用 AI 做动画，难的往往不是做出一个好看的镜头，而是让 18 个镜头里的人、车、光线都对得上，耳机不会突然消失，出租车不会变成另一辆车。

Higgsfield 的一支传统动画团队，3 天做完了这样一段飞车追逐戏。他们的办法不是换更强的模型，而是把传统动画的老规矩搬过来：先做参考图、先做测试、复杂镜头先在 Blender 里预演，提示词按固定结构写。

这段戏出自他们正在做的 5 分钟动作喜剧短片《Passport Rush》：女孩到了机场才发现护照落在城那头，只好跳上出租车往回冲。团队成员进公司前都没碰过 AI，他们在新开的 YouTube 频道 Higgsfield Animation 第一期，用 28 分钟把从分镜到成片的做法、提示词原文和三次翻车都公开了。

先看做出来的样子：

想看完整过程，下面是 28 分钟制作分解的中英双语字幕版：

这支团队的整体思路可以用主持人 Amina 的一句话概括：他们想把 AI 放进动画流程，但不丢掉手艺。下面按他们实际的制作顺序讲：先分镜，再做资产，然后测试，接着写视频提示词，复杂镜头先进 Blender，最后是三次翻车和各自的解法。

画分镜时就决定：哪些镜头自己动手做，哪些交给模型

前期和传统动画一样，从点子、剧本、分镜开始。这一段他们想试的是：在动作戏里，3D 预演和 AI 能怎样配合。所谓预演（previs），就是正式制作前，用很简单的三维模型把动作和机位先走一遍，类似实拍前的走位排练。

区别在于，他们在分镜阶段就给每个镜头分好了路线。分镜格子上标了橙色的，走 Blender 预演；留空的，直接用文字生成视频。

分的标准很朴素：动作很具体、机位很讲究，或者用文字跟模型解释要花很久的镜头，进 Blender；动作简单的镜头，直接生成。换句话说，如果自己动手做一遍比用文字讲清楚更快，就自己做。他们是视觉艺术家，有些东西画出来、动起来，比写一大段话描述要省事得多。

另一个态度也值得一提：分镜只是参考，不是定死的。视频生成本身就难以预测，所以他们只锁住故事节点和主要场景，没有把每个镜头都规划到底，给意外留了空间，边做边调。

团队分工基本照搬传统动画管线，只是人少，每个人身兼数职。有一点比较特别：他们没有专职的提示词工程师。做角色的人写角色的提示词，做场景的人写场景的提示词，做动画的人写镜头的提示词，谁负责哪部分，谁就写那部分。

资产优先：参考图糊弄，整部片就糊弄

整条管线建立在一条规则上，他们叫它「资产优先」（asset-first approach）：图像输入的质量，决定整部片的质量。图像输入模糊、潦草、前后不一致，最后的片子也会潦草。

这里的「图像输入」，指的是角色设定图、道具设定图、场景背景这些图。生成视频的时候，它们会作为参考图挂进去，告诉模型每样东西长什么样。为此他们专门设了一个「资产管理员」（asset manager）的角色，负责让角色、道具、背景看起来属于同一部片、同一个世界。这份工作相当于传统管线里的美术指导。

这部片的美术方向是：风格化的 3D 角色，配水彩背景。在传统管线里，让这两种质感和谐地放在一起本来就不容易，这也成了这个项目最大的挑战。

角色：AI 出底稿，人来挑、来改

他们的项目周期通常很紧，有时只有一个月，所以角色设计是先用提示词生成几版初稿，再手工修改，以此节省时间。具体流程是这样的：

1. 写一句短需求，交给 Claude 扩写成完整的角色设定图提示词，里面写清外貌、服装、姿势，还有构图和打光。他们平时用 Claude，主持人也说其他 AI 聊天工具都可以。短需求到底有多短？视频里给司机写的是这样一句：

   Write a prompt for this character: an elderly heavyset man, short, round kind face… big fluffy grey mustache, round glasses in a thin gold frame… Outfit: burgundy short-sleeve polo, light blue jeans, brown leather sandals.

