武打動作講不清楚，就給模型一支深度影片

腦子裡有一套武打，要寫成 Prompt 給模型，這件事難到不合理。

誰先出手、從哪個角度劈下去、對方往哪邊卸力、鏡頭這時候在哪裡、下一拍又換到誰身上。這些在腦子裡是連續的一段畫面，寫成文字要拆成十幾句，寫完還不確定對方讀到的是不是同一件事。生成出來不對，改一句再送一次，額度就這樣一輪一輪扣掉。

上一篇〈先用 Blender 排好動作，能省下影片生成的 Token 嗎？〉我們是自己在 Blender 裡把動作排出來。這次換一個更懶的做法：手邊已經有的影片，直接抽成深度影片，拿去當動作參考。

素材是我自己破關 Sekiro 的錄影。原本只是留著看的東西。

一句話說完這次的流程

錄影 → 用 Video Depth Anything 抽出深度影片 → 深度影片當動作參考送進 Seedance 2.5。

四個畫面同秒並排，左上是我的錄影，右上是抽出來的深度影片，左下是生成結果。

原片是我打葦名一心那場，畫面上下各一個角色。生成時兩個都換掉了：上面那個換成白髮角色，下面那個換成黑髮貓耳角色，各給一張參考圖。場地從雪原變成暗色的霧氣舞台。

這些外觀是我在 Prompt 裡指定的，不是模型自己長出來的。留給深度影片的只有一件事：兩個人怎麼動。而它確實照著動了——右邊那塊岩石還在原來的位置，角色走的路線也還在，該近身的時候鏡頭就近身。

只有 3 秒多那一小段跑掉了。那一段後面會講，它剛好是這次最有用的一段。

那份 Prompt 裡沒有一句在講怎麼打

下面是實際送出去的 Prompt，素材 UID 換成了看得懂的名字，其餘一字未改。

【生成目標】

生成一段好萊塢電影寫實的動作片視頻，鏡頭焦段為85mm。角色的動態動作參考動作指導視頻。角色表情需要符合角色當下動作的張力。

【動作指導視頻】

【深度影片】為深度視頻，作為角色的動作指導視頻。

【角色參考圖】

【角色1 參考圖】為角色1 ，替代畫面上方的角色。

【角色2 參考圖】為角色2 ，替代畫面下方的角色。

【一致性】

深度視頻為動作參考，連續影格若為畫面全灰，則應理解為是角色的前序動作的招式光影效果。

角色在視頻中的身體外觀需要嚴格按照角色參考圖。

模型可以自由發揮角色表情。

【禁止事項】

嚴禁發生角色錯位、角色手腳變形。嚴禁出現任何電玩遊戲的顯示介面、電玩遊戲介面的人物血條、電玩遊戲介面的蓄力條、電玩遊戲介面的扣血提示、電玩遊戲的角色狀態提示。嚴禁出現任何的所有畫面元素。嚴禁改變角色在參考圖中的身體外觀骨架或肌肉線條。

把它拆開看，講武打的只有一句：「角色的動態動作參考動作指導視頻。」

其他全部在交代別的事。風格一句（好萊塢寫實動作片、85mm），身分兩句（誰換成誰），一致性三句，禁止事項一整段。誰先出手、往哪裡劈、對方怎麼擋、鏡頭什麼時候推近——一個字都沒有，全部交給那支深度影片。

那如果真的要用文字寫，會寫成什麼樣

我試著把這 8.8 秒逐秒寫回去看看。注意這是照著已經生成出來的成片抄的，難度比從零想像低得多：

一開始鏡頭是全景，畫面右側有一塊高聳的岩石，兩個角色一上一下分立畫面兩側，下方那個持長柄兵器。第 1 秒角色向右移動，位置關係不變。第 2 秒走到岩石正前方，一道光從上方罩下來。第 3 秒壓低身體出招，畫面右側開始泛白。第 3.2 秒鏡頭推近到下方角色的臉部特寫，第 3.45 秒她轉向鏡頭，接著鏡頭往後拉，帶到肩線。第 3.8 秒切回全景，一道紫色光帶從左側橫掃過畫面。第 5 秒光帶收尾，角色回到畫面中段偏左。第 6 秒鏡頭拉遠，角色變小，站在光柱底下。第 7 秒角色站定，長柄兵器斜舉。第 8 秒角色朝鏡頭撲近，人物幾乎填滿畫面……

