AI 视频不好看,问题不在模型 ——有人用纯代码写了 39 支电影,全是开源的

先说个有点反直觉的事。

过去一年，所有人都在等同一件事：视频生成模型再强一点，强到能直接出片。

等画质更清晰一点，等时长更长一点，等它能听懂更长的一段话，等它别在第 3 秒把手变成六根手指。

但有个人，绕开了这条路。

他用 Claude Opus 5.5 前后做了 100 多支视频，最后挑出 39 支开源。这 39 支片子里，没有用过任何视频生成模型，也没有用过任何素材库画面。

每一帧，是 AI 写代码画出来的：Canvas 和 WebGL 页面逐帧渲染；配乐是用免费采样库写的原创曲子；配音走本地 TTS；混音、校对、出片，也是它自己干。

他把整套方法开源成了一个仓库，叫 Lemo-opuscar（Lemo + Opus + car，名字里藏着模型名）。

代码 MIT，文档和成片 CC BY 4.0。

但我觉得，这个仓库最值钱的东西，不是那 39 支片子。

是他在做完 100 支之后，得出的那个结论。👇

一、为什么"纯代码"这条路反而成立

你第一反应可能是：这不是绕远路吗？明明有现成的视频生成模型不用，非要写代码一帧一帧画？

我一开始也这么想。但看完他的做法，我发现这条路解决了视频生成模型三个至今没解决的死穴。

死穴一：不可控

视频生成模型给你的是概率。你抽卡，出来什么算什么。同一个 prompt 跑十次，十次都不一样。

而代码是确定性的。第 12 秒那个角色要从左边走到右边，它就是会走，不会突然长出三条腿，也不会在下一帧换个发型。

对商业交付来说，这个差别是致命的——客户要改一个字，你不可能跟他说"我再抽一次卡试试"。

死穴二：不可复现、不可修改

模型出片是一次性的。你拿到一个 mp4，想改里面的一个细节？重跑。

代码渲染出来的片子，改一行参数就能重渲。风格、色板、节奏、镜头全在代码里，是版本可管理的。这也是为什么他能做 100 多支——因为第 40 支能复用第 20 支的引擎。

死穴三：风格漂移

你让模型"水墨风"，它可能给你一幅水墨，也可能给你一幅"看起来像水墨的水彩"。跑 10 秒之后，风格往往就散了。

代码不会。你定义好墨的浓淡、洇开的速率、留白的比例，它就老老实实按这个来，从第 0 帧到第 1500 帧。

那代价是什么

当然有代价，而且不小：

• 一支片子 agent 要干 30–60 分钟，连续写几千行代码
• 需要 Node 20+、Chrome、ffmpeg、Python 3.11+
• 对模型的长程能力要求极高——它得自己看图、自己听混音、自己返工

所以这不是一条更省事的路，是一条更可控的路。

他自己的判断是：如果你要的是"快速出一堆能看的东西"，视频生成模型更合适；如果你要的是"一支能交付、能改、风格从头到尾不塌的片子"，代码更合适。

二、39 种风格，到底是什么

这 39 支不是随便凑的，是按 9 大类排的。我把它整理成了一张表，你可以先看看有没有你要的：

注意几个有意思的：白板讲解和活体实机录屏被归在绘画和发布类里——说明这套东西不只是做艺术短片，产品教程、科普、发布会都能用。

蓝图/工程制图那支叫《Patent Pending: The Cloud Catcher》，讲一个发明家的蓝图自己画出一台接云机器，最后"修订云线"变成了真的雨云。这种把专业符号系统玩成叙事的，是纯代码才做得到的。

三、三份文档里，到底写了什么

这是整个项目最核心的部分。他把"怎么拍电影"这件极度依赖经验的事，拆成了三份 Markdown。

DIRECTOR.md：六个维度，把"感觉"变成"规则"

