10 月 8 日,Anthropic 发布了 Claude Motion:在对话框里说一句「把这份季度报告变成 30 秒动画」,Claude 就会生成一段可编辑的动画,能改字、改数字、改节奏,导出 MP4。
发布会稿子里有一句话,大多数人扫一眼就过去了,但它其实是整条新闻里最重要的信息:
Motion 不使用视频生成模型。
没有扩散模型,没有算力抽卡,没有 AI 生成的画面和人脸。Claude 写的是代码——代码驱动文字、图表、图形、图片动起来,渲染器逐帧计算,ffmpeg 合成。
半个月后,10 月 26 日,一篇名为《VibeVideoBench》的论文挂上 arXiv(编号 2610.35864),第一次给这条路线立了系统性的标尺。论文作者名单来自北京邮电大学、北京大学、吉林大学等机构——还有 可灵(Kling)团队。
这个细节值得停一下:可灵是全球头部视频生成模型,而它的团队参与了「不用视频生成模型」这个方向的基准评测。头部厂商亲自给另一条路线量身材,等于官方盖章:AI 视频从来就不止一条路。
一条是大家熟知的:扩散模型「拍」视频——Sora、可灵、Veo,输入提示词,模型从噪声里「想象」出画面。
另一条正在 2026 年快速工业化:智能体「画」视频——AI 写代码,你的机器逐帧计算每一个像素,ffmpeg 合成成片。不抽卡、可修改、可复现,钱只花在 token 和电费上。
这篇文章把第二条路线讲清楚:它是什么、怎么做到的、为什么偏偏是现在爆发、以及它做不到什么。
一、原理:帧是时间的纯函数
代码驱动视频的核心思想只有一句话,Remotion 的官方文档写得最干净:视频是图像关于时间的函数。
给函数一个时间 t,它返回那一帧画面。第 0 秒是什么、第 412 帧是什么,完全由代码决定——不依赖墙上的时钟,不依赖「播放到哪儿算哪儿」。
这条「纯函数」纪律带来三个别人给不了的性质:
- 确定性
:同样的代码跑一百遍,输出的每一帧像素都相同。扩散模型做不到——seed 复现在多数平台跨硬件即失效,Runway 2025 年 11 月的文档承诺是极少数例外。 - 可寻址
:可以精确跳到第 412 帧看细节,改第 3 幕的一个字,第 1 幕一帧都不用重渲。 - 可并行
:每一帧相互独立,可以扔到几百台机器上同时渲染。
具体到动画怎么「动」,用的是动画行业几十年前的老三样,只是从时间轴拖拽变成了写参数:
- 关键帧
:只定义几个关键时刻的状态(开始、结束、转折点) - 插值
:引擎按比例计算中间帧——Remotion 里一行 interpolate(frame, [0, 30], [0, 1])就把帧数映射成了透明度 - 缓动
:插值之所以好看,是因为它不均匀——ease-out 先快后稳、back.out 过冲回弹、bounce.out 落地弹跳。动画的「手感」全在这里
理解了这三样,就理解了所有「魔法」。剩下的是工程流水线,六步,所有路线通用:
你描述视频 → 模型写出场景代码(HTML/React/Python/Blender 场景)→ 你的机器逐帧渲染成图 → ffmpeg 合成 MP4(配上配音和音乐)→ 检查关键帧 → 发布。
整个过程中唯一一次「生成模型」的使用,是第一步里那个写代码的语言模型。画面本身,是计算机一笔一笔画出来的。
二、为什么是现在:三个信号叠在同一个月
这条路线的想法不新——Remotion 2021 年就有了,Manim 更早(3Blue1Brown 的数学动画就是它写的)。新的是三件事在 2026 年秋天同时发生了。
信号一:产品化。 10 月 8 日 Claude Motion 进入 beta(Team/Enterprise 套餐,最低两席每月 50 美元)。它做的事,本质是把社区手工攒了一年多的流水线——描述 → 生成 → 编辑器里改 → 导出 MP4——包装成了人人可点的按钮。官方帮助文档说得很直白:Motion「不生成真实影像,也不生成人」。
信号二:工具层就位。 HeyGen 4 月把 HyperFrames 开源(Apache 2.0,口号就一句话:「写 HTML,渲染视频,为智能体而生」),据第三方统计星标已到 7 万上下;Remotion(React 写视频,GitHub 62,369 星)官方放弃 MCP、全面转向 Agent Skills,把定位改成了「为智能体时代而生」;连 DaVinci Resolve 21.1 都配了 MCP 服务,Blender 的 MCP 项目星标 1.3 万。再往前追溯,Webflow 收购 GreenSock 后 GSAP 在 2024 年秋全部免费——「高级动效」的门槛也被拆了。
