竖屏短视频里有一种很吃香的形态：角色是扁平的 2D 卡通，场景却是打了光的 3D，把一个真实的历史或科学故事讲给你听。这种"2.5D"风格看起来像请了一个小剧组，其实一个人加一个 Agent、Blender 和几个开源 Skill 就能搭出一条流水线。
这篇教程带你从零走完一集：选题、脚本、分镜、搭场景、放角色、配音、字幕、声音，到最后的评审循环。每一步都给了可以直接改了用的提示词。
先说清楚：我们不知道任何具体频道背后的真实流程，下面是用开源工具搭出同类形态的一种做法。
学完你能做到
- 拆解一个参考视频的形态（尺寸、镜头节奏、字幕样式），而不是抄它的内容。
- 用 Agent 在 Blender 里分三遍搭出有光影的场景。
- 把 2D 角色放进 3D 场景里，并让它们"站得住"。
- 用自己的声音加逐字时间戳做字幕，再用声音检查工具把关。
- 用"截图墙加评审"的方式迭代，而不是反复看完整成片。
- 把整套流程打包成一个自己的 Skill，下一集只需要一句话。
准备
- Claude Code 或其他支持 Skill 和 MCP 的 Agent。
- Blender（按各项目说明，版本不要太旧，装之前看 README）。
- Python、Node.js、uv 和 ffmpeg。
- 一个能录音的麦克风。
- 心理准备：这是进阶教程，第一集会比较花时间。
装任何第三方 Skill 或 MCP 之前，先打开仓库读一遍。它们会在你的电脑上运行代码。
第一部分：这种形态长什么样
先认清楚参考视频到底做对了什么，再动手。常见的组合是：
| 项目 | 常见做法 |
|---|---|
| 画幅 | 竖屏 1080×1920，30 帧每秒，约 55 到 70 秒 |
| 内容 | 一个真实故事，一个人的声音讲完 |
| 角色 | 扁平 2D：圆脑袋、点状眼睛、粗描边 |
| 场景 | 完整的 3D：有光、有材质、有景深 |
| 镜头 | 大约每 2 秒换一个镜头，镜头运动是慢推或推轨 |
| 字幕 | 一次一到两个词，粗体白字，偏下居中 |
| 开头 | 用一个问句做钩子，比如"为什么……" |
它不容易被说成"AI 糊弄"，有几个原因：角色故意做得简单，所以不会有恐怖谷；场景故意做得丰富，反差就成了标志；每个镜头都对应脚本里的一个新想法，而不是按计时器换；用的是真人声音；讲的是能被查证的真故事。
用 Agent 拆解参考视频
先把参考视频抽成缩略图：
mkdir -p frames
ffmpeg -i reference.mp4 -vf "fps=2,scale=540:-2" frames/ref-%04d.jpg
再把下面这段交给 Agent：
把 reference.mp4 当作"形态"来分析，不要当作要复制的内容。
先用 ffprobe 报出尺寸、帧率和时长，再逐张看 frames/ 里的图。
输出 REFERENCE.md，包括：
- 每一次切镜的时间点和帧号
- 每个镜头里哪些是 2D、哪些是 3D
- 每个镜头的镜头运动和方向
- 字幕样式：一张卡几个词、放在哪、什么时候换
- 钩子那一句，以及反转出现的位置
每个数值标注来源：已测量（从画面读出）、估计（目测）、决定（我们这一版的创作选择）。
拿不准的，指出我该核对哪几帧。
不要照搬角色、设计、脚本或故事结构。
最后给我 5 条这一集的创作决定。
标签要保留。Agent 从图片里估算的空间关系只是近似，凡是要拿来施工的数据，都要回到画面上核对。
第二部分：搭工作室
只装这一集需要的东西：
# 让 Agent 控制 Blender（需要先装 uv）
uvx mcp-for-blender setup
# 手动方式：claude mcp add blender uvx mcp-for-blender
# 安装 Blender 插件：uvx mcp-for-blender install-addon
# 动效的节奏和缓动，含迪士尼动画原则
npx skills add LottieFiles/motion-design-skill
# 合成画面、字幕和声音
npx skills add remotion-dev/skills
# 逐词时间戳，给字幕用
pip install -U openai-whisper