   也就是「给这个角色写一段提示词」，后面跟一段外形、一段服装。女主角的需求也是同样两段：红色长直发、翘起一撮呆毛、大眼睛向上看；宽大的浅蓝拉链卫衣、胸前红色字母贴、米色百褶短裙、脖子上挂白色耳机。构图、打光、背景这些都交给 Claude 补全。

2. 生成之前自己再过一遍，核对细节和设计是否一致，不对就改。这些选择直接影响出图结果，所以要把想要什么说清楚。

3. 在 Higgsfield 的 Cinema Studio 里，模型选自家的图像模型 Soul 2.0，贴上提示词，设好画面比例，一次出 4 张。

4. 挑图，并把几张里好的元素拼起来。

女主角的挑选过程很能说明问题。第一张好看，但有点太傻气，他们想要好笑，同时还得酷一点；第二张可爱，但太写实，他们要的是更夸张的五官和比例；第三张最接近，橙红头发在水彩背景前特别跳，可比例还要调，而且穿得太正式了，Amina 说自己去机场一般穿运动裤和最舒服的衣服。最终版把第一张的卫衣和运动鞋拿了回来，又加了一条短裙改善轮廓。

然后是手工修改，Amina 说这是「最好玩的部分」：

• 原图配色太灰，撑不起喜剧的能量，于是在 Photoshop 里提了亮度和饱和度。
• 在角色轮廓周围加几笔手绘颜料笔触，让角色带一点「混合」的质感，但主体仍然保持 3D。

主角定下来之后，其他角色照同一套方法做，比如出租车司机。挑司机的时候，有一版被直接淘汰，原因是设定图里每个视角的发型都不一样。设定图要拿去给视频模型当参考，各视角本身就对不上，后面的镜头也不可能一致，所以挑图时要先检查多视角是否统一。司机最后定的是一个圆脸、看着很和善的大叔，戴鸭舌帽、留大胡子，开起车来却完全不要命。Amina 说他是大部分动作戏的「驱动力」。他们在他的脸周围、帽子上、衣服上也加了同样的手绘笔触。这些笔触让两个 3D 角色看起来属于同一部片。

场景：水彩差点被放弃，最后救回来的是光线

场景也走同一套流程，只是多了一步：短需求 → Claude 扩写成完整的场景提示词 → 风格测试。这一段的场景是出了机场、通往市区的一条长长的高速公路，周围没有建筑。

场景给了他们最大的风格教训。他们本想做纯水彩画面，结果测试时显得脏、糊、没有灵魂。团队一度陷入死胡同，甚至认真讨论过放弃水彩、整部片往 3D 方向走。

他们没有马上放弃，风格测试时水彩和 3D 两个方向并行试，想找到两者之间的平衡。没用上的版本也有价值，它们帮团队更早排除了错误方向，在把美术方向带进后续生产之前就定了下来。后来发现，问题出在光线上：片子原本设定在正午，光线平，画面就扁。改成傍晚的暖光和又长又硬的阴影之后，画面的体积感和纵深一下子就出来了。

这个修正成了全片的视觉公式：场景图按水彩风格生成，到生产阶段再在视频提示词里加上黄金时段的光照。

他们也借此强调，前期就要把资产放进视频里测。这相当于传统动画前期给角色做的动画测试，不同的是，在这条管线里背景也要测。按 AI 的特性，背景会以意想不到的方式影响整个画面，道具也会被它带偏。

道具：只给反复出现的东西做设定图

出租车在片里戏份很重，他们把它当成一个角色来设计：要蹦、要有足够的挤压拉伸，还要跟车主的性格相配，Amina 形容这像马和骑手的关系。

出租车一开始做成了明显的水彩风格。当时给 Claude 的短需求是：「A watercolour drawing of an old yellow taxi. 3/4 front left view. Single car in frame. Rich watercolour washes with drips and highlights. Soft shadow under the car.」（一辆老式黄色出租车的水彩画，左前 3/4 视角，画面里只有这一辆车，浓郁的水彩晕染，带滴痕和高光，车底一层柔和阴影。）Claude 把它扩写成道具设定图的完整提示词，再用 Soul 2.0 生成。到了视频里，问题就来了：纹理像是没贴对地方，整辆车像一张 PNG 被拉伸着贴在 3D 模型上，看着很廉价。