信号三:学术层定价。 VibeVideoBench 用 239 个任务(中英双语,覆盖数据故事、音乐驱动、课堂教学、论文讲解等 12 类)、9 个前沿智能体、2151 次评分运行,第一次量化了这条路线的真实水位:最强系统(GPT-6 Astra、Claude Opus 5.5 分列前二)在 76.3% 的任务上满足全部核心要求。
背景里还有一个更能说明问题的文化信号:开发者 Simon Willison 多年来用同一个请求测试新模型——「生成一张鹈鹕骑自行车的 SVG」,然后追加一句「让它动起来」。这个玩笑式的基准流传之广恰恰说明:「模型靠代码画画并让它动」已经变成了普通人能感知到的能力跃迁。
三、分水岭:它和扩散模型各赢在哪
把两条路线摆在一起,胜负手非常清楚:
|
|
|
|
|---|---|---|
|
|
碾压级优势 |
|
|
|
|
像素级精确
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
有从业者把这套对比总结成一句话,我觉得是全年最准的概括:扩散模型在「长得像真的」上碾压代码动画;在「说得清、改得动、复得刻、花得少」上全面落后。
另一个说法更短:代码会画,不会拍。 想要一张具体的、真实的人脸,两条路目前都不通——代码画不出来,扩散模型的一致性和版权又是另一摊麻烦。真实的工业解法是混合管线:扩散模型出实拍感素材,代码层做文字、图表、合成与节奏控制。
而「屏幕上的字永远是对的」这一条,对中文内容尤其致命地重要——用过 AI 生图的人都体会过封面图上那些似是而非的乱码汉字。代码路线从根上没有这个问题:字就是代码里的字符串。
四、「一句话生成」的真相
2026 年下半年,社交网络上流传大量「一句 prompt 让 Claude 生成 After Effects 级动效」的展示视频:动态排版、3D 运镜、流体转场,看起来动效师要失业了。
有人去翻了这些项目的仓库,结论值得每个被 demo 心动的人细看:
-
所谓「一句话」,背后的技术需求文档约 9500 字符——精确的贝塞尔缓动参数(cubic-bezier(0.16, 1, 0.3, 1))、坐标网格、字体间距规则、品牌色号、逐幕逐毫秒的脚本 -
智能体迭代时间超过 12 小时——递归调试渲染错误、修复断掉的 SVG 路径、对齐帧时序 -
真实技术栈:Remotion + React + Three.js + Canvas + FFmpeg
把 9500 字的蓝图和 12 小时的施工折叠成「一句话」,是这类内容一贯的叙事方式。能力是真的,门槛也是真的——只是门槛被剪辑掉了。
五、智能体在里面干的活:一个人干了四个人的
把镜头拉近看单次生成,语言模型在这条流水线里同时扮演四个角色:
- 导演
:出分镜、定节奏、定风格——哪个场景几秒、先出什么后出什么 - 美术
:用 SVG/Canvas/Three.js 画元素——几何图形、图标、图表,甚至用 Web Audio 合成简单配乐 - 程序员
:写时间轴、缓动曲线、数据绑定、物理公式——前面说的关键帧插值都是它在干 - 质检
:这是最容易被忽略的一环——智能体会在渲染循环里自己截帧看图、读报错、修一轮再渲染,等交给你看的时候,它已经自查过好几遍了
而人的角色收缩为两件事:制片人(给素材、给数据、定需求)和审片人(看片、提修改)。
想自己跑一遍的话,最小可行路径比想象中短。以 Remotion 为例,官方的 Claude Code 指南给出了九步:装 Node.js 和编码智能体 → npx create-video --yes --blank 建项目 → 安装 Agent Skills → 开 Studio 预览 → 另开终端启动智能体 → 把截图和素材放进项目目录 → 写需求(一幕一个信息点,先写开头和结尾的旁白,再补中间)→ 渲染前 90 帧测试 → 全量出片。
两个从实践里长出来的经验:改片时不要说「感觉不对」,要拖到具体那一帧、报帧号;第一版只做五秒一个场景,看过再写下一幕。
六、最意外的失败模式:不是画不出来,是没交上片
VibeVideoBench 最有价值的发现,不在排行榜,在失败原因里。
规则是:每个任务限时一小时,沙盒里 8 个 CPU、没有 GPU、没有任何图像或视频生成模型,必须交出一个带声音的可播放 MP4。交不出片,所有检查记零。