寫到這裡我還沒交代任何一個角色的重心怎麼移、手往哪個方向出、另一個人怎麼卸力、兩人之間距離多遠。而這些才是「武打」真正的內容。

然後是更麻煩的一件事：上面每一句我都是照著畫面抄的。 抄一段已經拍出來的東西都要寫成這樣，腦子裡那段還不存在的畫面，你連抄都沒得抄——你只能一邊想像一邊描述，還要祈禱對方腦補的方向跟你一樣。

實際送出去的 Prompt 裡，這一整段的位置只有一句話：「角色的動態動作參考動作指導視頻。」

原片也能當參考，為什麼要多繞一道深度

原片可以直接當參考嗎？可以，很多工具都收。但原片什麼都告訴模型了：雪的顏色、遊戲的 UI、血條、道具欄、天空的色調。我要的只有「東西在哪、誰離鏡頭多近、怎麼動」，其他都是雜訊，而且會把生成往原本那個畫面拉回去。

深度圖把畫面壓成一件事：近的亮，遠的暗。顏色沒了，材質沒了，剩下的是空間跟動作。

拿掉的東西比留下的多。剩下的那件事情，剛好就是文字最難描述、我又最想控制的那件事。

不過有個東西沒被拿掉，而且變得更麻煩：遊戲的 UI。

血條為什麼會變成離鏡頭最近的東西

我第一次抽卡的時候，生成出來的畫面裡有遊戲介面。

這件事當下滿費解的。深度影片我自己看過，灰灰的一片，血條那裡頂多是一條淡淡的白，你不特別找根本不會注意到。介面明明已經「不見了」，怎麼還會跑出來？

後來去翻深度圖的原理，才知道那條白不是殘留，是被推到最前面的一層。

Video Depth Anything 接在 Depth Anything V2 上做的，兩篇論文都在 arXiv 上（Video Depth Anything、Depth Anything V2，後者是 NeurIPS 2024）。這類模型叫 monocular depth estimation：只有一支鏡頭、沒有雙眼視差、沒有深度感測器，就要判斷畫面裡每個東西離鏡頭多遠。我們這次跑的參數 metric 是 false，出來的是相對深淺，不是公尺。

單靠一張平面圖判斷遠近，能用的只有畫面本身的線索：誰擋住誰、材質往遠處怎麼變密、透視線往哪裡收、熟悉的東西看起來多大。其中最強的是遮擋——A 蓋住 B，而且沒有東西蓋住 A，那 A 就在最前面。

遊戲 UI 剛好把這條規則吃滿。血條蓋住背景、蓋住角色、蓋住所有東西，自己不被任何東西蓋住，邊緣銳利、對比極高、沒有透視。照那條規則判，它就是全畫面離鏡頭最近的物件。

所以深度圖不是把 UI 洗掉，是把它升格。原本疊在畫面上、你看都懶得看的一條字，在深度圖裡成了整幀最亮、最前、訊號最強的東西。

裁一塊左上角並排就很清楚：上面是原片的血條跟「劍聖　葦名一心」，下面是同一幀的深度圖，兩條白帶就浮在最前面。

知道這件事之後，Prompt 裡那一整段禁止事項就不是囉唆了。血條、蓄力條、扣血提示要逐項點名禁掉，是因為它們在參考影片裡不但還在，還是模型最先看到的東西。加了禁令之後這次生成的成片一條都沒有。