反复试了很多次之后，他们总结出原因：厚重的水彩纹理，对模型来说是一大堆要在运动中维持住的信息；水彩道具再放到水彩背景上，负担就翻倍，每一帧里都有两层密集纹理在打架。解决办法是给车减负：车改成干净的 3D，水彩留在周围的世界里。

在道具这件事上，他们还有几条很实用的做法：

• 不是所有东西都做设定图。只有要在多个镜头里反复出现、必须前后一致的道具才单独做。比如有三辆卡车在不止一个镜头里出现，就各做了一张设定图；其余东西直接靠文字生成。一闪而过的卡车就保留了水彩风格，因为出镜时间短，不值得多花功夫。
• 改现有的图，比从头生成快。出租车定稿后，敞篷版和后座内景都是把主车设计图挂进 Seedream 5.0 Pro 改出来的。
• 用词要小心模型的字面理解。结尾爆炸的需求一开始写的是「蘑菇形爆炸」，模型真的生成了一朵冒烟的蘑菇。换成「nuclear blast」（核爆）之后才差不多，他们又手工加了手绘纹理，跟角色的笔触对上，这个爆炸最后进了成片。

正式开工前先测一轮，测出来的教训变成规矩

在前期和正式生产之间，他们专门留了一个测试阶段：把刚做好的资产直接丢进视频生成，看放到真实镜头里行不行。理由很直接：现在发现问题，改起来便宜；等到生产做到一半再回头改，就麻烦了。

测试的时候他们还没有任何规则，后来的规则大多来自这一轮的三个教训：

教训一：道具的纹理要减到多少。 就是上面水彩出租车的事。测试帮他们确定车身保留多少纹理，再把这个方向写进提示词，保证车的表面前后一致，不会在一个手绘风格的场景中间突然冒出一辆照片级真实的车。

教训二：画面里空着的位置，模型会自己塞东西。 他们在角色设定图做好之前就开始测车，所以车里一开始是空的。结果总有随机的路人出现在车里，参考图里没有，提示词里也没写。把角色放进去之后，这个问题就消失了。

教训三：先改光，别急着推翻美术方向。 有个同事随手在提示词里加了「傍晚光线」，想看看会怎样，画面立刻变暖、变深。于是低角度暖阳加长阴影成了他们一直沿用的方向。

他们带着这套光照设定，以及测过的车和角色参考图，进入了正式生产。

一个 4 秒镜头，为什么要写一篇作文

大多数时候，「生产」在这里就是一件事：用文字生成视频，把资产作为图像输入挂上去，平稳的镜头都这么做。这一步的关键是提示词。

他们的一个镜头提示词很长。Amina 自己也料到观众会问：谁会为一个 4 秒的镜头写一篇作文？她的回答是：你没写的每一个细节，模型都会替你决定，而它是个很糟糕的猜测者。

写之前有一条总原则：顺序很重要。模型像人一样从上往下读，读得越往后，照做得越松。所以提示词前 20% 的内容特别关键，最要紧的规定要放在最前面。

他们的视频提示词固定分成五块。下面用他们实际展示的一个镜头为例：一辆掀了顶的出租车在山路上狂飙，一个交警站在引擎盖上瞪着司机；司机一脚急刹，交警被甩飞出去，背朝前落在远处同事的摩托车后座上。

第一块：场景与风格

用大白话写清这个镜头发生了什么，同时写上风格规则和这个世界的物理规律。

值得注意的是开头第一段塞了多少信息：风格化 3D 动画片段、闹剧式动作喜剧，2 个镜头、1 次硬切，每个镜头一镜到底，实时速度、不要慢动作，动画按「一拍二」来做（每个关键姿势正好停 2 帧，姿势到姿势，不要糊成一片的补间），应用完整的动画十二法则，16:9，总长 6 秒，每个镜头各 3 秒。这些最容易被模型自由发挥的东西，全都锁在了最前面。