mcp-for-blender 的 README 还说明了如何接入素材库。Poly Haven 的素材是 CC0，用在带收益的视频里也不需要署名。
把"家规"写进 CLAUDE.md
Agent 每次启动都会读 CLAUDE.md。把形态写进去，每一集就都从同一套规则出发：
第三部分：先把故事写好
脚本只有 160 字左右
一条 65 秒左右的短片，按正常语速大约是 150 到 170 个字。这就是全部预算。让 Agent 找题材，但必须带出处：
找 5 个真实的历史或科学故事，适合用"那个……的东西"或"为什么……总是……"
这样的标题。
每个故事给：一句话概括、为什么十二岁的孩子和五十岁的大人都愿意转述、
两个我能打开的来源链接。
我选定一个后，写脚本：
- 150 到 170 字，一个叙述者，口语，短句
- 第一句是钩子，并提出一个承诺
- 大约第 40 秒有一个反转
- 最后一句兑现钩子
- 另写 sources.md，每一条事实都有出处
出处要你自己点开看。这是整条流程里唯一不能完全交出去的一步。
把脚本拆成镜头
分镜表是后面所有工作的合同：
把 script.md 拆成分镜表。一个想法一个镜头，每个 1.5 到 3 秒。
每个镜头写：编号、覆盖的台词、时长、
场景（哪个 3D 场景的哪个位置）、镜头（景别和运动及理由）、
角色（谁在画面里、姿势、用表情表里的哪一个）、
道具（关键道具必须用 3D 做，不能画）、
声音（只有发生物理动作时才写）。
场景要复用：65 秒的片子只应该用 3 到 5 个场景，而不是 30 个。
再把关键节拍写成帧号，而不是秒。下面是一个我们自己编的例子（30 帧每秒），数字只是起点：
全局帧 时间 事件
600 20.0s 镜头 9 开始：全景，夜里，宫殿很安静
615 20.5s 开始慢推，缩放 1.00 → 1.05，持续 45 帧
630 21.0s 油灯被碰倒
636 21.2s 灯落到地面（碰撞声放在这一帧）
640 21.3s 切到镜头 10：主人公睁眼
物理会让你诚实：一个东西下落约 30 厘米，大约需要四分之一秒，也就是 30 帧每秒下的 7 到 8 帧。做慢了会显得飘，观众说不出原因，但能感觉到。
用帧号以后，每次修改都是一个数字："把碰撞往前挪 2 帧"，Agent 不会理解错。
第四部分：在 Blender 里搭场景
图片来自 mcp-for-blender 仓库。
mcp-for-blender 会在 Blender 里起一个小服务，让 Agent 直接写 Blender Python，并且能用 Poly Haven 这类素材库。关键是让 Agent 自己检查自己的活，而不是闭着眼睛猜。具体有哪些工具，以它的 README 为准。
场景分三遍搭，每遍停一下
你要为一条竖屏 2.5D 短片搭"场景 2：大殿"，通过 Blender MCP。
第一遍，搭体块：用灰色几何体搭墙、王座、柱子和地面。
按 shotlist.md 放好每一个相机，逐个相机取一张图，拼成一张图给我看。
第二遍，打光：一盏有来源的主光（窗户），加暖色实景光（烛火、火把），
再用一张 Poly Haven 的 HDRI 补光。不要用三点布光。从 3 个相机各出一张静帧。
第三遍，装饰：加上有磨损和变化的材质，旗帜、地毯和小道具。
每个相机都开景深，对焦在角色要站的位置。
渲染尺寸 1080×1920，不要渲染更大再裁。
主角道具永远是 3D
故事真正讲的那个东西，不要画成平面的。把它单独当成一个任务来做，先出一张多角度的检查图，再放进场景：
为这一集做主角道具：[物件，附参考图或描述]。
按真实尺寸，所有边都倒角，缝隙里要有磨损的材质。
先在中性的地面上渲一张 6 个角度的检查图给我看，
没问题后再放进场景 2 的标记点上。
第五部分：把 2D 角色放进 3D
2.5D 的核心就是：角色是平面图片，立在 3D 场景里。
- 在 Blender 里用"图像作为平面"导入，材质选发光或无阴影，这样场景的灯不会给角色上阴影。
- 脚下加一块柔和的接触阴影，角色才像站在地上，而不是飘着。
- 脸部用替换动画：一套眼睛和嘴，按每个节拍换。
先让 Agent 用 SVG 画出角色的零件：
把一个卡通角色画成一组 SVG 零件，背景透明：
头（一个圆）、身体、手臂、腿、符合 [角色身份、时代] 的帽子或服装。
