最近，我在自己的信息流里频繁刷到一种很有意思的创作方式：不打开传统剪辑软件，也不逐条生成短视频，而是让大模型编写代码，再把代码渲染成视频。
看了几支作品以后，我的第一反应是：这个我是不是也可以试试？
于是，我给自己找了一个不算轻松的题目：给梁博的《日落大道》做一支完整动画MV。不是把歌词放在背景上，也不是让几张插画轮流淡入淡出，而是要有统一的主角、完整的视觉旅程、连续的动作和能把场景连接起来的运镜。
最终，我得到了一支约4分35秒、1920×1080、30fps的动画。主要视觉采用Q版手绘剪纸贴纸风格：蓝色连帽衫的小男孩、夕阳、公路、夜城、纸飞机，以及从地球仪进入梦境、最后回到房间的首尾呼应。
这次让我印象最深的，并不是“AI能写动画代码”这件事本身，而是模型能否把审美、叙事、工程和修改意见组织成一个可交付的作品。
完整作品可以先看这里：《日落大道》动画MV，Claude Opus 5.5＋Remotion。下面这篇文章主要讲它是怎么做出来的，以及这次实践改变了我对模型能力的哪些判断。
我为什么从Codex换到了Opus
在这次尝试之前，我先走过另一条路线：使用Codex，加上服务入口标注为“GPT 6.1 Sol”的模型，再配合Remotion制作视频。按照我自己的迭代记录，那个项目一直修改到第九个版本，才达到我愿意认可的程度。
那支作品在这里：前一次Codex＋GPT 6.1 Sol＋Remotion尝试。
它不是完全做不出来。更准确地说，是“能运行”与“符合我对成片的期待”之间，还隔着不少距离。有时问题出在构图，有时是动作只完成了一半，有时则是画面里每个元素都存在，却没有形成自然的空间关系。
这让我想换一个思路：不再优先追求低调用成本，直接试试我当时能用到、成本较高的旗舰模型Opus 5.5，看它能不能减少反复解释和返工。
结果超出了我的预期。就这次创作而言，Opus在美术设定的完整性、对歌词意象的展开、长任务中的风格维持，以及理解修改意见的能力上，都给了我更好的体验。我主观上认为，它在这类综合创作任务中的整体表现明显优于前一次尝试。
但这里必须划清边界：这是我的项目体验，不是严格的模型基准测试。两个项目的题材、提示词成熟度、素材和人工反馈并不完全相同；我使用的又是中转服务，入口展示的模型名称不能自动等同于可审计的底层模型身份。因此，本文沿用我使用时的名称，不据此讨论官方排名，也不把个人体验写成“任何任务都更强”的结论。
这不是传统意义上的“文生视频”
很多人听到“AI制作MV”，会想到让视频生成模型输出若干短片，再把它们剪到一起。这个项目不是那条路线。
Remotion是一套基于React的程序化视频工具。可以把它理解为：画面由组件描述，时间由帧控制，最终交给渲染器生成视频。人物、道路、灯光、文字、遮罩和镜头变化，都可以成为代码里的对象与参数。
在本项目中，大模型主要负责理解任务、构思画面、编写和修改React／TypeScript／SVG代码；Remotion及浏览器渲染环境负责把这些代码变成画面；后续使用FFmpeg拼接分片并封装原曲音轨。
所以，“全片由Claude Opus 5.5＋Remotion生成”指的是视觉和动画工程主要通过这条工作流完成，不代表歌曲也是模型创作的，也不代表我只输入了一句话、完全没有参与导演和审片。
音乐使用的是我提供的原始音频，歌词来自配套LRC文件。我提供了角色参考、任务要求和大量修改意见。人的工作并没有消失，而是从逐帧操作，转向确定标准、审核方向和指出不合理之处。
真正有效的起点，不是直接要求“生成完整MV”
这次我没有让模型一上来就写四分钟的最终动画。我在任务书里把工作拆成了角色设计、分镜设计和完整视频制作三个阶段，并要求每个阶段先交实际图片，再由我确认。
这件事后来证明很重要。长视频最大的风险不是某一帧不好看，而是错误的美术方向一旦进入全片，返工范围会迅速扩大。
模型最初设计过一个戴飞行风镜、穿橙色夹克、围渐变长围巾的角色。这个方案有自己的创意，但不是我想要的主角。我随后给出蓝色连帽衫男孩的参考形象，要求贴合那种大头短肢、粗黑轮廓、蓬松黑发和简单五官的设计语言。
最终角色不是从参考图里抠出来贴进视频，而是用SVG路径重新绘制，并拆成可复用的头、躯干、手臂、腿和配饰。不同镜头通过姿势参数调整视角、关节角度、表情和持物关系，而不是每次重新生成一个长得略有不同的人。