第二块：参考图说明

挂进去的每一张图、每一段视频分别是什么，要逐条交代清楚，像剧组的通告单一样。不交代清楚，模型又会开始猜。

这一块有两个要点：

• 可以写性格和质感，但不要写外观描述，外观交给参考图。从截图看，他们实际还是写了一些关键识别特征，比如出租车车牌「667」、车门上圆圈里的「T」、「车顶保持被掀掉」，用来防止模型把关键细节画错。
• 每一条后面都加一句 「100% matches the reference」（与参考图 100% 一致）。Amina 说，一致性就靠这一句撑着。

第三块：镜头结构

按硬切把镜头分开，每个镜头单独一段，一拍一拍地写动作和时长：先发生什么，接着发生什么，每个动作持续多久。这相当于把分镜格子写成文字。

他们的写法有一个很清楚的套路，每个镜头都按四层来写：

• 镜头任务：这个镜头要交代什么（速度、急停、猛地甩向画面深处）。
• 机位：非常具体，比如「离地约 25 厘米，就在左后轮后面，轮胎和挡泥板占满左侧前景，沿车身略微向上看，跟车刚性固定，只有细微的路面震动」。
• 首帧：第一帧画面里每样东西在哪、什么状态，比如交警站在引擎盖上怒瞪司机、女主角的头发在后座上方飘、远处右下角是骑摩托的另一个交警。
• 动作时序：精确到拍子，比如「第 1 拍（约 1.1 秒）全速行驶……第 2 拍（约 0.15 秒）刹车咬死，同时交警被甩出……」。

第四块：锁定与约束

视频模型很爱自己加戏，约束的作用就是把它拉回来，规定它必须严格遵守的东西。约束因项目而异，但有一条他们每次都写：不要音乐，只要音效（no music, SFX only），因为音乐会给后期添麻烦。

从截图看，他们的约束写法有两个特点。第一，它把整个动作从头到尾再用「必须」的口吻复述了一遍，每个角色、每件道具都挂回对应的参考图编号。第二，它把最容易出错的地方写死了：司机和女主角都不能离开座位，车顶保持被掀掉的状态，只允许细小的非语言哼声，不要音乐只要现场声，不要文字、logo 和字幕。

第五块：动画原则

动画十二法则在提示词里单独占一段：挤压拉伸、预备动作、跟随动作等等，要求全部应用。Amina 坦白说，模型并不会每一条都稳定照做，但写上之后，动作确实更接近他们想要的感觉。

空间复杂的镜头，再加一块「位置地图」

口播只讲了上面五块，但视频里展示的另一条提示词（后面会讲到的车内扶手镜头）还多了一块 LOCATION MAP（位置地图），专门写空间关系，比如「摄像机在出租车车厢里，架在前排座椅那里，朝后看向整条后排长椅……」。车厢这种空间窄、人和物挤在一起的镜头，模型最容易把位置搞乱，这一块就是把机位和布局先交代清楚。

同一条提示词里还有一种写法值得学：把因果关系写死。他们写的是「她从不故意去拽扶手，也不抓着扶手稳住自己，是车左右急甩的惯性把扶手从底座上扯下来的」，还规定扶手掉下来之后保持原来的设计，「不会变成绳环、横杆、绳子、栏杆、钩子或其他任何东西」。模型会自己补全「扶手为什么断」「断了之后长什么样」，如果不写清楚，它很可能让角色主动去拽，或者把扶手画成别的东西。

结构写一次，全组共用

不用每次都从头打这些字。他们把这套结构交给 Claude 写成一个技能，也就是一份系统提示词，之后每个镜头的提示词都从它开始。团队内部共用同一份系统提示词，所以每个人写出来的提示词结构大体一致。

如果你想套用，这套结构可以浓缩成下面这个模板（按他们的五块结构整理，尖括号里换成自己的内容）：

【场景与风格】
<片型与风格>，<基调>。<N> 个镜头，<硬切 / 一镜到底>，实时速度，不要慢动作。
<这个世界的物理与风格规则>。<画幅>，总长 <X> 秒：镜头1 = <a> 秒，镜头2 = <b> 秒。
场景：<用大白话写这个镜头发生了什么>

【参考图说明】
<<<image_1>>> — <身份：场景 / 角色 / 道具>，<性格或质感；必要的识别特征>。100% matches the reference.
<<<image_2>>> — ……
<<<video_1>>> — 只用于运镜、动作节奏和时机，不复制它的外观。

【镜头结构】
镜头1 — <标题>（<秒数>）
镜头任务：<这个镜头要交代什么>
机位：<高度、位置、朝向、是否跟随>
首帧：<第一帧里有什么、各在哪>
动作时序：第1拍（约 x 秒）— …… 第2拍（约 y 秒）— ……
硬切。
镜头2 — ……

【锁定与约束】
所有角色与载具设计与参考图 100% 一致。<谁不许动 / 什么必须保持不变>。
No music, SFX only. No text, no logos, no subtitles.

