先拍白模，再上 AI：17 版迭代后，我的 AI 视频工作流定型了

先说结论：AI 视频不可控，根因是缺一个确定性的时空参考。我用 17 个版本验证了一条本机工作流——Blender 渲白模（约 10 秒/5 秒镜头）→ H3 参考生视频（6~8 分钟/5 秒）→ 照片级成片，单段全链路约 7 分钟。伪影的根因，最后锁定在一根细圆柱上。

一、问题：提示词控制不了动作和运镜

写「两人交手、镜头环绕、第三秒推近」的提示词，模型每次结果都不一样：动作节点偏移、镜头节奏随机、该切镜时不切。改十遍，十个样。

不是提示词不够好——语言适合描述「是什么」，不适合描述「在第几秒、以什么轨迹移动」。

电影行业早就有答案：预演（previz）——先用灰色几何体把走位、镜头、节奏拍死，再拍正式镜头。这套思路来自一篇讲「AI 导演」的公开文章，我在本机复刻：只不过「正式拍摄」交给了 H3。

二、工作流：三步，三件套

第一步：Blender 白模（脚本化，无 GUI）

用 bpy 脚本搭场景、排相机轨迹，headless 渲染。参数：

• 引擎 Workbench，颜色 OBJECT+FLAT（纯色平光）
• 960×544 / 24fps / 120 帧（5 秒），渲染耗时约 10 秒
• 场景规则（防伪影）：不放细圆柱手臂、天空用浅色、动作放慢

顺带说安装：这台 ARM 机器装 Blender 比用 Blender 费劲——源码编译卡在依赖构建 88%，最后用 apt-get download + dpkg -x 解包 55 个 deb（约 92MB）跑通 4.0.2；必须设 BLENDER_SYSTEM_SCRIPTS，否则 core dump。

第二步：角色参考图

两张写实角色图（对应白模里的两个角色），本机千问图像模型生成，约 30 秒/张。第五版才加上——没有参考图就没有照片感：纯白模会把「灰模质感」带进成片，前四版全是水墨插画风。

第三步：H3 参考生视频

把白模视频和两张参考图一起送进 MiniMax H3 参考版（ComfyUI，turbo 4-step LoRA）：

• 白模视频 → 抽帧 → ref_videos.ref_video_0（时空参考）
• 角色图 → ref_images.ref_image_0/1（形象参考）
• 输出 960×544 / 5 秒 / 含原生音频，耗时 6~8 分钟

实测提示词模板：

Use the two men from <Picture 1>/<Picture 2> as the fighters (faces, hair, costumes match exactly).
<Video 1> is a grey clay previz: copy ONLY its motion, blocking and camera.
Clean frame: no ink, no brush strokes, no black smoke, no particle effects, no text.
Preserve character positions, motion trajectories, camera movement and shot timing from <Video 1>.

关键三句：Picture 1/2 的人当角色（锁形象）；Video 1 是白模，只抄运动、站位、相机；画面要干净——无墨迹、无笔触、无烟雾、无粒子特效、无文字。

三、伪影追凶：13 版控制变量，凶手是一根圆柱

加上参考图后画面「像了」，但出现一团黑色伪影：像浓墨、像黑烟，只在动作快的帧出现，位置飘忽。换种子、写「不要墨迹」都没用。

从第 5 版到第 17 版，13 个版本都在抓它。方法笨但有效——控制变量：

• 白模阴影太重？改纯色平光——伪影还在
• 深色天空被误读？改浅色——还在
• 手臂挥动太快？定住不动——还在
• 两人贴太近？拉开距离——还在

四个假设全灭后，做了个更直接的实验：把白模里的手臂整个删掉——伪影一下轻了大半。

根因清楚了：白模里那根细长圆柱手臂，被 H3 读成了笔或武器，于是「认真地」加了一笔黑色特效。 它不是画错——是在加戏。

最终解法是三件套：

1. 白模去掉独立手臂——用肩部方块代替，手臂让模型自己长
2. 动作改慢——从快打改成太极式推手
3. 提示词明确排除特效——no ink / no brush strokes / no black smoke / no particle effects

第 17 版：零伪影，照片级，动作、运镜和我的白模对得上。

四、时间账与边界

• 白模渲染：约 10 秒 / 5 秒镜头（Workbench 引擎）
• H3 参考生视频：6~8 分钟 / 5 秒（参考 token 参与每步采样，比纯文生视频慢）
• 单段全链路：约 7 分钟；成本=电费（全程本机，0 API 费用）

边际成本约等于电费，我才敢连跑 17 版抓伪影；按云端套餐计费，每一版都是真金白银。

边界：单案例——5 秒、单镜头、武侠场景。长镜头、多切镜、复杂动作还没覆盖；换场景、换模型版本，结果可能不同。

五、可复用清单

1. 白模用脚本搭（bpy + headless），别用 GUI 手搭——迭代要可复现
2. 渲染用 Workbench + 纯色平光：5 秒镜头约 10 秒渲完
3. 白模里不放三样东西：细圆柱手臂、深色天空、快速动作——都会诱发重绘
4. 角色参考图必须有，否则画面出不来写实感（前四版水墨风就是教训）
5. 提示词三件套：参考图锁形象 + 「只抄 Video 1 的运动」 + 排除特效清单
6. 出现伪影按控制变量法排查，顺序：手臂动画 → 角色交叠 → 手臂几何 → 深色区域
7. 修复优先级：去手臂几何 > 慢动作 > 提示词排除特效（换种子/浅色天空只能减轻，不能根除）

一句话总结这条工作流：把时空调度权交给几何，把风格交给语言和参考图。