最打动我的是它把导演经验拆得极细，而且每一条都是可执行的规则，不是形容词。挑几条：

• 镜头：每个镜头都要有理由，全片至少 4 种运镜，并且要有一个让人记住的"签名镜头"（一镜到底、尺度揭示、用媒介本身做转场）
• 编排：转场要在风格里设计，不用默认的淡入淡出——水墨用墨滴洇开，立体书用翻页，剪纸用刀刻
• 表演：每个动作要有预备、动作、跟随；角色要有情绪变化，不能从头到尾一个表情
• 声音：画面上每个动作都要有声音，全片至少两处真正的静音，不许用万能的"钢琴 + 弦乐"

"至少两处真正的静音"和"不许用钢琴+弦乐"——这种具体到有点武断的规则，恰恰是 agent 最需要的。你跟它说"要有节奏感"，它不知道怎么做；你跟它说"高潮前全场静音 2 秒"，它就知道了。

TECHNIQUE.md：把工程流程也写死

逐帧渲染怎么排、配音怎么对轨、配乐怎么写、怎么混音、审片看哪几项——全在里面。

STYLE.md：39 份"风格说明书"

每个风格一份，写清楚这个风格长什么样、听起来什么样，以及样片是怎么做出来的。这是 39 支片能保持水准一致的关键。

四、用法简单到有点离谱

git clone https://github.com/lemomo-ai/lemo-opuscar.gitcd lemo-opuscarclaude

然后直接说人话：

用水彩风格做一支 45 秒的片子，讲我家经营的咖啡园。

它会自己读这三份文档，像一个小工作室一样开工。中途停下来找你两次：一次看故事和分镜，一次看画面。

注意这个设计——两个确认点

第一次停，看故事和分镜。 在这里改方向只要几分钟；等全片渲完再改，要几个小时。

第二次停，看画面。 它会渲 2–3 张风格帧（有角色的话还会附一张角色设定表），并且主动告诉你它最没把握的地方。

第二步这个"主动交代不确定项"的设计很妙——它把"你不知道哪里会有问题"变成了"它告诉你哪里可能有问题"。

这一步，请认真看。

五、它自己是怎么质检的

确认完画面，它就自己往下跑，跑完自己检查。这几条我觉得最值得抄进任何 AI 工作流：

"每 1–2 秒抽一帧拼成缩略图总览"这条特别聪明——让 AI 用看的方式检查自己做的片子，而不是只看代码逻辑。

我看片时最常挑的几类问题是他列的：主体太小、字幕没停够就切走、动作不连贯、有动作没声音。

注意最后一条——"有动作没声音"。这已经不是技术问题，是导演问题了。

六、剩下的是第二件事：需求怎么说

他的原则就一句话：你负责「拍什么」，agent 负责「怎么拍」。

你不需要懂分镜、BPM、景别。但下面六件事说清楚，出片会稳很多。

1️⃣ 主题：拍什么、给谁看、多长

「做一个视频」太空了。「做一支 40 秒的片子，给新用户介绍我们 app 的离线模式」就够了。

三个参数要定：

• 时长：默认 30–60 秒。短比长稳，第一支强烈建议 30–45 秒
• 比例：默认横屏 16:9。要发抖音、小红书就说「竖屏 9:16」
• 语言：就用你说话的语言，字幕会自动烧录

为什么强调"短比长稳"？因为长度是误差的放大器。一支 30 秒的片子，哪怕有一两处瑕疵也不致命；一支 3 分钟的片子，任何一处崩了整段就废了。

2️⃣ 故事：有就给，没有就给方向

有真实故事最好：你的经历、品牌的来历、一个梗、一个数据。

但有一条铁律——事实部分一定要你给。名字、数字、必须出现的产品和标志，agent 编的事实不可靠。它会很自信地给你编一个"成立于 1998 年"，而你们公司是 2003 年成立的。

没有故事也没关系，给一个方向就行，比如「温暖一点，结尾有反转」。它会按**「一个主体、一个目标、一次转折」**的结构自己编，开场 3 秒抓人，结尾首尾呼应。

3️⃣ 节奏：快还是慢

这条最容易被忽略，但它决定整支片子的骨架。

在他的流程里，音乐网格先于动画：agent 先写 cue map（速度、小节、每个卡点落在哪一拍），画面再卡到这个网格上。

这个顺序很反直觉——通常我们以为"先有画面，再配音乐"。他反过来了。理由是：音乐是最精确的时间尺。有了网格，画面才知道该在哪一帧动。

所以你说的「快」和「慢」，会直接翻译成三件事：

• 音乐：快闪卡点可能 140 BPM 以上，抒情片 70–90 BPM
• 剪辑密度：快片一拍一个动作，慢片一个长镜头走到底
• 速度变化：好片子不是匀速的。可以直接说「前面慢，中间越来越快，高潮前停一下，结尾留白」