另做一张表情表，每个表情单独一个文件：
眼睛：平常、睁大、眯起、闭上、斜视
嘴：闭、小开、大开、撇嘴、咧嘴
附加：汗滴、脸红
风格规则：纯色、同一种粗描边、不要渐变和纹理。
导出两倍大小的 PNG，再把所有零件作为平面导入 Blender，绑在同一套骨架上。
要有表演，不是弹跳
最容易看出"生成感"的地方是：角色从不思考。它只会弹跳、挥手、微笑，但动作之前脸上什么也没发生。动手之前，给每个镜头写一行"表演说明"：
镜头 7（2.1 秒）"满朝都笑了"
想法：主人公知道自己是对的
预备：别的都还没动之前，先眯眼，提前 4 帧
动作：在"笑"这个字上转头看向镜头
停留：看着停 10 帧，让观众读懂
规则：不做待机弹跳。每一次动作都从一个眼神开始。只在重读的字上换嘴型。
第六部分：声音、字幕
用自己的声音，做逐词字幕
自己把脚本读一遍。真人的气口是这个形态里最大的信任信号，也让你不用考虑声音克隆的问题。
再让 Whisper 给每个词标时间，用这个文件做字幕层：
whisper voice.wav --model small --word_timestamps True --output_format json --output_dir captions/
读 captions/voice.json，在 Remotion 里做字幕层：
- 画面上一次只有 1 到 2 个词，按每个词的开始时间精确切换
- 粗体白字加深色描边，偏下居中，放在竖屏安全区内
- 不是每个词都有弹出动画，只给重读的词加
然后把 shotlist.md 里每一次切镜，对到它所属的那个词上。
声音要落在点上
图片来自 earshot 仓库，是它发布短片的分镜画面。
很多 AI 短片关掉声音时看起来还行，打开声音就露馅：切镜没卡上节拍，最后一帧落下时音乐还没收。
earshot 是一个开源的 MCP，让 Agent 能"听"音频并做评审，也能生成声音，只用 CPU。可以把它当成评审时的耳朵：
用 earshot 听 out/mix.wav，并对照 shotlist.md 检查：
- 人声始终在最上层，音乐在它下面
- 只有发生物理动作的地方才有音效
- 同一种嗖声不超过两次
- 音乐在最后一帧收住
然后把音效提示和画面事件写在同一个帧号上：
灯落地 帧 636 轻金属碰撞
睁眼 帧 640 音乐暂停 20 帧
最后一句 帧 1900 音乐收住
一个小提醒：音效文件开头如果有一点前奏，听到的"撞击"会比文件起点晚。要在波形上找到峰值，再把片段偏移，让峰值落在目标帧上。
第七部分：评审循环
不要把完整成片看十遍，看"接触表"：
# 每秒一帧，整集拼成一张图
ffmpeg -i out/episode.mp4 -vf "fps=1,scale=240:-1,tile=8x9" -frames:v 1 review/contact.png
# 手机测试：缩到 360 像素宽，每 3 秒一帧
ffmpeg -i out/episode.mp4 -vf "fps=1/3,scale=360:-1,tile=6x4" -frames:v 1 review/phone.png
修一处就不要重渲整集。Blender 可以从命令行只渲一帧或一个区间：
# 只渲一帧
blender -b episode.blend -o //review/still_ -f 636
# 只渲修改附近的区间
blender -b episode.blend -o //review/fix_ -s 600 -e 660 -a
再把接触表交给 Agent，让它当评委，而不是作者：
打开 review/contact.png 和 review/phone.png。
你没有做过这条片子，你是我认识的最苛刻的动画导演。
检查：每个角色脚下有没有接触阴影？有没有角色被打得像 3D 物体？
有没有哪个镜头超过 3 秒还没有新想法？字幕在手机尺寸上读得清吗？
画面上有没有 sources.md 里没有的结论？
列出所有问题并标时间点，修最严重的 3 个，只重渲这几秒，再给我新的接触表。
给每一条修改都写四个字段：在哪、哪里不对、改成什么、什么必须不动。有边界的修改，Agent 不会乱跑：
修改镜头 9，依据 shotlist.md。
位置：全局帧 630 到 640
问题：灯落地发生在帧 644，比碰撞声晚了 8 帧
