a. 例如： 画一个25岁，黑长短发，手上拿着一把匕首，身穿学生制服的少年（角色ID:A），他正在表现出“防备”的表情，画风：日系 Galagame 风格。

2. 一致性控制： 这是关键。可能需要利用 LoRA (Low-Rank Adaptation) 或 Hypernetworks 技术，在游戏开始前先针对每个角色训练一个小型模型权重，保证无论表情或姿势如何变化，角色的脸部特征和衣着细节始终保持一致。

2. 背景场景实时生成

1. Prompt 工程： 使用 阶段一 输出的 [场景描述]。

a. 例如： 一间晚上的日式房间，窗门上有一个黑色影子，氛围严肃而紧张。

2. 图像渲染： 生成与游戏画风匹配的背景图像，并应用景深或模糊效果以突出前景角色。

阶段三：实时语音与交互整合

在视觉内容生成完成之后，需要音频输出和 UI 整合。

1. TTS 语音对话生成

1. 情感 TTS： 使用高质量的文本到语音 (TTS) 服务。

2. 输入： 接收 [对话文本, 角色当前情绪]。

3. 输出： 语音应根据情绪（如：惊讶、悲伤、喜悦）调整语速和音调。Gemini 3 或许能直接推荐最适合的情感标签，指导 TTS 服务。

2. 游戏前端整合

1. 将生成的 立绘、背景、对话文本 和 音频文件 实时载入到一个轻量级的 Galagame 交互前端（可能使用 Unity、Ren'Py 或 WebGL/JavaScript 框架）。

2. 等待用户点击屏幕或按键，触发下一条 Gemini 3 的指令。

阶段四：决策点与剧情分支（体现互动性）

当剧本来到一个决策点时，系统的互动性就体现出来了。

1. Gemini 3 的决策点识别： 识别出剧本中的关键选择，并生成 2-4 个选项供玩家选择。

2. 长上下文影响： 玩家的每一次选择将作为新的输入，被存储在 Gemini 3 的长上下文记忆中，进而影响后续剧情的走向和角色的回应。

3. 实时剧情续写： 玩家选择后，Gemini 3 不仅执行预设的剧本线，还能根据用户选择和当前角色关系，