图2：早期确认的角色设计板，展示转面、表情、动作、部件和配色。
这解决了一个很实际的问题：我不必在第十个镜头重新讨论“主角应该长什么样”，而可以把注意力放在他怎么走、看向哪里、手里拿什么、怎样与环境发生关系上。
从歌词意象，到一条能走完的视觉旅程
《日落大道》里有道路、日落、寻找、奔跑、陌生环境和黑暗。如果逐句配图，很容易变成一支“男孩一直在公路上前进”的旅游式短片。
我的要求是：可以离开现实，可以进入回忆、梦境和象征空间，但画面必须仍然服务于歌曲。
因此，项目早期形成了几个反复出现的视觉母题：书桌上的地球仪、穿过天空的纸飞机、日落中的公路，以及在“两端”或矛盾意象中出现的深蓝色分身。地球上的昼夜分界被用作视觉隐喻，让“日落大道”不再只是某个具体地名。
这里也有一个容易混淆的地方：子午线是经线，晨昏线是昼夜分界线，两者不是同一个概念。动画可以让它们在形状和运镜上产生联想，但不能在技术解释中把它们直接画等号。后续修订也专门处理了飞越经线、地球自转和夜半球展示的问题。
图3：初版分镜总览，记录的是当时的叙事提案与色彩脚本。
全片最终仍以45个镜头编号组织，但镜头编号不等于必须切镜。尤其在后期，我发现一些场景根本不需要额外转场，只需要让动作和镜头连续下去。
最典型的一段，是从楼顶看夜，到纸飞机飞来，男孩登上纸飞机，在高楼之间穿行，再越飞越高，拉远到深夜里的地球。它跨越三个分镜编号，却共用一条连续时间函数。工程里分别传入本地时间及时间偏移，让前后入口看到的是同一段运动的延续，而不是用闪白掩盖场景替换。
这比“每到一句歌词就切一张图”更接近我想要的动画。
用代码做视频，真正有价值的是“可修改”
如果把这套方法仅仅理解成“让AI写很多SVG”，其实低估了它的意义。
角色可以复用，场景也可以复用。日落大道有统一的道路透视、楼房、棕榈和路灯；夜城有确定性生成的高楼、窗灯、屋顶装饰和前后景层次；字幕有独立的布局配置；每个镜头的起止时间和衔接方式，则集中放在时间线里。
当我说“人物应该是半身侧面，而不是正面脑袋”时，修改的是视角、身体组件和裁切关系。当我说“车应该沿公路朝远处开，而不是横着滑过去”时，问题也不是换一张车图，而是换成背面造型、修正轨迹和透视缩放。
这里需要特别诚实：模型并没有一次性解决所有物理和空间问题。挡风玻璃倾斜方向、车辆朝向、晚宴方桌的透视、人物拿物和上下车动作，都曾经出过问题。我提供了截图和具体反馈，模型才逐步修正。
因此，我更愿意把这次体验描述成：它已经能承接一个复杂视觉工程，并根据具体意见持续调整，而不是“它已经完全理解真实世界，不会犯错”。
图4：分镜段落
为什么我会觉得模型差距不只是写代码能力
我当天写过一段比较情绪化的感想：“会编程，和真正具备完成复杂创作任务的能力，是两回事。”现在重新整理这个项目，我依然认同这个判断，但会把它说得更具体。
动画任务不是只要语法正确。它同时要求模型处理画面重心、角色一致性、歌词情绪、前后镜头关系、动作因果、时间长度，以及渲染环境里的工程限制。一个局部漂亮的画面，放进连续四分钟的作品里，未必成立。
我感受到的差距，主要在这些能力能否共同工作。一个模型即使能很快写出可运行的代码，如果它总是在错的构图上补细节、把不该出现的角色反复放进画面，或者忽略我真正想表达的情绪，实际创作仍然会很费力。
反过来，模型不必每个细节都一次正确。只要它能够理解“为什么不对”，找到需要修改的层级，并保持其余部分不被破坏，协作效率就会明显提高。
我也曾把相同提示词与素材用于一次DeepSeek的角色和分镜尝试。就当时得到的结果而言，Opus在人物设定、构图和视觉叙事上更符合我的审美。这是一个有限的观察，不能扩展为对某个厂商、全部国产模型或所有任务的统一结论。
看到“吊打”“遥遥领先”之类宣传时，我现在会更愿意问：是在什么任务里，交付什么结果，人工改了多少次，总共花了多少钱？对创作者来说，这些问题比一个抽象排名更有用。
我原本最想分享的感受是：相比前一次改到九个版本的经历，这次在初次完整生成后，经过两轮主要反馈，作品就已经明显达到、甚至超过了我的预期。
不过，回看完整记录，后面确实还有一次针对七处画面的定点精修。因此，严谨的表述应当是：角色与分镜先经过确认，初版成片之后进行了两轮主要修改，并继续完成了少量局部修正。不能把最终发布版说成“总共只改两次”，更不能说“一键生成”。