还可以指定旁白："温暖的女声旁白" / "不要旁白，纯音乐" / "像默片一样只用字幕卡"。

4️⃣ 给一个对标（这条最值钱）

镜头、编排、表演、声音，都是 agent 的活，DIRECTOR.md 里写得很细。

但你能做的最有用的一件事，是给它一个对标：

「节奏参考 Edgar Wright 的剪辑」 「像 60 年代 007 的片头」

关键在于对标只学语法——构图、节奏、镜头、配乐结构——不抄角色和画面。这样既拿到了风格，又避开了版权和同质化。

他的原话是：「在我所有的经验里，对标对质量的提升比任何一条规则都大。」

为什么对标这么管用？因为"好看"是不可描述的，但"像《XX》那样"是可描述的。你给不出形容词，总能给得出一个例子。

这一条我建议你无论如何都填上。 哪怕只是"像苹果发布会的开头"。

5️⃣ 素材：代码画不了的，可以补

这 39 支是纯代码做的，但你的片子不必这么「洁癖」。可以补充：

• 生图工具：出角色设定、贴图、背景参考，让 agent 照着画或直接用作图层
• 3D 模型生成工具：生成 glb 模型，放进 three.js 场景里打光、做景深、运镜
• 你自己的东西：照片、logo、产品截图、一段录音、品牌字体

放进一个文件夹，告诉 agent 路径就行。

唯一要注意的是版权：库里只用 CC0、CC BY、OFL 的素材，每一条都写进 CREDITS。这个习惯值得学——商业交付时，CREDITS 就是你免责的凭据。

6️⃣ 反馈要说具体

成片出来，你说「节奏不太对」没用；说「第 12 秒摔倒太快，看不懂」，好用十倍。

原因在于：抽象的反馈会让 agent 整体重做，具体的反馈只改一处，而且改完不会破坏其他地方。

他看片时最常挑的几类问题，可以直接拿去当检查清单：

1. 主体太小
2. 字幕没停够就切走
3. 动作不连贯
4. 有动作没声音

七、万能模板，直接抄

什么都不会的话，复制这段，填空就行：

用【风格名，比如 watercolor】风格做一支【30–60】秒的片子。主题：【拍什么，给谁看】故事：【有就写：谁、想要什么、发生了什么、结局。没有就写"你来编，要有一个转折"】节奏：【快 / 慢 / 前慢后快】，【旁白：什么声线、什么语言；或者不要旁白】对标：【一两部你喜欢的片子、片头、广告，学它的节奏或镜头】素材：【我放在 assets/ 里的照片、logo、模型；必须出现的名字和数字】画幅：【横屏 16:9 / 竖屏 9:16】先给我看故事和分镜，再给我看画面，我确认后再做全片。

连风格都不知道选哪个，就说这句：

我想做一支关于【……】的片子，帮我从库里挑两三个合适的风格，说说各自怎么拍，其他你定。

提前说明：一支片子 agent 大约要干 30–60 分钟，token 用量不算高，3D 场景比 2D 高很多。需要 Node 20+、Chrome、ffmpeg、Python 3.11+。

八、没有 Opus 5.5 怎么办

他很实诚，这点我挺欣赏的：这 39 支都是 Opus 5.5 做的，风格也是按它调的，其他模型没系统测过，不保证同等效果。

原因讲得很清楚：一支片子要连续写几千行代码、自己看图、自己听混音、自己返工，对模型的长程能力要求很高。这不是"能不能写一段 Canvas 动画"的问题，是"能不能在一小时后还记得第 3 秒那个镜头为什么要这么切"的问题。

