⭐ 设为星标 · 第一时间收到推送
石臻说AI 编辑：石臻
导读： AI 视频现在最难的，往往不是生成一张漂亮画面，而是让人物在多个镜头里站对位置、按时做动作，镜头还得按照设计好的路线走。只靠提示词和参考图，这些关系很容易漂。
这次实测走了一条更重、但也更可控的路线：先让 AI 操作 Blender，做出一段粗糙的 3D 预演；再把预演视频、角色图和风格图交给 Seedance 2.0。Blender 不负责成片质感，它更像视频模型开拍前的走位和彩排。
为什么不直接图生视频？
图片当然要用。这套流程一开始就用 GPT Image 2 生成了和室的多角度参考图，后面又把六个镜头的首帧转成动画风。图片擅长定角色、构图和画风，但它只描述一个瞬间。
人物三秒后走到哪里，相机怎么推进，前后两个镜头的空间关系是什么，一张图说不清。Blender 预演补上的是 时间和空间：物体大致摆在哪、角色按什么轨迹动、相机什么时候切镜，都先在 3D 里跑一遍。
| 方法 | 它最擅长解决什么 | 短板 |
|---|---|---|
| 参考图 / 图生视频 | 角色外观、构图、光影和风格 | 连续动作、复杂运镜和多镜头关系容易漂 |
| Blender 3D 预演 | 空间尺度、人物走位、动作时序和相机轨迹 | 制作更慢，粗模不能直接当成片 |
AI 生成的夏日和室最终画面，3D 预演被继续转换成动画镜头
所以，Blender 不是每条 AI 视频的必经之路。一个角色、一个机位、一个简单动作，直接图生视频更省事。当你开始追求多镜头、准确走位或一段不存在的编舞时，多做一层预演才有价值。
到底怎么操作：Blender 做彩排，Seedance 负责成片
这里有两段连接，容易被混在一起。第一段是 Claude Code 或 Codex 通过 MCP 操作 Blender；第二段是把 Blender 渲染出来的 MP4 上传给 Seedance，当作参考视频。Seedance 并没有实时控制 Blender，两者之间传递的是一段预演视频。
这次的完整流程可以拆成六步：
| 步骤 | 具体操作 |
|---|---|
| 1. 定视觉 | 用 GPT Image 2 生成角色、场景和多角度参考图 |
| 2. 连接 Blender | 启动 Blender 4.2 以上版本，用 MCP Connector 让 Agent 获得操作能力 |
| 3. 搭预演 | Agent 编写 bpy 脚本，摆基础几何体、角色、动作和相机 |
| 4. 反复验收 | 执行脚本、截图检查、修改后再执行，直到走位和切镜可用 |
| 5. 输出参考 | 从 Blender 导出预演 MP4，并把各镜头首帧转成目标画风 |
| 6. Seedance 生成 | 上传预演视频和角色、背景图，让 Seedance 参考动作与运镜生成成片 |
实际用起来，你不需要逐个点 Blender 菜单。启动软件后，可以直接告诉 Claude Code："把能够操作 Blender 的环境配置好。"连接完成后，再用自然语言描述房间、人物动作和运镜。
AI 通过 Blender 截图检查制作进度，从基础方块逐步搭出场景
Agent 会写 bpy，也就是 Blender 的 Python 脚本。它运行脚本，截一张图检查结果，发现不对就改脚本再跑。强模型负责设计和验收，具体执行可以交给消耗更低的模型，否则额度很快就会见底。
Blender 中逐步完善的和室场景与多个镜头视角
这套流程不算轻。和室从基础几何体开始，经历多轮脚本修改和截图验收，大约两小时才形成可用场景。AI 也更擅长用立方体、圆柱和平面搭出粗模，复杂曲面和细腻造型仍然吃力。目标很明确：先拿到一段可用的预演，没必要把粗模做成可交付的 3D 资产。
和室案例：3D 的价值，在于先把镜头说清楚
这间和室后来加入了 VRM 角色。只需要指定模型文件，再说"让女性角色坐在坐垫上，转动头部，用手扇风"，Agent 就会处理导入、摆放和动作。原本的无人机式镜头不够清楚，又被改成每隔几秒切换一次机位。
