2 秒生成一个 3D 模型，然后我发现真正贵的是修它
我在本机把一条完整的链路跑通了：一张去背图，进 TripoSR，出 GLB，再进 Blender 渲染，最后导进 Godot。
中间没有任何付费 API，没有云端排队，也没有"生成中，预计等待 3 分钟"。
从图片到可导入引擎的模型，生成环节合计约 2 秒。
然后我换了张图，同一套参数，出来一个像"长满包的罐子"的东西。
那一刻我意识到，这条链最不值钱的部分，恰恰是被讨论最多的那 2 秒。
一、"0.5 秒"没说谎，但它只说了三分之一
很多介绍单图生 3D 的内容会给你一个数字：不到 0.5 秒。
这个数字通常来自论文或官方演示，条件是 A100 显卡、只算推理、输入已经处理好。它没有骗人，但它省掉了后面几段。
我把本机实测拆开看：
| 阶段 | 椅子 | 机器人 | 说明 |
|---|---|---|---|
| 单图推理 | 0.87 秒 | 0.64 秒 | 512×512 RGBA |
| 网格提取 | 1.00 秒 | 0.97 秒 | 256³，CPU marching cubes |
| 导出 GLB + OBJ | 0.12 秒 | 0.23 秒 | 带顶点色 |
| 模型加载 | 3.09 秒 | 3.39 秒 | 一次性，不计入单件 |
模型常驻之后，单个资产的生成成本约 2 秒。其中推理只占四成左右，剩下的是把隐式表示变成可用的三角网格，以及写文件。
这不是 TripoSR 的问题，而是所有"生成 3D"都要面对的事：推理输出的是三平面特征，不是模型文件。从特征到网格、从网格到引擎能吃的格式，每一步都要时间。
所以"0.5 秒"更准确的读法是：它描述的是模型最快的那一段，不是你能拿到资产的那一段。
二、质量不是"好或不好"，是分层出现的
同一套参数，我跑了两张官方示例图。
第一张是软包椅子：轮廓完整，靠背、坐垫、四条腿的关系基本正确。8.4 万个三角面，1.68MB 的 GLB。拿去当游戏里的场景道具，稍微修一下比例就能用。
第二张是机器人：四肢粘成一团，胸口的圆形结构变成几个鼓包，整体像一只长满装饰的罐子。15.6 万个面，反而比椅子更大，但大部分面都花在猜测和填补上。
为什么差这么多？
单图生 3D 的本质，是猜看不见的那一面。椅子是软体、单一主体、轮廓连续，遮挡关系简单，模型容易从正面外推到背面。机器人是硬表面、多附件、关节和遮挡一大堆，正面信息不足以约束背面，模型只能"糊"出一个大致体积。
这给了一个很实用的判断标准：
- 适合：家具、玩具、石头、食物、单个角色头像这类轮廓清楚、结构连续的物体。
- 不适合：机械关节、多附件角色、需要精确拓扑的硬表面资产、有大量内部结构的物体。
它不是"生成得不好"，它是在信息不足的地方做了合理的猜测。而游戏资产恰恰最不能接受猜测。
三、真正的成本，在生成之后
生成 2 秒。让它变成能用的资产，要做什么？
拿那张椅子来说：拓扑要重排，不然绑定和形变会出问题；UV 要展，不然贴图没法画；材质要重做，顶点色只能看个大概；如果要动画，还得绑骨骼、刷权重。
这些事，TripoSR 一件都不做。它交付的是一个"形状正确的壳"。
所以更准确的定位是：它是一个白模生成器，不是一个资产生产器。
白模在游戏开发里本来就有位置。原画确定之后，建模师常常先搭一个大形，确认比例、体块、剪影，再往下做细节。这个"起形"步骤既费时间又不需要太多创造力，正好交给模型。
它省掉的是从零起形的那一步，不是整个建模流程。
这也解释了为什么视频里那些"一个人做游戏"的演示看起来很美：演示停在"模型出来了"，而真正的工作从"模型出来了"之后才开始。
四、这条链在本机是怎么跑通的
如果你也想试，下面是真实的门槛。它们跟算法无关，全是环境问题。
第一，版本必须对齐。 TripoSR 的代码依赖 transformers==4.39。新版 transformers 改了 ViT 的内部命名，权重加载会直接报错，报错信息是一长串 missing keys，看起来像模型坏了，其实只是版本不对。
