ARTICLE · 1291350

【开源】AI 动画不靠抽卡,让编程助手写代码画

发布时间：2026-11-01 15:56:24 最近访问：2026-11-01 15:56:25

【开源】AI 动画不靠抽卡，让编程助手写代码画

你让视频模型画一段梵高的麦田，风从右往左推。抽到第 14 次，麦浪终于对了，画框右下角却飞进来一只不该有的乌鸦。

不是它画不好，是它根本不听你指挥。

抽卡的三条死路

先算一笔时间账。一条两分钟的艺术解说片，你大概要准备四十个镜头。

用视频模型做，每个镜头平均抽五次才有一条能用，四次废片重置，一下午就过去了。这还只是「画面能看」的标准，没算风格统一。

真正让人放弃的不是成本，是下面三件事：

不可复现。 昨天那条能用的参数，今天无论如何调不出来了。你的工程资产是一堆随手记下的 prompt，和二十个编号混乱的废片文件夹。

不可微调。 你只想把第三秒那行字往左挪四十像素、把节奏压后半秒。没有这个操作，你只能整段重抽，而重抽会把已经对的部分一起打乱。

不可审。 画面里的中文字每次都是糊的、缺笔画。你没法跟它讲「这个字错了」，因为它没有「这一个字」这个概念。

三条加起来，指向一个朴素的结论：当你需要的是一支「讲清楚一件事」的片子时，抽卡这种生成方式的天花板，比你想象的低得多。

你需要精确到帧的节奏、屏上字一个字都不能错、重音必须落在第四十七秒那一句——这些都不是概率能给你的。

换一条路：让它写代码

huashu-art-motion 是花叔（GitHub 账号 alchaincyf）开源的一套 Skill，MIT 协议，v1.2.0，主力是 JavaScript 引擎加 Python 脚本。

它不是剪辑软件，也不是 prompt 合集。它把三样东西整理成 coding agent 能读、能改、能跑的文件：艺术风格怎么画、动画场景怎么搭、解说视频的语法是什么。

它换掉的不是工具，是生成方式：不让模型直接吐像素，而是让它写代码，把画一层层画出来，再让画面动起来。

这个差别一句话就能说清：视频模型输出 mp4，它输出能 diff 的工程。

据仓库页面，项目 10 月 6 日创建，到现在攒了 5800 多 Star，版本已经到 1.2.0。

里面是 36 种已实做风格加 16 种研究配方，一共 53 张风格卡，9 种解说语法（其中 8 种能按口播参数直接渲片段）。

一、先拆解，再动手：把参考片变成能写代码的地图

大多数人看到一支好片子的反应是「复刻它」，然后把这个念头翻译成一句 prompt。

这个项目的第一步不是画，是量。

breakdown.py 会把参考视频拆成三样可量化的东西：转场发生在第几帧、节拍网格怎么排、每一段画面里哪里在动（运动热图）。

Bash

uv run python scripts/analyze/breakdown.py \   参考.mp4 --out 拆解/

有了这张地图，"画面里在动" 才从一句感觉变成一组参数：哪个物体的位移曲线在变、哪个图层的透明度在衰减、镜头是缓推还是硬切。

同类对比：prompt 方案里的「复刻这个动画」等于再抽一次卡，抽得像只是运气；这里是先把机制量出来，再用代码重建机制——复制的是方法，不是结果。

这个顺序差异，直接决定了后面所有事情能不能改。

二、先写镜头表，红灯没清不许写代码

这是整个项目里我觉得最值一条规矩。

它要求 agent 动手写代码之前，先填一张镜头表，五行：时间段｜画面里的物（名词）｜它在做什么（动词）｜镜头（停／缓推／横移／砸入）｜屏上字（不超过 8 个字）。

然后用一个 lint 脚本卡住它：

Bash

uv run <skill>/scripts/storyboard_lint.py \   我的片子/镜头表.md --script 我的片子/文稿.txt

传了口播稿之后，它还会额外查一件事：屏上出现的数字，和口播里说的是不是同一个数。

别小看这一条。AI 视频最丢人的错误不是画面丑，是画面上写着「增长 47%」，配音说「增长了将近一半」，而数据其实是 39%。这种错在抽卡流程里没人管，因为根本没有「管」的位置；在这条流水线里，lint 会在你开始渲染之前就把它拦下来。

规则还挺细：一镜 2 到 6 秒，开头三秒必须是一个具体小场景（一双手在做一个和题目有关的动作），不是标题卡，文字主导的镜头不超过三成，相邻两镜必须换构图但不能换画风。

这些全是「导演该怎么想」的问题，被写成了可执行检查。

三、画风是参数，不是运气

那 53 张风格卡每张都写着四样东西：参数、母题动作、签名转场、当前短板。

最后一项是关键。多数风格库只告诉你「这个风格长这样」，它还会告诉你「这个风格现在哪里做不好」——比如某种笔触一动就露馅、某种材质放大就糊。这是作者自己踩过的坑，写进了卡里。

