先用 Blender 排好動作，能省下影片生成的 Token 嗎？

先用 Blender 把動作排好，能不能少花一點影片生成的 Token？ 我們這次就是想試這件事。

Claude Code 訂閱了，Codex 也訂閱了。月費都繳了，總想讓它們多做一點事情嘛。既然 Agent 可以在本地操作 Blender，能不能先把角色怎麼動、鏡頭怎麼走排好，看不順眼就改，滿意了再送去生成影片？

影片每生成一次就要花額度，動作還沒想好就送出去，每一輪試錯都在花錢。我們想把這段來回調整留在本地：先看白模怎麼動，鏡頭不對就改。Agent 也會用掉訂閱額度，但改一個動作，不用立刻再付一次影片生成的錢。

這次試下來，我們覺得可行。白模裡排的動作、圖上畫的路線，在成片裡都找得到，雖然中間也有幾處被改了。省多少錢還沒算出來，倒是先看到了這種做法能幫上什麼忙。

上次是方塊貓，這次讓兩個人打一架

上一篇〈Blender 3D 白模實測：AI 影片開拍前，我們先養了一隻方塊貓〉，我們先用白模檢查貓、紙船和店面的位置。那篇記錄的是用白模檢查畫面，還沒有白模直接送進 Seedance 的成片對照。

這次就直接送了。

Blender 裡左邊一個橘色角色空手，右邊一個青色角色拿劍，交手 6 秒。造型不用太講究，先把動作演出來。接著交給 Seedance 2.5：左邊換成紅衣角色，右邊換成紫衣女角色，背景換成指定場景，照這支影片打。

下面就是實際提交的 Prompt，素材 UID 換成了看得懂的名字。

【生成目標】生成一段以【動作指導影片】為參考的武打視頻。武打動作需要有力量感與打擊感。

【動作指導影片】為動作指導視頻。 【紫衣角色參考圖】為動作指導視頻右側的角色。 【紅衣角色參考圖】為動作指導視頻左側的角色，不拿劍，只使用拳腳。 【場景參考圖】為實際場景。

將動作指導視頻中的場景替換為【場景參考圖】、右側的角色替換為【紫衣角色參考圖】、左側的角色替換為【紅衣角色參考圖】。

兩個角色的動作則按照【動作指導影片】中的動作設計產生。

【限制】【紅衣角色參考圖】不拿任何刀劍，僅使用拳腳。

這份 Prompt 大部分都在交代誰換成誰。至於怎麼打，一句「按照動作指導影片中的動作設計產生」就交出去了。

要是全靠文字，誰先舉劍、往哪裡劈、另一個人怎麼擋，每一步都要寫，還得交代兩人的距離和鏡位。Blender 已經演過一遍，這次就省掉了不少描述。動作仍然要排，但可以看著畫面改，不用一邊想像、一邊猜這句 Prompt 到底說清楚了沒有。

動作有看懂，紅衣角色還換了一招

之前做〈AI 影片延長後接起來會卡？〉時，我們已經用過 FFmpeg 抽幀。這次繼續用，把同一秒的白模和成片放在一起，大家自己看。

這次武打生成片是 24 fps。下圖幀號從 0 起算，秒數核對原檔時間戳；沒有把白模拉長或補幀。

兩片的時間／幀號	白模在做什麼	成片在做什麼
0.500 秒／12	左側空手戒備，右側持劍	分工一樣，鏡頭靠得更近
1.000 秒／24	持劍方抬臂，把劍帶向身後	紫衣角色做出同一階段的動作
2.000 秒／48	揮劍後壓低身體	紫衣角色也壓低身體，腿部已在畫面外
2.500 秒／60	起身，接近對手	兩人重新靠近
3.750 秒／90	空手角色向前伸拳	紅衣角色踢腿
4.000 秒／96	仍然伸拳	仍然抬腿攻擊

前面舉劍、下劈、壓低、起身，都能對得上。到紅衣角色反擊時，她把拳換成了腿。

這一腳倒也沒違反「僅使用拳腳」，只是我們在白模裡排的明明是拳。如果那一拳就是戲裡不能改的動作，這裡還得處理。不過，前面的交手順序已經對得上，白模確實用上了。

還有一點我覺得滿有意思：橘色、青色的模型外觀沒有在對照畫面裡跑出來，原本那片簡化地面也換成了石板地、臥佛和遠山。簡化模型的動作留下了，外觀也換掉了。看這次的結果，我們猜字節跳動在這類替換上應該做得滿成熟，至少對照畫面裡沒有突然冒出一個橘色人偶。

