全网最细,带你拆解 Opus 5.5 做视频:原理、技术栈、实操全流程 — Transcript
Full transcript
- 0:00这几天,
- 0:00你有没有被 Opus 5.5 做的这些视频刷过屏?
- 0:03有这样的,这样的,还有这样的。
- 0:06这些视频,再配上这首「开智小曲」,
- 0:08几乎条条都是爆款。
- 0:20它们是怎么做出来的?
- 0:22更有意思的是:这些画面,
- 0:23没有一帧是视频模型生成的。
- 0:26全部是 Opus 5.5 写代码,一帧一帧画出来的。
- 0:30大家好,我是亚里。
- 0:32我把这批视频深度拆解、研究了一遍,
- 0:35总结出了下面这些知识。
- 0:37看完这期视频,你将搞清楚五件事:第一,
- 0:40为什么偏偏是现在火起来;第二,底层原理:
- 0:43一个只会输出文字的模型,
- 0:46是怎么做出视频的;第三,主流的技术栈,
- 0:47各自能做出什么效果;第四,做好的关键:
- 0:50同样用 Opus 5.5,为什么别人做得更好;第五,
- 0:53实际操作:从零做一条。
- 0:55最后,再聊聊我对这股趋势的看法。
- 0:58干货满满,建议先点赞收藏。
- 1:00那么话不多说,我们直接开始。
- 1:04先看它有多火。
- 1:06抖音上有个话题,叫 vibe 知识大赏,
- 1:08播放量已经超过 12 亿。
- 1:10有一个账号,10 月 1 日才发第一条视频,20 天,
- 1:13两个平台加起来,涨了将近 78 万粉。
- 1:16用代码做视频,其实很早就能做。
- 1:18但以前的模型,自己不太懂动效:
- 1:20节奏、停顿、镜头运动,都把握不好。
- 1:23所以只能靠各种 skill 和插件,
- 1:25把规则一条条写死,把框架先搭好。
- 1:28说实话,做出来的效果完全不行,千篇一律,
- 1:31就像会动的 PPT。
- 1:33这次能爆发,关键在 Opus 5.5 本身。
- 1:35从官方公布的信息看,有四点提升,
- 1:38正好对上了做视频的需求。
- 1:39第一,它能扛住大型编程任务。
- 1:42一条视频,本质上就是一个大型编程任务:
- 1:44几千行代码、几十个镜头,还要反复修改。
- 1:47在官方的命令行编程测试里,
- 1:49Opus 5.5 拿到 66.4%,
- 1:51上一代 Opus 5 是 52.3%;
- 1:54有客户让它无人值守,
- 1:55连续运行了 18 个小时,任务始终没有跑偏。
- 1:58第二,它能检查自己的作品。
- 2:00它的视觉理解能力很强,
- 2:02可以把自己渲染出来的画面,一张张看过去,
- 2:04找出问题,再回去改代码。
- 2:06官方客户的评价是:它会用很有创意的方式,
- 2:08检查自己的工作。
- 2:10第三,它会分工。
- 2:11一条片子可以拆成几个部分,
- 2:13交给几个子任务同时制作,
- 2:15最后由它统一检查、合成。
- 2:17第四,它的前端能力更强了。
- 2:19这类视频,本质上是用网页画出来的,
- 2:21网页写得好不好,直接决定画面好不好。
- 2:24官方发布页里提到,
- 2:25有测试者让几个 Claude 模型,
- 2:27只用一句提示词做一个游戏,
- 2:29Opus 5.5 的画面和完成度得分最高。
- 2:32还有一个第三方测试很能说明问题:
- 2:34有人让 16 个做视频的 skill,
- 2:36都用 Opus 5.5 做同一条宣传片,
- 2:38结果全部合格;
- 2:39而不装任何 skill 的 Claude Code,
- 2:414 分多钟也做合格了。
- 2:42也就是说,以前得靠 skill 撑着,
- 2:44现在模型本身就够用了。
- 2:47那么问题来了:它明明不是视频模型,
- 2:49到底是怎么做出视频的?