但方法本身不绑定模型——三份文档都是普通 Markdown，任何能读 AGENTS.md 的 agent（Codex、Cursor……）都能用。他给了 6 条降级方案：

1. 从样片改，不要从零写

每个风格的 demo/ 里都有完整源码和 build.sh。跑 sh tools/fetch.sh demo <风格> 取回配乐、字体这些输入，就能重建样片。

让 agent 在一个已经能跑的引擎上换故事，比从零搭稳得多。 这是 6 条里我最想强调的一条——它把"创作"变成了"改稿"，难度直接降一个量级。

2. 先挑"代码原生"的风格

不是所有风格难度一样。他的排序：

第一支别选 3D。 他明确说了 3D 场景的 token 消耗比 2D 高很多。

3. 缩短、减量

先做 20–30 秒、一个角色、4–6 个镜头。跑通一次完整流程，比憋一个大作品有价值得多。

4. 拆小步，多停几次

方案 → 风格帧 → 单个镜头 → 全片。每一步都让它渲出静帧给你看，别一口气跑到底。

这条其实是通用经验：AI 做长任务失败，八成是因为中间没人拦。

5. 强模型当导演，普通模型干活

导演方案和分镜用最强的模型写，执行交给便宜的模型，审片再切回强模型。

这是我最喜欢的一条——它把"贵"的部分精确控制在真正需要判断力的环节上。

6. 标准可以降，流程别省

声音、自检、两个确认点，这些和模型无关，照做就能少踩很多坑。

这句话我觉得是整篇文章里最实用的一句。模型会换、能力会变，但流程是你唯一能完全掌控的变量。

九、11 支片子，看看能做到什么程度

从 39 支里挑的 11 支，尽量覆盖不同类型。我按"手法有多巧"排一下：

01 瑞士动态排版《Five Rules for a Poster》

内容：一张音乐会海报按瑞士设计的五条规则自己排版，第五条是「只打破一条」。手法：所有元素吸附网格，每次落位都踩在拍子上，像一声打击乐。唯一不守规矩的红色元素成了主角。高潮：结尾揭晓——7 列网格就是 7 个音，16 行就是 16 个八分音符。海报本身就是乐谱。适合：品牌视觉、活动、设计教学

02 钢笔淡彩《Where the Wind Went》

内容：公园只是一张钢笔速写，风把草帽吹到哪里，哪里才有颜色。手法：线条按真实笔顺一笔笔画出来；颜色从一个源头带着水痕洇开，被颜色碰到的人物才开始动。高潮：最后拉远，露出整页速写本，兼作片尾。适合：城市旅行、建筑、生活方式品牌

03 中国水墨《The Swordsman and the River》

内容：侠客踏水过江，一剑断流。手法：六到八成画面是留白，唯一的红色是一方朱印。留白就是江水，一剑劈开露出纸白；墨滴洇开代替转场。高潮：高潮前全场静音，一笔飞白横扫整个画面。适合：武侠、文化品牌、诗词

04 皮影戏《Hou Yi Shoots the Suns》

内容：十日炙烤大地，后羿张弓射日。手法：幕布后一盏油灯，染色驴皮刻成的影人透着光，关节铆钉清晰可见。每个太阳就是幕后的一盏灯——每射下一个，画面就真的暗一档。高潮：高潮后绕到幕后，露出灯、艺人的手和竹签。适合：神话民俗、非遗、节日

05 60 年代间谍片头《The Velvet Cipher》

内容：虚构 1964 年间谍片的片头，追一把被偷的钥匙。手法：Saul Bass 时代的语言——平涂纸色、手剪边缘、剪影人物。演职员表就是布景，主角躲在字母 I 后面、在单词之间跳车。图形匹配剪辑（车轮 → 轮盘 → 瞳孔 → 月亮 → 锁孔）卡在铜管上，越追切得越快。适合：片头、活动开场、预告片

06 白板讲解《Einstein in Your Pocket》

内容：手机怎么知道你在哪：GPS、原子钟，和相对论每天多出的 38 微秒。手法：一块真实的白板，马克笔自己飘着写，墨水在落笔处积墨，还有擦不干净的旧笔迹。公式按笔顺一项项写出来，正好对上旁白说到的那个词；一台摄影机跟着笔走到底，不剪辑。适合：知识科普、网课、产品原理

