六種影片，三個生成模型

2026 年 9 月底，我照 X 上幾則分享，用 AI 做了六種影片，每種都寫了製作筆記（連結在文末）。影片都嵌在講到它的段落裡：

• 投影片教學片：網頁投影片配電腦念稿，10 分 23 秒
• 手繪白板片：程式一筆一筆畫線，旁白用我的聲音，67 秒
• 自我介紹：程式做的動態圖卡，38 秒
• 角色動畫：卡通角色演一段 15 秒的故事，配了三種音樂
• 卡點短片：畫面跟著音樂的拍子換，58 秒
• MV：Suno 作歌，生成模型生成舞蹈，2 分鐘

另外試了三個直接生成影片的模型：LTX-2.5、MiniMax H3、Seedance 2.5。

AI 現在做得到什麼

寫程式的 AI：一支片從頭做到尾

Claude Code、Codex 這類會寫程式的 AI，已經能把一支片從頭做到尾：讀參考文章、寫腳本、寫繪圖程式、叫生圖模型畫插畫、作曲、念旁白、輸出影片。

白板片就是這樣做的。AI 讀完一篇別人的文章，寫好旁白和每一段要畫的東西，用語音模型（IndexTTS 2）學我的聲音念旁白，再用程式一格一格畫出來。

工作能拆開，AI 就能同時做：投影片教學片的 18 章由 6 個 AI 分頭做，再接成一支。

生成模型：一張圖或一句話，生出 5 秒

生成模型不寫程式，直接生出畫面。給它一張圖當第一格，再用一句中文說要怎麼動，就能生出 5 秒的片段。

下面三支都在家裡的 RTX 3090 上跑，聲音也是一起生出來的。前兩支用同一張圖、同一句「咬嘴唇 看左看右 手撩頭髮」，分別是 LTX-2.5 和 H3；第三支是 H3 換一張圖、換一句「慢慢抬起頭看向窗外，陽光灑在臉上，髮絲輕輕飄動」：

影片最難的是前後連得起來：同一張臉、合理的動作、光線不亂跳。前兩支裡，H3 鏡頭不動、臉沒變；LTX-2.5 自己推了鏡頭，臉型和髮色有幾格跑掉。

不給第一格也行。Seedance 2.5 只拿到一句英文：黑貓管家在陽光下的書房倒紅茶，鏡頭慢慢推近，要聽得到瓷器輕碰的聲音：

Grok 生影片時，預設也會連配樂一起生，一段 10 到 15 秒。

LTX-2.5 和 H3 用官方範本，範本自帶的設定沒動；我寫的只有那一句中文。

生成模型一次只給 5 到 15 秒，好幾段之間的配樂接不起來。它生的是素材，整支片還是要靠程式接起來。

做不到的地方

下面五件事，每件都有一個讓它現形的例子：

• 聽不見。 白板片每句話頭尾都有「喀」一聲，AI 的自動檢查全部通過。聲音要靠人耳聽，或另外寫專門量聲音的檢查
• 不會開口要素材。 自我介紹有一版一張圖都沒有，全用程式畫，拿來參考的原版有 11 張 3D 圖。AI 沒說「素材不夠會不好看」，照樣交出來。素材要先備好給它
• 自己的回報不能全信。 一個 AI 回報做了 1 個動畫，另一個 AI 去量，是 0 個。要由另一個 AI 或工具重新量
• 生成模型只用它當下拿到的東西。 生成舞蹈時沒給歌，事後怎麼調時間都救不回來：兩支把舞步移到拍子上的程式，都通過了自己的測試，舞還是沒踩上拍。給參考影片，它學到的是長相，不是什麼時候該動：卡點短片給了原片當參考，跟拍子的程度從 12 倍掉到 6 倍（各做一支）
• 預設是簡體字和大陸用語。 打字畫面預設拼音、畫面文字預設簡體，要明講才改