鏡頭也靠近了。白模裡看得到全身，成片有些腿部動作已經在畫面外。這次沒另外寫一長串運鏡，兩人的交手仍然拍了出來；如果一定要全身入鏡，這個要求就得再補。

至於力量感，我們只隨手寫了一句「需要有力量感與打擊感」。這裡還有得調，先不用急著說模型做不到，也可能是我們自己還沒把要求寫好。

多出來的 4 秒，是我故意留的

白模只有 6 秒，我卻設了 10 秒生成。就是想看看：參考演完了，後面它打算怎麼辦？

結果還真繼續打。紫衣角色揮劍，紅衣角色閃避、格擋和回擊，到片尾才又回到對峙。

它沒有停在白模的最後一個姿勢，後面又接了一段交手。至於從哪裡開始自己發揮，前面都已經拳換腿了，不能硬切在第 6 秒。這次多留的 4 秒，就是想看這個延續會長什麼樣。

動作可以先演，運鏡能不能先畫？

前一陣子大家也在玩這件事：在圖上畫一條線，模型能不能照著運鏡？我們也拿了一張港灣圖來試。從藍色小船旁出發，貼水繞過白船，鑽進岸邊建築，最後往上飛到教堂。路線就畫在這張圖上。

把這條線拿掉，光是說清楚路線就有得忙了。白船有兩艘，要從哪一側繞？繞完對準岸上哪個開口？教堂在上面，但鏡頭是直接飛過去，還是先鑽進下面的建築？腦子裡覺得很順的一段運鏡，寫成文字時，每個轉彎都得重新交代。

畫線的方便就在這裡：「從這裡，經過這裡，最後到那裡」，指著圖就能說。我們也想看看，這樣能不能少花一點寫 Prompt、來回解釋的時間。

Higgsfield 的 3D Jutsu 也在做類似方向的事：讓 Agent 建立可編輯的 3D 場景，再調物件、攝影機和動畫。先把場景擺出來，調好再生成影片，跟我們想用本地 Blender 做的事情滿接近。

圖上畫了線，Prompt 還是要補。比如要貼多低、在哪裡抬高、怎麼穿窗，以及那條紫線不要真的出現在影片裡。這次甚至寫了「禁止把標記轉化成光軌、繩索或場景物件」。路線拿去用就好，不用把我們的註記也一起拍進去。

我們把 12 秒拆成四段：0–3 秒從藍船到白船，3–6 秒繞船，6–9 秒穿入建築，9–12 秒向上抵達教堂。船留在原地，動的是攝影機。

生成出來後，最值得停下來看的地方是穿窗。約第 7 秒，鏡頭真的從薄荷綠建築的窗框穿進去，港灣的亮光退到後面，前方是一段暗通道。圖上沒畫室內，它自己補了一段路。

原本想要的	對照成片
0–3 秒：藍船旁貼水到白船	0.000 秒／幀 0，藍船就在左側近景；2.500 秒／幀 60，已接近白船船首
3–6 秒：繞兩艘白船一圈	3.000 秒／幀 72，從另一船側掠過；4.000 秒／幀 96，已轉向岸邊，離開得比安排的早，完整一圈也沒有從這組畫面確認出來
6–9 秒：穿入建築	6.500 秒／幀 156 還在窗外，7.000 秒／幀 168 穿過窗框，7.500 秒／幀 180 已在通道裡
9–12 秒：上升到教堂	10.000 秒／幀 240 從拱口往外看，12.000 秒／幀 288 抵達鐘樓外側

穿窗、爬升到教堂，都走出來了，抽出的畫面裡也沒看到紫線和編號。但繞船提早結束，跟我們指定的秒數有差。光看完可能只覺得「好像差不多」，停在同一秒對照，就知道差在哪裡。