07 活体实机录屏《Clawd Moves In》

内容：像素小人 Clawd 跳出终端、搬进 Claude 应用，演示 Plan 模式、diff 评论和自检。手法：看起来像真实产品的录屏，但每个窗口、菜单、按钮都是代码重画的。小人只站在真实界面元素的上沿，位置每帧从页面实测；它的每个动作都触发一次真实的界面变化。适合：产品教程、功能发布、新手引导

08 象形运动图形《Aichi-Nagoya 2026 — All 43 Sports》

内容：2026 亚运会 43 个大项，几何象形人卡着节拍快闪。手法：150 BPM 太鼓电子配乐，70 张运动卡一拍一个动作；同一个速度里切出一拍两张的快板，多出一种快慢；最大的章节用一个横移长镜头拍完。高潮：所有图标拼成一面墙，收成一轮太阳。适合：体育赛事、视觉识别、活动开场

09 HD-2D《The Lampbearer》

内容：灯塔熄灭，孙女提着最后一簇火穿过夜林、爬上风暴悬崖。手法：3D 微缩场景贴像素材质，2D 像素角色站在里面。角色保持低帧率像素，摄影机、光、粒子、焦点每帧平滑运动——两种时间感并存。细节：她提着的灯既是主光源也是情绪计量表，灯一亮影子就被拉长。适合：游戏预告、奇幻、剧情短片

10 纸片立体书《Pip's Paper Adventure》

内容：立体书在书桌上打开，小精灵 Pip 在纸片世界冒险，最后跳出书外。手法：一帧里两个世界——照片级的真实书桌和台灯，书里是平涂、描边的剪纸卡通。真实灯光和微距景深照在纸片上，纸片投下剪影形状的影子；翻页就是转场。高潮：故事里"又亮起的一盏灯"，最后揭晓是读者的台灯。适合：儿童绘本、游戏预告、剧情短片

11 科幻情景喜剧卡通《Coffee Run》

内容：厌世天才开传送门只想买杯咖啡，却穿过越来越离谱的平行宇宙。手法：用天大的科幻手段办一件鸡毛小事。每穿一次门，整个宇宙的配色、音乐动机、生物都换一套，全片只有传送门会发光。节奏：三段式越跳越快，最后一秒一个宇宙地连跳；每个离谱画面后面都跟一个反应特写——笑点在脸上，不在怪物身上；结尾两秒以上彻底静音，再抖包袱。适合：喜剧、科技品牌、社媒短片

看完这 11 支你会发现一件事：它们不是「AI 味的视频」，是有导演的视频。

每一支都有一个"只有想明白了才做得出"的设计：海报就是乐谱、太阳就是灯、灯就是情绪计量表、笑点在脸上不在怪物身上。

这些不是模型生成的，是方法推导出来的。

最后

我喜欢这个项目的点，不在于它证明了 AI 能把水墨画得多像。

而在于它把一件一直很玄学的事——「怎么让 AI 稳定产出好东西」——拆成了三份 Markdown、两个确认点、一个万能模板。

我们这一年讨论 AI，大部分时间都在讨论模型能力：谁的参数多、谁的上下文长、谁的榜单分高。

但真正卡住我们的，往往是另一件事：你有没有一套方法，能把模型的能力稳定地兑现出来。

同样一个模型，有人用它做出 39 支能看的片子，有人用它做出 39 段谁都不想看的东西。差别不在模型，在方法。

AI 的瓶颈，正在从「能不能生成」，转向「有没有方法」。

而方法这件事，恰好是我们唯一能从别人那里直接抄走的。

🔗 39 支片都在图鉴里，可以直接看：https://lemomo-ai.github.io/lemo-opuscar

🔗 仓库：https://github.com/lemomo-ai/lemo-opuscar

⚖️ 协议：代码 MIT，文档/风格/成片 CC BY 4.0，署名即可使用

如果你用它做出了自己的片子，欢迎发出来 @ 我，我也很想看。

关注我，了解更多最新AI知识～