畫面怎麼動起來

影片是一張一張的圖，快速換過去就會動。每支片都要決定三件事：畫面從哪來、跟著什麼時間走、怎麼輸出成檔案。三件事可以各自混搭。

畫面從哪來

畫面有三種來源，同一支片可以全部用上：

MV 就是三種混用：Grok 畫角色，H3 和 Grok 生成舞蹈，Python 把人剪下來，照著身體的位置畫上線條和火花，再照拍子換鏡頭。

自我介紹是程式畫的例子：黑貓角色是生圖模型畫的，圖卡的位置、大小和透明度都由 Remotion 一格一格算。

跟著什麼時間走

畫面和聲音要對得上，就得共用同一份時間表。時間表的來源有四種：

旁白。 先把旁白念好，量出每段念了幾秒，再把畫面排進那段時間。白板片的筆畫排不下時，先借下一段開頭的時間，再不夠就整段加速，最快 3 倍。畫面是照著聲音排出來的，不是事後剪到對齊的。

自己排的拍子表。 卡點短片選每分鐘 120 拍，每秒 30 格時一拍剛好 15 格，每一拍都落在整數格上。一張拍子表同時決定音效放哪、畫面什麼時候動。

角色動畫的每個動作也對準 120 拍，所以動畫做完，再配哪一種音樂都對得上。同一支 15 秒的動畫配了三種：

一首現成的歌。 MV 的歌速度從每分鐘 134.5 拍慢慢飄到 137.5 拍，固定間隔的格子會越差越多，所以用程式把 271 個拍子一個一個找出來。

生成的舞要踩在這首歌上，生成時就要把歌給模型：

模型自帶的配樂。 Grok 的舞配的是它自己的音樂，踩不踩拍要看運氣，得多生幾段挑出踩拍的那段，也就是抽卡。15 秒以內的短片，可以直接把人剪下來換背景，Gorden Sun 就這樣做了一支。要更長，每段自帶的音樂接不起來，可以把其中一段丟進 Suno 延伸成完整的歌，再用這首歌當時間表。

怎麼輸出成檔案

輸出只有兩種，取決於動畫聽誰的時鐘：

• 跟著瀏覽器的時鐘：只能即時錄影。 CSS 動畫照瀏覽器自己的時間跑，不會等人。投影片教學片試過一格一格拍，太慢；少拍幾格，又拍到動到一半的畫面，最後改成照正常速度錄影
• 問「現在第幾格」：可以逐格算。 Remotion、Canvas、SVG、WebGL 和 Python 的畫面，都是程式問「現在第幾格」，再把那一格畫出來。每一格互不相干，所以可以慢慢畫，也可以同時開好幾個瀏覽器分頭畫

生成模型的片段，進到逐格算這一步當素材：MV 的每一格都先剪出人物、找出身體的 33 個點，再畫特效。

要花多少錢和時間

錢：生成按秒算，程式畫的片算 AI 用量

生成影片的價錢，換算成每秒（2026 年 9 月）：

Grok 照定價頁算是 0.80 美元，實際扣了 1.41，差額原因沒查到。

一支 2 分鐘的 MV，全用 H3 付費生成約 9.6 美元，全用 Seedance 約 29 美元。這支 MV 改用自己的顯示卡和 Grok 訂閱生成，沒有另外付錢。

程式畫的片沒有按秒計價，花的是 AI 寫程式的用量。MV 合成程式之前先做了一支 10 秒的測試片，同一份規格，照 API 價換算，Codex 用了約 1.14 美元，Claude Code 約 6.68 美元。平常用訂閱方案就包在月費裡。

整個實驗另外付的錢一共約 3.44 美元：比較 Grok 和 H3 付費生成的 2.25 美元（含一張角色圖 0.04 美元），加上 Seedance 1.19 美元。訂閱月費、顯示卡和電費沒算進去。

時間：看輸出方式

• 即時錄影：片多長，就錄多久。10 分 23 秒的投影片教學片，錄 10 分 23 秒
• 逐格算：格數 × 每格要畫多久 ÷ 同時開幾個瀏覽器。卡點短片 1755 格、開 6 個瀏覽器，約 5 分鐘；白板片 67 秒、開 4 個，21 秒畫完。每格要畫多久看畫法：角色動畫的手繪筆刷在 M4 Mac 上一格 0.27 秒，電腦忙的時候拉長到 1.9 秒
• 生成：RTX 3090 上生一段 5 秒，LTX-2.5 約 80 秒，H3 約 110 秒；Seedance 在雲端 191 秒；H3 付費 API 生 10 秒約 3 分半

這些都是同一台機器量一次的數字，電腦同時在跑別的東西時會慢很多。

想做哪種片