我的反馈也不是只有“再漂亮一点”。我会指出具体错误：分身只在表达两端或矛盾时出现；太阳要在天空里；小车必须沿透视道路向远处行驶；男孩应向房间左侧的窗边走；纸飞机飞出去之后，他不该回头，而应该朝远方挥手。
这类反馈把审美判断变成了可执行的约束。它也是成片质量的一部分来源。
120多元买到的究竟是什么
按我的使用记录，这次制作的中转调用支出是120多元人民币。这个数字是我的个人账单口径，不是官方API定价，也不是每个人复现都能得到的固定报价。
模型路由、输入输出量、上下文长度、是否命中缓存、返工次数和中转服务收费方式，都会改变最终支出。它也不包含一个明确计价的“我的审片时间”，不能理解成完整制作成本只有120多元。因此，我不会说Opus 5.5是绝对意义上“成本最高、目前最强”的模型。对我而言，它是这次愿意付更高调用成本去尝试的工具，而它交出的结果，让我觉得这笔支出值得。
便宜模型并不是没有价值。在短脚本、数据整理、简单字幕和模板化任务里，更低成本的方案可能更合理。但在一个同时要求理解、审美、长程一致性和多轮修改的项目里，单次调用价格不一定等于完成作品的总成本。我真正比较的是，完成一个我认可的作品，合计要消耗多少钱、多少时间和多少次人工纠偏。
渲染阶段，不是按下按钮就结束
代码可以预览，不代表最终视频一定正确。
这个项目用帧来控制动画，不依赖浏览器实时计时器。30fps下，约275.43秒的合成需要8263帧。项目声明使用Remotion 4.0.536、React 19.1.0和TypeScript 5.6.3，主要动画、场景和字幕都保留为可编辑源文件。
受运行环境限制，渲染采用分片方式。默认每片120帧，也就是4秒；复杂镜头会进一步缩小分片。每片先输出静音视频，再拼接画面，最后一次性混入原始音频，避免分段音轨直接拼接造成的额外问题。
验证也分层进行：关键姿势和转场抽帧检查，使用媒体工具核对分辨率、帧率、总帧数和时长，再进行亮度与冻结帧筛查，并抽样对齐解码音频。此前的音频互相关检查结果为0毫秒偏移，但这是抽样工程验证，不等同于整片逐字人声同步审听。
这些检查能发现一部分黑闪、静止和文件结构问题，却不能自动判断“这段动作是否优美”“这个透视是否合理”。后者依然需要人看。我的几轮修改，恰好说明两种检查缺一不可。
如果再做一次，我会怎样开始
我不会先要求模型“随便做一个高级感视频”，而会先明确歌曲或文稿的原始依据、画风、角色参考、字幕规则和阶段验收条件。尤其是长视频，一开始就需要把前奏、间奏和尾奏算进去，不能只给有歌词的部分配画面。
然后先拿到角色板，再看完整分镜。分镜可以粗，但要让镜头之间的运动和连接关系讲得清楚。只有在视觉方向成立后，才值得花时间完善场景、人物动作和材质。
进入制作阶段后，我会要求角色组件、镜头时间线、字幕配置和渲染脚本分开组织。这样修改一个镜头时，不需要推倒整部作品。反馈也尽量落到“方向、姿态、遮挡、透视、时间和运动”这些能核对的维度，而不只停留在抽象形容词上。
最后保留工程，而不只是MP4。对于“用代码做视频”这条路线，能修改、能复用、能重新渲染，本身就是价值。
这次经历确实让我被模型之间的差距震撼了一次，但它没有让我得出“贵的一定适合所有人”的结论。
它让我更确定的是：在复杂创作里，模型的价值不能只看能否写代码，也不能只看某次演示有多惊艳。更重要的是，它能不能把理解、审美、空间关系、工程执行和持续修改串成一条完整的生产链。
我仍然希望DeepSeek、GLM、Kimi等国内模型继续进步。这里不是希望谁赢谁输，而是希望创作者能以更低的成本，获得更可靠、更有表现力的工具。
对我而言，这支动画MV给出了一个很具体的答案：用代码做视频已经不只是技术演示，它开始能够承载完整的个人表达。当然，前提是我们愿意认真定义作品、认真看它，并认真把不对的地方改掉。
作品与技术资料
本次作品：《日落大道》MV，Claude Opus 5.5＋Remotion。前次尝试：Codex＋GPT 6.1 Sol＋Remotion作品。
Remotion官方文档：创建项目、useCurrentFrame：按帧获取时间、renderMedia：程序化渲染。
音乐及歌词版权归相应权利人所有。发布或商业使用MV前，需要自行核查歌曲、录音、角色参考与字体等素材的授权条件。