修改：只改灯的下落，从 630 开始，636 落地，加速下落，不反弹
保持：镜头的慢推、帧 640 的切镜、字幕时间、其他所有镜头不动
输出 630、633、636、640 四帧静帧和 600 到 660 的预览，检查中间帧有没有跳变，
报告改了什么和输出文件。
修改顺序：先修错的和缺的，再修可读性，再修节奏，最后才是画面细节。
通过之后，上传前检查一下导出：
ffprobe -v error -select_streams v:0 -show_entries stream=width,height,avg_frame_rate,duration -of json out/episode.mp4
应该看到 1080×1920、30/1 的帧率，以及你计划的时长。
第八部分：打包成自己的 Skill
流程跑通之后，把它存成一个 Skill，下一集只要一句话：
---
name: cartoon-studio
description: 制作竖屏 2.5D 动画短片（扁平 2D 角色放在 Blender 打光的 3D 场景里），讲一个真实故事。当用户要做历史或科学短片、动画科普或故事类短片时使用。
---
# 2.5D 短片
## 流程
1. 给出 5 个带出处的真实故事，等我选。
2. 写 script.md（150 到 170 字）和 sources.md，等我确认。
3. 写 shotlist.md：一个想法一个镜头，复用 3 到 5 个场景。
4. 在 Blender 里分三遍搭场景：体块、打光、装饰，每遍出检查图。
5. 主角道具用 3D 做；角色用 SVG 零件变平面，纯色材质，加接触阴影。
6. 每个镜头先写表演说明，再做动画。
7. 我的声音 → 逐词时间戳 → 字幕 → 混音，用 earshot 检查。
8. 接触表加手机测试 → 评委检查 → 修最严重的 3 个 → 重复。
## 硬性规则
- 1080×1920，按尺寸渲染。只用真实的事实，每一条都要在 sources.md 里有出处。
- 不复制别的频道的角色、设计或脚本。
保存到 ~/.claude/skills/cartoon-studio/SKILL.md，用时直接说"用 cartoon-studio 做一集"。
第九部分：第一集怎么做
- 只做一集，别先规划频道。做完再决定。
- 选一个你本来就想讲给朋友听的故事。 如果它不能让你说出"真的假的？"，也就不会让陌生人停下滑动。
- 给整个过程计时。 记下故事、场景、角色、动画、配音、声音和评审各花了多久，第二集会告诉你第一集真正的成本。
- 文档和视频放在一起。 script.md、sources.md、shotlist.md、声音提示表和最终导出都放在同一个文件夹里，这个文件夹就是第二集的模板。
- 像观众一样看。 正常速度，手机上，开声音。再闭上眼睛听一遍。
- 看留存曲线，不是看播放量。 发布后看平台的观众留存图，那里能看到大家具体在第几秒离开。
合规和平台
这一部分决定频道能不能活得久。
- 学语法，不抄内容。 研究一个频道怎么构图、剪辑和做字幕，但绝不复制它的角色、设计或脚本。
- 做原创的每一集。 平台的变现政策针对批量生产的重复内容。每一集用真实故事、自己的声音和新场景，才不会落入那一类。具体以平台官方最新政策为准。
- 留意 AI 披露。 平台对"可能被当成真实"的内容有披露要求；明显不写实的动画一般不在此列，但如果有任何内容可能被误认成真实影像，就标出来。同样以官方为准。
- 事实必须是事实。 sources.md 不是形式主义。评论区里一个错误的日期，比任何渲染都更伤信任。
仓库清单
- mcp-for-blender：让 Agent 控制 Blender。
- blender-claymation-skill：Blender 黏土动画的 Skill，适合拿来学一个 Blender 技能是怎么写的。
- motion-design-skill：动效原则。
- gsap-skills：GSAP 官方技能。
- remotion skills：用 Remotion 合成视频。
- hyperframes：用 HTML 做视频的框架。
- earshot：给 Agent 用的声音工具。
- whisper：逐词时间戳。
评论（0）
还没有评论，来说第一句。