【位置地图（可选，空间复杂的镜头用）】
摄像机在 <<<image_N>>> 的 <具体位置>，朝 <方向> 看；<人和物体的相对位置>。

【动画原则】
Full 12 principles applied: squash & stretch, anticipation, staging, follow-through & overlap, ease in-out, arcs, secondary action, timing, exaggeration, appeal.

复杂镜头：Blender 灰模管怎么动，参考图管长什么样

回到分镜上那些橙色标记。以最难的一个镜头为例：出租车被两辆并排的卡车堵住，没路可走，于是侧身翘起两个轮子，从两辆卡车中间的窄缝挤过去，出来后再四轮落地。

这类镜头的做法分几步：

1. 看分镜，确认顺序：接近缝隙，侧翻到两个轮子上，挤过去，完全出来后再落地。一切发生得很快，所以这个顺序必须一眼就能看懂。
2. 在 Blender 里做动作和运镜。这是动画师最开心的环节：什么时候开始倾斜、两轮着地多久、落地后怎么晃回来，都可以反复调；摄像机还要跟上动作又不能丢掉主体，也在这里跟动画一起调。他们还给轮子加了一点挤压拉伸，刚好去掉僵硬感，让车有点「性格」。预演帮他们锁住了两样东西：机位和时机，后者尤其重要。

3. 导出朴素的灰模预览：不要颜色、不要材质，只保留灰色几何体、运动和摄像机。这个阶段它只负责展示运动和构图，外观由参考图提供。

4. 在 Higgsfield 里组装：把灰模预览作为视频输入挂上，再挂出租车、两辆卡车、角色、公路和光照的参考图，然后用 Claude 按上面的五块结构写提示词，说明每个参考的用途：视频管运动和镜头，图片管外观。从面板截图看，具体设置是：生成模式选 References（参考），挂进去的素材按顺序编号，提示词里用 @Video 1、@Image 1 到 @Image 8 指代；画面 16:9、1080p、时长 7 秒，一次出 4 条。

   你可能注意到，前面讲五块结构时截图里写的是 <<<image_1>>>，这里面板里写的是 @Image 1。视频没有解释两者的关系，但都是同一个作用：给每个挂进去的参考一个编号，让提示词能点名指代它。照着做时，按你所用工具的引用语法写就行。

从面板上能读到他们这个镜头提示词的几句关键写法：把原视频里的车换成 @Image 1 里的小车，把两辆卡车分别换成 @Image 2 和 @Image 3 的半挂车；原视频里的环境一样都不保留，整个场景按高速公路重建；光照和氛围参照 @Image 4，太阳方向严格对齐 @Video 1；@Video 1 只用来提供运镜、节奏和太阳方向，不要复现它的多次剪切。面板底部的模型选择器显示的是 Seedance 2.5，这一点口播里没有提到。

5. 把最容易出错的细节写死。比如两个角色都要一直坐在座位上，出租车要等完全离开卡车之后再落地。不写的话，画面会一直出问题。
6. 生成后对照预演检查：时机、机位，以及车和角色是否还符合设计。这一个镜头都对上了。

下面这段对比能直观看出「灰模管运动、参考图管外观」是什么意思：上半是分镜或 Blender 预演，下半是最终生成的画面。

简单的镜头就跳过 Blender，直接从文字生成视频。检查和调整的方式一样，只是不需要这一道预演。

三次翻车，三条排查规则

这一段有 18 个镜头，Amina 挑了三个多花了功夫的讲。前两个最后解决了，第三个没有。

模型看不懂你的参考？把镜头拉远

有一个镜头，女孩就贴在卡车门边。他们已经在 Blender 里做好了参考，但怎么生成都不对。

后来发现，Blender 预演里的机位离动作太近了。他们自己看着没问题，因为清楚每块灰色是什么；但对模型来说，没有纹理、没有五官，画面大部分是大块灰色形状，周围环境几乎看不到，它就很难判断人和物体的位置关系。