想先看一帧，一条命令：

Bash

uv run --with playwright python scripts/engine/render.py \   --solo 09_postimp --stills 0.3 --out 试渲

--stills 0.3 的意思是只出第 0.3 秒那一帧，不渲整段。这是它反复强调的方法：一帧先行。先确认这一帧的画风对了，再让它动起来。

想整段出片，就换成 spec：

Bash

uv run --with playwright python scripts/engine/render.py \   --spec scripts/engine/examples/t3_finance_chart.json \   --out 财经图表.mp4

参数化片段的好处是时长精确到帧，横屏竖屏随便切，还能出透明底——因为它是渲染出来的，不是生成的。

同类对比：在剪辑软件里换画风等于重做整条时间线；在这里，换的是代码里的一个色板、一个 scene id、一个 theme 字段。

四、交付前有门禁，红灯不出片

这条是我认为它和市面上所有 AI 视频工具最本质的分歧。

qa.py 量五个指标：稳定、效率、动感、流畅，以及文字框景（字有没有出界、有没有压到主体）。

film_gate.py 更狠，它只读成片 mp4，量「翻页式 PPT 感」：如果整片几乎没有镜头内的快动作，全是静态图在切换，直接红灯。

Bash

uv run scripts/qa.py --spec 镜03.json --out qa/镜03 uv run scripts/deliver.py 成片.mp4 --root . \   --qa qa/镜03 --out output/

红灯是什么意思？deliver.py不会复制成片，它不写交付说明，只打印怎么改。你必须改完重渲、重跑。

还有一道人工关：派一个没参与制作的 agent，只给它成片，让它挑问题。这一招很聪明——因为制作者对片子有感情，看不见自己片子里那三秒的空镜。

对比一下就很清楚：AI 视频工具的终点是「导出」，这里的终点是「过审」。别人把生成当结果，它把生成当中间产物。

五、配乐也不靠素材库

BPM 网格定节奏，动机换乐器做变化，结尾音效序列单独排——全是代码合成，不依赖任何音频素材库。

它那支 98 秒的《Clawd 博物馆奇妙夜》，16 个场景、无口播，配乐就是代码写的。这个细节说明作者把「动画」理解成一个完整的片子，而不是一段画面。

架构：知识不塞进一个巨大 prompt

看目录就懂它的设计哲学：

Text

SKILL.md             # 先判断任务，再按表读对应文档 references/          # 方法文档、53 张风格卡、9 张语法卡 scripts/engine/      # 可整个复制走的动画工程 scripts/analyze/     # 拆解 scripts/qa.py        # 数字验收 scripts/deliver.py   # 门禁 → 复制 → 写交付说明

三件事值得说：

一是分档。 SKILL.md 开头先让 agent 自报模型强弱：强模型走「开阔档」，库可以自己组合、渲染器可以自己写；其它模型走「轨道档」，只走一条固定路径，先写镜头表、过 lint、再逐镜做。它承认不同模型能力不一样，而不是假装一套 prompt 能通吃。

二是按需读。 53 张风格卡不会一次塞进上下文，而是靠 INDEX 索引按需取一张。这是 skill 这种形态真正的价值：知识可以很多，但每次只读需要的那几页。

三是经验入库。 仓库里有一份「正面经验」文档，记的是哪些做法被验证有效；每张风格卡里也写着短板。知识不是抄来的结论，是做的时候踩出来的。

快速上手

依赖三个东西：uv、ffmpeg、Playwright 的 Chromium。

Bash

npx skills add alchaincyf/huashu-art-motion cd huashu-art-motion uv run --with playwright playwright install chromium uv run --with playwright python scripts/engine/render.py \   --solo 09_postimp --stills 0.3 --out 试渲

第一条命令装 skill，第三条装浏览器内核（第一次跑才需要），第四条渲一帧梵高风格的静帧。

看到那张图对了，再渲一条完整的：

Bash

uv run --with playwright python scripts/engine/render.py \   --spec scripts/engine/examples/t3_finance_chart.json \   --out 财经图表.mp4

如果你要一次做完四十个镜头，写个循环比手敲命令稳：

Python

importsubprocessfrompathlibimportPathforspecinsorted(Path(".").glob("镜*.json")):     out=spec.with_suffix(".mp4").namesubprocess.run(         ["uv", "run", "--with", "playwright",          "python", "代码工程/render.py",          "--spec", str(spec), "--out", out],         check=True,     )

最后拼接，全片硬切：

Bash

for f in 镜*.mp4; doprintf"file '%s'\n""$f"; done > 列表.txt ffmpeg -y -f concat -safe 0 -i 列表.txt \   -r 30 -c:v libx264 -crf 16 -pix_fmt yuv420p -an 成片.mp4