要省掉這段麻煩也可以：抽深度之前先把 UI 裁掉或遮掉。我這次沒做，就用禁令補。

深度影片是怎麼抽的

用 Video Depth Anything 的 Large 版本（ViT-L），FP16，input size 518，max_res 1280。整段 90 秒、2160 幀跑完，推論加輸出花了 337.903 秒，不含部署、上傳、下載。顯存峰值 21859.8 MiB。輸出 1280×726、SAR 121:120、顯示比例 16:9、24 fps，沒有音軌。

同一批我切了四段（30–90、90–180、180–240、240–330 秒），耗時分別是 216.957、341.605、214.671、337.903 秒。

另外還有一段 307 秒的長片，失敗了。2026-09-08 晚上，VDA 子程序被 SIGKILL，53 GiB container 的 oom_kill 從 0 變成 1。是主記憶體不足，不是顯存不足——那段 job 已經把 max_res 降到 960 了，還是撐不住。原始剪輯沒受影響，但長片要嘛再降解析度，要嘛改記憶體處理方式，這件事我還沒回頭處理。

每段會輸出五種版本：gray、body-contrast、body-bright、body-visible、color。這次送進生成的是 body-visible。這些增強版是深度的視覺化，不是人物分割，也不是公尺深度或無損的數值深度，別把它當成量測資料在用。

實際送出的是 90 秒段裡的 50–60 秒，10 秒、240 幀。生成回來的原檔是 10.033 秒。下面所有對照都從深度片的第 1.25 秒開始，也就是 90 秒段的 51.25 秒，三軌對齊後各取 8.8 秒。

同一秒，三軌並排

用 FFmpeg 抽幀，同一秒排在同一欄。來源和深度是 24 fps，生成是 60 fps，所以同一秒的幀號不一樣，圖上都標了。

秒	我的錄影	深度影片	生成結果
0	角色在畫面中央偏左，右側一塊高聳岩石	岩石是一整塊近景亮區，角色是細瘦亮條	岩石在同一位置，角色持長柄兵器站在左側
1	角色向右移動	亮條跟著往右	角色也往右，位置對得上
2	角色走到岩石前方	兩塊亮區靠在一起	角色走到岩石前方，被打光從上方罩住
3	開始出招，畫面右側泛白	結構開始變糊	角色低身出招
4	整個畫面被閃光蓋掉	幾乎全平	環狀光效，岩石不見了

前三秒很穩。位置、走位、景別都對得上，我沒有另外寫任何一句運鏡。

秒	我的錄影	深度影片	生成結果
5	閃光散掉，角色在畫面中段	一大塊近景亮區偏左	角色在同一側，光效還在收尾
6	雪原，角色偏小	亮區縮小	角色縮小站在打光下，構圖對得上
7	角色站定	一小塊亮區居中	角色站定，長柄兵器斜舉
8	角色貼近鏡頭	右下一大片近景亮區	同樣是近身大特寫，人物幾乎填滿畫面

第 8 秒最值得看。原片那一下是角色朝鏡頭撲過來，深度圖右下就是一大塊「非常近」，生成片給的也是近身特寫。景別是從深度讀出來的，我一個字都沒寫。

生成片整支放在這裡，可以自己看一遍再往下。

那 22 幀，參考影片變成一片空白

遊戲裡放大招的時候畫面會被特效打白。這件事我事先知道，Prompt 的一致性段還特地寫了一句去交代：

深度視頻為動作參考，連續影格若為畫面全灰，則應理解為是角色的前序動作的招式光影效果。

道理跟血條那段是同一條。深度模型讀的是畫面裡的線索，而一片均勻的白什麼線索都沒有——沒有遮擋、沒有材質梯度、沒有透視線。沒東西可讀，輸出就是一張平的。

那一段到底多長、多平，我用 FFmpeg 量了。三支片各自解成 320×180 灰階、統一 24 fps，逐幀算兩個數：深度圖的空間梯度（同一幀裡相鄰像素差的絕對值平均，代表這幀還剩多少結構），跟原片的亮度平均。兩個都換算成「佔自己中位數的百分比」，放同一張圖。