如果再往 Blender 做，就能先看一遍鏡頭沿路走過去的畫面，哪裡被擋、哪個轉彎不順，都有機會在本地改。不過，在往下做之前，我們又想試一件事。

把線拿掉再生一次，結果也走到了

把運鏡示意圖拿掉，只留乾淨的港灣圖和文字，再生成一支會怎樣？

結果，沒有線也走到了。從藍船、白船進入建築通道，最後到教堂，主要幾段還在。文字已經交代了不少事情，少了圖，它也能做。

無示意圖版本的完整提交 Prompt 與模型設定尚未核實；這裡比較的是兩支輸出，不能當成只改一個條件的嚴格實驗。

左邊有運鏡示意圖，右邊沒有。兩支影片同秒並排，幀號從 0 起算，沒有重新調速。

4 秒的差別很容易看。有線版已經把船留在旁邊、朝岸上走，無線版還在船邊。到 7 秒，兩支都來到薄荷綠建築的開口；10 秒走的是不同通道出口，最後也選了不同的構圖：有線版靠近鐘樓，無線版把圓頂和後方海面一起帶進來。

無線版的結尾滿開闊，也有它自己的走法。只看這兩支，還不能說畫線一定比較好，或把所有差別都算在那條線上。

但我還是會想畫那條線。尤其心裡已經決定從哪艘船旁邊開始、要穿哪個窗的時候，有圖就容易交代，也方便回頭檢查。把圖拿掉能生成，跟一開始要花多久才能把路線寫清楚，是兩回事。

武打也是。兩個人交手那麼多動作，先演一遍，要改哪一招就指哪一招，比全部靠文字解釋直接。創作者越清楚自己要什麼，reference 就越有值得準備的理由。

我們想減少的，就是「我想的是這樣，你卻往另一邊走」的情況。這次看到了參考的指引作用；至於少了多少偏差、少重生幾次，還得多做幾輪。

有 reference，為什麼還是會自己改？

回頭看武打片的 3.750 秒，白模出拳，紅衣角色卻出腿。港灣片也是，4 秒就朝岸上走了，原本還安排了一段繞船呢。大方向看得出來，細節卻會跑掉。都已經演給它看了，為什麼還會這樣？

我們去翻了 Seedance 系列的技術報告。1.5 Pro 明確寫了 Diffusion Transformer，音畫聯合生成則以 MMDiT 為基礎。2.0 的 model card 說明了文字、圖片、音訊與影片可以一起輸入，但參考素材怎麼進入生成過程，沒有交代到能讓我們追下去的程度。公開資料能帶我們理解這個系列的技術背景，還沒辦法還原 2.5 的完整做法。Seedance 1.5 Pro 技術報告、Seedance 2.0 Model Card

先從公開的 Diffusion 方法來看。模型從噪聲開始，逐步生成畫面，文字或其他參考條件會在過程中引導它。Latent Diffusion 就用 cross-attention，把文字、框選位置等條件帶進生成。可以把它理解成：模型學著根據條件生成合適的畫面。但光是把條件送進去，並沒有要求每一步都像 Blender 的動畫指令那樣執行。Latent Diffusion 論文

那把引導加強一點呢？Classifier-Free Guidance 這個方法，會組合有條件和無條件的模型預測，調整生成的方向；論文裡也討論了品質與多樣性的取捨。不過，引導加強了，還是沒有多出一道「第 90 幀一定要出拳」的檢查。要把某個姿勢或路徑鎖住，得另外有相應的約束。Classifier-Free Guidance 論文

如果 Seedance 2.5 也是透過這類學習式的條件引導來使用 reference，就能理解為什麼參考明明有用，細節卻仍可能偏掉。這個「如果」要留著：我們還不知道 2.5 採用了哪一種引導做法，也不能靠這幾篇論文，就說找到了拳變成腿的原因。

但用在製作上，我們已經願意繼續走這條路。複雜的交手先用 Blender 演一遍，想走的運鏡先畫出來，意圖就有了可以對照的畫面。不能改的那一拳、那個轉彎，再回到成片確認。原片、Prompt 和同秒對照都放在上面，哪裡跟上、哪裡改了，大家也可以自己看。

這次的結論就這麼簡單：先在本地把動作和鏡位排好、改順，再花額度生成。省下多少 Token 還要繼續算，但不用每個動作還沒想清楚，就先付一次生成的錢。