第二，torchmcubes 可以不编译。 官方的 marching cubes 扩展要 CUDA 编译，在非标准环境里很容易卡住。用 PyMCubes 做一个同名桩，把网格提取放到 CPU，速度慢一点，但流程能通。
第三，rembg 不是必须的。 如果输入已经是去背 PNG，可以跳过背景移除。省掉的不只是一个依赖，还有它背后要下载的模型权重。
第四，显存要腾。 本机 ComfyUI 缓存占着十几 GB 时，模型搬上显卡会直接 OOM。先把 ComfyUI 的缓存释放掉，再加 expandable_segments，就能跑。
第五，Blender 的 Python 环境是独立的。 它可能缺 numpy，也可能缺标准库里的 C 模块。把系统 Python 的 lib-dynload 和一份 numpy 加到 PYTHONPATH，导入 GLB 才正常。
这五条没有一条是"AI 的问题"。它们是开源工具链的日常：论文给你方法，仓库给你代码，但没人给你一台刚好能跑的环境。
对独立开发者来说，这其实是好消息。环境问题是一次性成本，踩完就完了；而"猜得准不准"是模型能力问题，你改不了。把时间花在前者，比期待后者更实际。
五、怎么用它，才不浪费时间
如果你打算把单图生 3D 放进自己的工作流，我的建议是三条。
第一，把它放在流程的最前面，不要放在最后面。 先用它出三五个大形，挑一个方向对的，再进 Blender 做细节。不要指望它直接产出成品，然后花时间修一个方向就错的模型。
第二，输入图比模型更重要。 去背干净、单一主体、轮廓清楚、光照均匀，这四条决定上限。拿一张背景杂乱、主体被遮挡的照片，再好的模型也救不回来。
第三，先测一张，再谈批量。 不同品类的成功率差异极大。软体和硬表面几乎是两个产品。先用你真正要做的那类素材跑一张，看结果再决定要不要投入。
常见问题（图片转 3D）
图片转 3D 模型要多久？
本机实测单件约 2 秒：单图推理零点几秒，网格提取约 1 秒，导出零点几秒；不含一次性加载模型的那 3 秒。官方宣传的「0.5 秒」只算推理那一段，不是拿到资产的时间。
TripoSR 免费吗？能商用吗？
代码和权重开源，本地运行没有按次 API 费用。商用授权以官方仓库的 LICENSE 和你使用的权重版本为准，对外发布前自己核一遍。
什么样的图片效果最好？
去背干净、单一主体、轮廓连续、光照均匀。家具、玩具、石头、食物、单个角色头像成功率高；机械关节、多附件角色、需要精确拓扑的硬表面不适合。
需要什么显卡？显存要多少？
我在 NVIDIA GB10（128GB 统一内存）上跑通，模型常驻后占几 GB 显存。注意先腾显存：ComfyUI 缓存占着十几 GB 时会直接 OOM。
生成完能直接进 Blender 或 Godot 吗？
能。导出 GLB / OBJ（带顶点色），Godot 可直接导入；Blender 里通常还要补拓扑、UV 和材质。Blender 自带的 Python 环境可能缺 numpy，导入前先配好路径。
可以批量生成吗？
可以，但先测一张。不同品类成功率差异极大，软体和硬表面几乎是两个产品；先用你真正要做的素材跑一张，再决定要不要批。
写在最后
2 秒是真的。一张图变成一个能导入引擎的 3D 模型，这件事在本机已经成立。
但"能生成"和"能用"之间，隔着的不是算力，是拓扑、UV、材质、绑定，以及一个知道什么该保留、什么该重做的人。
工具把起形的门槛降到了接近零。剩下的部分，还是得自己做。
数据说明：本文数字来自 2026-11-09 本机实测，硬件为 NVIDIA GB10（128GB 统一内存），输入为 512×512 RGBA 去背图，网格分辨率 256³，样本量 n=2（椅子、机器人各一张）。这不是基准测试，只代表这台机器、这套环境下的量级。网格提取使用 CPU 版 marching cubes，GPU 版会更快。
相关阅读：