原片亮度在 3.333 秒衝到自己中位數的 151%。深度圖的結構跟著垮下去：3.167 到 4.042 秒之間有 22 幀掉到中位數的一半以下，最低點在 3.583 秒，只剩 21.2%。

有意思的是這 22 幀也不是全空。角色和岩石都糊掉之後，畫面上唯一還剩結構的東西，就是那條我明令禁止出現的血條。

我還量了一個數：把每幀的動量（幀間差值）當權重，算出「動作發生在畫面水平方向的哪個位置」，再比原片跟生成片差多少。結構正常的區間，兩邊平均差 6.6% 的畫面寬度；坍塌那 22 幀裡，差到 12.6%。差不多是兩倍。

參考影片在那 22 幀裡沒有話講。那模型做了什麼？

唯一沒人交代的那顆鏡頭

它拍了一段表情運鏡。

大約 3.2 秒推近到角色 2 的臉，3.45 秒她轉向鏡頭，接著鏡頭再拉開，帶到肩線與胸前的吊墜，3.8 秒岩石重新浮出來，它立刻跳回全景，紫色光帶橫掃過畫面。前後不到 0.6 秒。

這顆鏡頭在參考影片裡不存在。深度圖那幾幀也沒有任何東西長得像一張臉。但它不是憑空捏的：那張臉就是角色 2 參考圖的臉，五官、耳朵、頸環上那顆眼睛都對得上。身分它守住了，鏡頭是它自己決定的。

而且它挑的時間點很準——大招爆閃的那一拍，剛好切到臉。

回頭看 Prompt，這件事其實是我准的。開頭那句「角色表情需要符合角色當下動作的張力」，一致性段那句「模型可以自由發揮角色表情」。整支影片裡，這是唯一一段深度影片沒在管構圖的地方，而我給的那點自由，就整包花在這裡。

這才是我覺得這次最有意思的地方。深度參考綁住模型，也劃出了它能動手的地方：參考影片留白的地方，就是你給的自由會被花掉的地方。 想讓它自己來一段，就在那裡留白；不想要它自己來，光寫一句叮嚀不夠，那裡得有結構。

這條路我還沒驗的部分

沒有做對照組。 我沒有把同一段用純文字再生成一次來比。所以「用深度影片比較快、比較省」這句話，我只能說我這次的體感，不能拿數字給你。要真的證明，得同一段、同樣設定、只差有沒有深度參考，各跑幾輪。這件事還沒做。

沒有算錢。 生成次數、token、實際費用都沒量。深度那邊的成本倒是清楚的：一段 90 秒的片要 337.903 秒 GPU 時間，加上一張跑得動 22 GiB 顯存的卡。這不是免費的，只是它跟影片生成的計費是兩回事。

深度輸出沒有逐幀驗收。 我只核了時長、幀數、FPS、尺寸和顯示比例，沒有整支解開來一幀一幀看。

什麼時候值得這樣做

這不是唯一的路，也不會是最好的路——影片生成的做法多得很，這只是其中一種。但有兩個條件同時成立的時候，它特別划算：

你腦子裡已經有一段很具體的動作。 越具體，用文字描述的成本越高，深度參考省下來的就越多。反過來，如果你只是想要「兩個人打一架，帥一點」，那寫句話就好，給參考反而綁手綁腳。

你手上已經有一段動作接近的影片。 自己的遊戲錄影、自己拍的、自己在 Blender 裡排的都算。抽深度圖是機械動作，跑一次就有；從零排一段動作才是真的花時間。

Blender 那條路是自己排，控制得細，但要花時間。深度影片這條路是拿現成的，快，但你拿到的就是素材裡有的那些動作——素材沒講到的地方，模型會自己補，而它補在哪裡，看的是參考影片哪裡留了白。兩條路解的是同一個問題：把「我想要的動作」變成模型看得懂的東西，而不是繼續在 Prompt 裡描述它。