结果,在丢失的视频里,约四分之三的原因是同一件事:最终渲染开始得太晚、跑得太慢、或者根本没开始。
也就是说,智能体不是不会画——它能写出整个渲染管线、能自己截帧检查画面——它输在「怎么规划这一个小时」:前面生成和调试花太久,导出没排上时间。这是一个纯粹的工程管理问题,而不是能力问题。
论文还有个反直觉的结论:智能体检查帧数的频率,和成片质量不相关。「看得多」不等于「画得好」。
这对所有想做这条路线的团队是个直接的实操提醒:管线里最值得人工干预的环节,是时间预算和导出排期——先渲染低帧率草稿确认节奏,再全量出片;把检查关键帧的预算花在刀刃上。
七、七条技术路线:按你要的视频选
这套生态已经足够成熟,成熟到可以按「你要做什么」来选工具:
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
几个选型时的现实提醒:
- 许可证
:Remotion 对个人和三人以下团队免费,公司(4 人以上)每月每席 25 美元、渲染即服务另有计费;HyperFrames 用 Apache 2.0,明确「无单次渲染费用、无商用门槛」。预算里要写清楚。 - 中文是 Manim 的长期痛点
:ctex 配置、编码报错、中英混排基线错位,issue 一长串。做中文内容优先考虑 HTML 系路线(HyperFrames/Remotion),浏览器排版中文最省心。 - Motion Canvas 核心仓库自 2024 年 12 月后没有发布过版本
,新项目要么接受社区 fork(Revideo 补了无头渲染和 API),要么直接选 Remotion/HyperFrames。
八、它改变的是哪一批人的成本结构
回到内容产业。这条路线真正冲击的不是电影、不是短剧——真人影像是扩散模型的领地,代码进不去。它冲击的是「解释型视频」这个巨大而低调的品类:
-
数据故事:财报解读、行业盘点、榜单视频——数字必须准确,改版是常态 -
课程与讲解:公式、图表、步骤演示——知识类内容的主体 -
歌词视频、字幕视频:文字与音乐帧级对齐 -
电商与营销:一套模板 × 商品数据库 = 每天几百条不重样的视频 -
企业内部:季度汇报动画、产品引导、培训材料——Claude Motion 官方示例全部落在这一类
还记得前几天写 AI 短剧账本时的数据吗:AI 微短剧 98.7% 半年内不回本,算力成本一年涨了 4 倍。那条产业链的痛点是「生成太贵、抽卡太多、废片率太高」。
代码驱动视频恰好是账本的另一端:没有抽卡,废片为零(不满意的帧直接改代码),边际成本接近电费。 对于知识类、图表类、批量模板类内容,它是比「文生视频」便宜一到两个数量级的方案——代价是画面永远「不像真的」,而这恰恰是知识内容不需要的东西。
再往深一层:当视频变成代码,「视频」第一次获得了软件的全部工程能力——版本管理、代码评审、自动化测试、可复现构建。HeyGen 开源 HyperFrames 时说的就是这个:视频第一次可以像软件一样地开发。 一套品牌动效模板从此是可共享、可交易、可复刻的资产,而不是某个剪辑师硬盘里的工程文件。
九、给你三个判断
两条路线会长期并存,不是替代关系。 扩散模型负责「像」,代码负责「对」。判断你的内容属于哪个阵营只看一个问题:画面里的文字、数字、图表必须精确吗?必须——走代码;必须像真人实拍——走扩散;两者都要——做混合管线,这也是 HeyGen 官方给 Motion 结果预留 Adobe/Runway/HeyGen 出口的用意。
门槛在「需求文档」,不在代码。 模型写代码的能力已经够用(最强系统 76.3% 全达标,Claude Opus 5.5 在项目页口径下 239 个视频全交付、程序检查通过率 99.6%),稀缺的是把需求写成 9500 字技术脚本的能力——分镜、时长、缓动、色号。换句话说:这个赛道缺的不再是会剪视频的人,是会把视频写成规格的人。
跟踪两个数字就够。 一是 VibeVideoBench 的全达标率(现在 76.3%,何时过 90% 意味着「无人值守出片」成立);二是失败构成——四分之三的失败输在导出时间管理,这说明管线成熟度还差最后一步,谁先把「时间预算」做成默认策略,谁就先把这条路线做到可用。
十三年前,程序员把「写代码」当苦差;2026 年,写代码成了 AI 画画的方式。
视频行业的下一次洗牌,未必发生在更逼真的模型里——可能发生在一份 9500 字的技术脚本里。

