- Seedance 2.5、Kling 3.0、Veo 3.1 这一代模型画质已经够强，短板在空间一致性：多镜头之间运镜漂移、角色走位对不上。
- Blender 灰盒预演补的是导演能力：用立方体和圆柱体搭场景、精确摆相机，渲染一段低质量参考视频交给模型复刻。
- 这条思路 2023–2024 年的 ControlNet 图生图时代已经存在：Blender 渲染深度、姿态、线稿图逐帧控制 Stable Diffusion，现在升级为整段参考视频。
- Seedance 2.5 官方支持 motion reference，单次生成 30 秒、最多 50 个参考输入；Kling 3.0 与 Veo 3.1 也有对应的多参考机制。
- 标准工作流四步：灰盒搭建、相机与关键帧、低质量渲染、参考视频加首帧喂给模型。
- 边界同样明确：单角色单机位直接图生视频更快；约束给得越多，模型的“生成魔法”越少。
AI 视频模型缺什么：会画画，不会当导演
这一代顶级模型的画质已经不是问题。字节的 Seedance 2.5 支持单次生成 30 秒、原生 4K 加同步音频，最多接受 50 个多模态参考输入；快手 Kling 3.0 在动作物理和多场景叙事上口碑很好；Google 的 Veo 3.1 提供名为 Ingredients to Video 的参考生成机制。单看一个镜头，光影、材质、人物质感都已经是电影级。
问题出在镜头之间。这些模型没有持久的 3D 空间记忆——镜头怎么走、角色三秒后站在哪、两个镜头之间的空间关系是否连续，模型每一次都要重新猜。AI 影视平台 Flick 在 Blender 拍摄指南里把这概括为一句话：模型是出色的渲染器，但很差的导演。结果就是创作者熟悉的体验：单镜头好看，一接就漂，想要的推轨、环绕、手持抖动做不准，只能一遍遍抽卡。
快速上手：灰盒预演四步把镜头语言喂给模型
Blender 补的正是导演这一环。做法从传统影视工业的 Previs（预演）借来：先用最粗糙的几何体搭场景，把镜头语言精确确定下来，再把运动信息交给生成模型，让它负责最终观感。社区里流传的一句话是“控制即自由”——你负责镜头语言和空间调度，AI 负责把灰盒画成电影级画面。
具体分四步：
- 在 Blender 里用立方体当楼、圆柱体当人，搭出灰盒场景。只保证空间关系正确，不做材质和细节。
- 精确摆放相机：焦距、推拉摇移的路径、手持抖动的幅度、关键帧节奏，全部在这一步定死。
- 渲染一段低质量参考视频，用 EEVEE 或 Workbench 视口预览直接输出即可，同时导出首帧。
- 把参考视频、首帧和风格参考一起交给模型。Flick 的做法是先用 Nano Banana 按原构图重绘首帧，再把首帧作为起始帧、灰盒视频作为 motion reference 交给 Seedance，提示词可以很短，因为大部分信息已由参考视频携带。
社区的公开案例验证了这条路的可行性。腾讯云开发者社区整理的《25 个实战案例》里，创作者 noman23761 的做法是典型：立方体、圆柱体、球体搭场景，在 Blender 里做好相机运动，最后把参考视频和起始帧输入模型——环绕推进的镜头被完整复刻，几何体变成了写实城市与人像。
这条思路从哪来：ControlNet 时代就在用 Blender
Blender 进入 AI 生成流程，不是 2026 年的新发明。2023 到 2024 年的图生图时代，它已经是常见的控制工具，只是当时控制的对象是“每一帧图”：在 Blender 里搭白模或灰盒，甚至只摆一台摄像机，渲染出深度图（Depth）、法线图（Normal）、线稿（Canny）、OpenPose 姿态图，或者一张很素的底图，再把这些控制图丢进 Stable Diffusion 做图生图。要做动画，就导出整序列控制图，靠 AnimateDiff、Deforum 或逐帧重绘跑完。
那时的分工和现在完全一致：Blender 负责空间、透视、镜头和走位，AI 负责画面质感。Seedance 这一代模型改变的是模型“吃”控制信息的方式，对比大致如下：
| |
|---|
逐帧渲染 Depth / Normal / Canny | |
| |
| |
| |
核心没有变，还是 3D 负责导演、AI 负责画。变的是模型终于能稳定地吃下整段运动，创作者不用再一帧一帧抠 ControlNet。
不会 Blender 的三个入口
这条工作流的门槛在下降，不同熟练度有不同的入口。会一点 Blender 的，直接从灰盒预演和 camera blocking 开始，成本最低。完全没碰过 3D 软件的，可以走动作库路线：Mixamo 提供现成的角色动画，导出 FBX 进 Blender 绑到替代模型上，不需要自己做动画。
第三个入口是 Blender MCP。给 Blender 装上 MCP（Model Context Protocol）服务后，Claude 等 Agent 可以用自然语言直接操作场景——“搭一个环绕角色的 5 秒推轨镜头”，模型自动建场景、设相机动画、导出参考视频。Reddit、YouTube 和 TikTok 上已经有一批 Blender MCP 配合 Seedance 的演示，EvoLink 把整条从 Blender 到视频的流程做成了 Agent 原生编排。X 上一篇工作流总结给出的建议是：不熟 Blender 的创作者，从 Mixamo、FBX 和 Blender MCP 入手。 工具链：从 Pallaidium 到 NVIDIA 蓝图
围绕“Blender 当中间控制层”，工具链已经长了出来。Pallaidium 是最完整的一个：开源的 Blender 视频序列编辑器（VSE）插件，把文本、图像、视频、语音的生成能力直接接进剪辑时间线，从剧本到成片可以在同一个软件里完成。NVIDIA 发布的 3D-Guided Generative AI 蓝图则把 Blender、ComfyUI 和 FLUX.1-dev 串成本地方案：Blender 里的几何与深度数据经 ComfyUI 节点传给 FLUX 生成图像，全程跑在 RTX 显卡上。更细的控制环节还有 fSpy（相机匹配）、toyxyz 的 OpenPose 式角色绑定和 ComfyUI-BlenderAI-node。
这些工具指向同一个变化：Blender 正在从“3D 建模软件”变成 AI 视频创作的中间控制层——上面接创作者的镜头意图，下面接生成模型。
适用边界：什么时候不该用 Blender
这条工作流不是万能的。单角色、单机位、简单动作的镜头，直接图生视频更快，先建灰盒反而多一道工序。它真正的收益场景是多镜头叙事、复杂运镜、需要角色走位精确的短片、广告和漫剧。
约束与生成自由度之间的取舍也要心里有数：3D 约束给得越多，画面越可预期，模型自发的“生成魔法”就越少。Flick 的指南还提到两个实操细节——灰盒越简陋效果反而越稳，塞太多细节会干扰模型；想本地跑完整管线，图像任务 16GB 显存是实际下限，视频任务建议 24GB 或直接用云端生成。
行动清单
- 多镜头短片先建灰盒再生成；单镜头素材直接图生视频，别为了流程而流程。
- 灰盒只保证空间关系和相机轨迹正确，材质和细节交给模型，塞太多细节反而干扰生成。
- 参考视频用视口预览输出就够，重点是相机路径和走位节奏，不是渲染质量。
- 首帧单独重绘成目标画风，再和参考视频一起喂给模型，构图与质感分开控制。
- 不熟 Blender 就从 Mixamo 动作库或 Blender MCP 入手，让动作库和 Agent 补操作差距。
AI 速览