他们回 Blender 把镜头往后拉了一点，露出更多场景，动作也更好认，下一次生成就对了。规则一：如果模型看不懂你的参考，很可能是你给它看的范围太小，拉远一点。

只为定构图加的截图，也要检查

另一个镜头里，女孩把两条安全带在胸前系成一个 X。他们本以为很简单，因为早先的测试已经成功过。但那些测试用的是早期角色设计。换上最终设计、提示词和其他参考都不变，再生成时，机位每一次都在变，想要的构图怎么都稳不住。本来只想更新一下角色外观，结果又得花时间把机位重新调对。

他们的办法是：从之前机位正确的几次生成里截图，作为参考图挂进去。构图确实稳住了，但新问题来了：每一次生成里，女孩的耳机都不见了。

回头看那张截图，原来截图里本来就没有耳机。他们当时只盯着机位选图，漏了这个细节。角色设定图上有耳机，截图上没有，模型收到的参考互相矛盾。

解决方法是把截图和角色设定图对齐：在 Photoshop 里打开截图，手工把耳机画回去，再用这一版做参考。下一次生成，耳机回来了，机位也还是对的。

规则二：检查所有参考图，包括只为构图加进去的那几张。

细腻的表演，比大场面难得多

最后一个是 Amina 最喜欢的镜头，可惜到现在也没做成，没能进成片。

这是出租车里的一个小笑点：一片混乱中，女孩抓住车顶的扶手，扶手被她扯了下来；她慌了，去抓另一个，那个也断了。看分镜的时候他们一点都不担心：连飞来的原木和爆炸都做了，两个扶手断掉还能难倒人吗？

结果这个镜头很容易被低估，因为它需要盯住最细小的细节。

• 道具一致性：扶手装在哪、怎么掉下来、被她抓在手里时是什么样子，都得在提示词里描述清楚。
• 表演：她要在慌乱中抓住第一个扶手，然后愣一下，意识到断了，再去抓另一个。笑点全靠这个小停顿，他们作为动画师很清楚这一点。

纯文字提示词做不出这个停顿，他们就转向 Blender，想自己把表演做出来当视频参考。这条路也不顺：灰色的简单角色做出来的表情和手部动作，在生成结果里传达不出来；想加更多细节，模型又开始照搬 Blender 里的几何形状，不按角色设定图来画她了。

他们把这叫做「表演鸿沟」（performance gap）：知道她该怎么反应、该在哪里停顿，却做不到既拿到想要的表演，又在 AI 生成的镜头里保持她的最终角色设计一致。

最让他们意外的，是一个用传统方法做起来相当直接的镜头，竟然这么难。他们原以为大型动作戏会更难，结果发现 AI 吃力的反而是细腻的角色表演。规则三：细微的表演瞬间，要尽早测试。

这套流程现在走到了哪一步

回头看，这支团队做的事情，本质上是把传统动画管线里的环节一个个保留下来，再判断每个环节里哪一部分交给模型：

• 人负责的：分镜与路线判断、角色和场景的取舍、手工修色与笔触、Blender 里的动作和机位、所有参考图的核对、最终的检查。
• 模型负责的：扩写提示词（Claude）、生成设定图（Soul 2.0）、改图（Seedream 5.0 Pro），以及在参考图和预演约束下生成视频。

18 个镜头用了 3 天，速度确实快。但整部片还在制作中，他们也说自己还没解决每个镜头。整片做完后，他们会公开完整的制作数据：总共生成了多少次、花了多少钱、整部片做了多久。这些数字现在还没有，所以「3 天」只能说明这一段的节奏，还不能换算成整部片的成本。

对想用 AI 做动画的人来说，这个案例最有价值的是那些具体的判断：参考图的质量决定成片质量，纹理要给运动留余量，先改光再改美术方向，提示词最要紧的放在最前面，模型看不懂就拉远，每一张参考图都要查，而细腻的表演至今仍是 AI 的短板。