VRM 角色被放入 Blender 和室场景，作为镜头与动作预演
具体到和室，六个切镜的首帧先用 GPT Image 2 转成动画风，用来定角色和画面风格；完整的 Blender 预演 MP4 则作为 Seedance 2.0 的参考视频，提供人物动作和运镜。一类输入定"长什么样"，另一类输入定"怎么动"。
先看 Blender 给出的粗糙预演：人物位置、扇风动作和镜头切换已经被编排好。
Blender 中的和室镜头与人物动作预演动图
把同一套空间和运动信息交给 Seedance 2.0 后，才得到下面的动画风成片：
Seedance 2.0 基于 Blender 和室预演生成的动画风效果
由 3D 预演镜头转换得到的动画风格首帧
文生视频很容易给你一张漂亮画面，难的是人物站在哪里、镜头往哪走、动作在第几秒发生。Blender 在这里像一个 可编程的分镜沙盘：画面可以粗，关系不能乱。
当然，风格转换仍会带来漂移。参考图变成动画风后，部分物体位置和空间关系已经发生变化。预演能提高控制力，却不是逐像素复制。
舞蹈案例：能编不存在的动作，也会编出怪动作
第二组实验更有意思。AI 先在 Blender 里让人偶跳 15 秒，再把运动和相机轨迹交给 Seedance 2.0。角色和背景则由四张参考图确定。
舞蹈视频使用的角色正反面与背景参考图
这是 Blender 里的动作预演。它不追求成片质感，先把动作节奏、人物轨迹和机位跑通：
Blender 中的 15 秒舞蹈动作与镜头预演
再由 Seedance 2.0 结合角色和背景参考图，把这套粗糙动作转成动画风画面：
Seedance 2.0 根据 3D 舞蹈预演生成的动画风效果
它的优势很直接：你不需要先找到一段真人舞蹈，也可以从零设计动作。问题同样明显。用 bpy 计算出来的舞蹈容易简单、机械；加入后空翻后，后续腿部动作就变得不自然。降低视频模型对参考动作的服从程度，可以让成片自然些，但也会牺牲与原始编舞的一致性。
另一条路是先有视频，再提取动作。Blender 可以通过 DW Pose 相关插件估计人物姿态，把一段 Sora 2 舞蹈视频转换成 3D 动作，再套到 VRM 角色上。这个方向对真实人体运动更友好，不过裙摆、手掌等细节仍会崩坏。
这两条路线其实对应不同需求：想要从零发明动作，就接受机械感并反复修；想保留真人运动规律，就从现有视频提取，再承担姿态估计和骨骼映射的误差。
机器人对比：强模型更会设计，但简单模型未必输
最后一组实测让 Fable 5 和 Codex 制作同一台机器人。复杂参考图摆在面前时，Fable 5 的造型更完整，Codex 做出的版本更简化；但两边都没有准确还原原设计，离精细建模仍有距离。
同一机器人参考图下，Fable 5 与 Codex 的 3D 建模结果对比
把简化的模型放进镜头后，画面已经能传递角色位置、环境尺度和爆炸节奏：
简化机器人模型用于场景运动和爆炸节奏预演
有点反直觉的是，如果这些模型只用来给 Seedance 2.0 提供预演，Fable 5 的优势并没有继续拉大。简化模型轮廓清楚、动作明确，有时反而更适合被视频模型读取。预演追求的是信息传递，不是模型资产本身的精度。
成本也不能忽略。即便主要让 Fable 5 负责设计与验收，在 100 美元的 Max 方案下，一个场景仍会消耗每周 Fable 5 额度的 20%～40%。这不是随手玩十个版本都无感的成本。
如果现在让我挑一个用法，我会先拿它做 20 秒镜头预演：把空间、人物位置和运镜跑通，再决定值不值得继续做成片。对不熟悉 3D 的创作者来说，能先做出一个拿来讨论的版本，已经很有用。至于高质量角色模型、复杂曲面和可复用动画资产，专业 3D 能力仍然绕不过去。
这条路线把 AI 视频拆成两层：Blender 先解决空间、动作和镜头，Seedance 再解决角色、画风和成片质感。单镜头直接图生视频更快；多镜头、复杂走位和编舞，先做一次 3D 彩排，能少让视频模型猜几件事。
📚 往期精选