- 2:53先明确一点:Opus 5.5 可以看文字、看图片,
- 2:56但它的输出,只有文字。
- 2:57视频模型,是直接生成画面,
- 3:00一个像素一个像素地画出来。
- 3:01Opus 走的是另一条路:它写的是一份乐谱,
- 3:04第几秒、画面哪个位置、出现什么、怎么运动,
- 3:07全部写清楚。
- 3:08真正去演奏这份乐谱的,是浏览器。
- 3:11视频本身,是一连串静止的画面。
- 3:13一秒 30 张,快速播放,就形成了运动。
- 3:16一条 2 分钟的视频,就是 3,600 张图。
- 3:18所以 Opus 写的网页里,会有一个关键函数:
- 3:21输入一个时间,输出这一刻的画面。
- 3:23你问它第 90 张长什么样,它就画出第 90 张,
- 3:26结果只取决于这个时间。
- 3:28渲染的时候,
- 3:29程序会打开一个在后台运行的浏览器,
- 3:31从第一张问到最后一张,每画好一张,
- 3:33就截一张图。
- 3:35最后用 FFmpeg,把这几千张图编码成视频。
- 3:38这里的关键是:整个过程不是在「播放」,
- 3:41而是一张一张地计算。
- 3:42所以画面再复杂、电脑再慢,成片也不会掉帧。
- 3:45而且同一张图,不管渲染多少次,
- 3:48结果都完全一样,
- 3:49可以分给几个程序同时渲染,
- 3:51也可以只重新渲染改动的那一段。
- 3:53要做到这一点,代码得守三条规矩:
- 3:56不能读系统时间;用随机数,
- 3:58必须带上固定的种子;渲染到一半,
- 3:59不能再去加载新的东西。
- 4:01只要违反其中一条,同一帧每次画出来,
- 4:03就可能不一样。
- 4:05因为画面是代码生成的,文字永远清晰,
- 4:08想改哪里,改一行代码,重新渲染就行。
- 4:11配乐也一样:声音本质上是一段波形,
- 4:13可以直接用代码计算出来。
- 4:16再加上第一部分说的视觉能力,
- 4:18就形成了一个完整的闭环:
- 4:19写代码、渲染、看画面、找问题,再回去改代码。
- 4:23它能自己把一条片子,一轮一轮打磨出来。
- 4:26Anthropic 自己,
- 4:2710 月 8 号推出了 Claude Motion,
- 4:29用的也是这套思路:不用视频生成模型,
- 4:31由 Claude 写代码做动画,再导出视频。
- 4:36原理清楚了,再看具体用什么技术。
- 4:38主流的技术栈,主要就这几种。
- 4:40前五种都是在网页里画画:
- 4:42网页排版、画布、手绘笔刷、
- 4:44着色器和 Three.js;后两种不走网页:
- 4:47Manim 和 Blender。
- 4:48大致的规律是:越往右,画面越有质感,
- 4:51但渲染越慢,也越难做。
- 4:53下面一个一个看。
- 4:54最基础的是网页排版,
- 4:56就是平时做网页用的 HTML、CSS 和 SVG。
- 4:59文字、图表、界面动效,用它做最清晰,
- 5:02产品介绍、数据讲解最常用。
- 5:05最常用的是画布,也就是 Canvas。
- 5:07代码直接在上面绘制点、线、圆,
- 5:10几万个光点也能流畅运行。
- 5:12开头那些深色背景、满屏发光的视频,
- 5:14基本都是用它画的。
- 5:17那种光晕是怎么来的?
- 5:18分三步:先把画面画好;
- 5:20再把亮的部分复制一层,缩小、模糊;
- 5:22最后叠加回原来的画面。
- 5:24越亮的地方,光晕就越大。
- 5:27开头那头大象也不是画出来的。
- 5:29它是几十个圆一个套一个在转,
- 5:32最外面那个圆走过的轨迹,刚好是一头大象。
- 5:34这叫傅里叶级数,是代码精确计算出来的。
- 5:38想要手绘感,就用 p5.js 加水彩笔刷,
- 5:41边缘会自然晕开,线条会轻微抖动,
- 5:44接近手绘动画的效果。
- 5:45开头那段水彩 MV,就是这么画的。
- 5:48想要光影质感,就加着色器。
- 5:50它让显卡同时给屏幕上的每一个像素计算颜色。
- 5:53这片浅水看起来像实拍,
- 5:55其实是在计算阳光穿过每一道波纹之后,
- 5:58落在水底形成的亮线。
- 5:59代价是渲染变慢:有人实测,同样 3 秒的画面,
- 6:03只用画布渲染 7 秒,
- 6:04加上一层着色器效果要 48 秒。
- 6:07需要 3D 空间,就用 Three.js。
- 6:09它相当于在网页里搭一个摄影棚:
- 6:11模型、灯光、摄像机都用代码来摆,
- 6:14镜头可以在空间里自由移动。
- 6:16开头那条小船,
- 6:17本身就是一个可以操作的 3D 网页,
- 6:19最后录屏得到的,
- 6:21所以画面里能看到浏览器和鼠标。
- 6:23它的局限是,
- 6:24模型基本靠方块、球体这些基础形状拼出来,
- 6:27复杂的写实物体很难做。
- 6:30再看网页之外的两个。
- 6:32Manim 是 3Blue1Brown 做数学动画的工具,
- 6:35公式和图形非常精确,
- 6:37适合讲数学和物理推导。
- 6:38这节 7 分多钟的导数课,提示词只有一句话。
- 6:42Blender 是专业的 3D 软件,
- 6:44让 AI 直接操作它,画面最接近动画电影,
- 6:47但成本也最高:一个 10 秒的镜头,
- 6:50它用了 35 分钟,按 API 价格算,大约 13 美元。
- 6:53这些画笔,可以自己从头写,
- 6:55也可以用现成的框架。
- 6:57框架把时间线、配音、
- 6:58字幕这些通用的部分搭好了,你只管画面。
- 7:01最老牌的是 Remotion,用 React 写视频,
- 7:04按帧控制,成熟、生态完善。
- 7:07这条 3 分钟的 AI 简史就是用它做的,
- 7:09代码有 7,400 多行。
- 7:11需要注意的是,公司商用需要购买授权。
- 7:14另一个是 HyperFrames,
- 7:16HeyGen 开源的框架,
- 7:17写普通的网页就能渲染成视频,
- 7:19从设计上就面向 AI 使用。
- 7:21这些是 HeyGen 用它给自己的产品做的宣传片。
- 7:25官方的 Claude Motion 也属于这一类,
- 7:27不过目前只开放给团队版和企业版。
- 7:30所以怎么选,很简单:看你想要什么效果。
- 7:33要排版和图表,用网页排版;要粒子和光效,
- 7:36用画布;要手绘感,用笔刷;要光影质感,
- 7:39加着色器;要 3D 空间,用 Three.js;
- 7:42讲公式推导,用 Manim。
- 7:43一条片子里,也经常是几种一起用。
- 7:46后面实操的提示词,就是按这张表来选的。
- 7:51原理和技术都清楚了。
- 7:52但同样用 Opus 5.5,为什么有人做得很惊艳,
- 7:55有人做出来很普通?
- 7:57关键在几个地方。
- 7:59先说「一句话出片」。
- 8:00能不能做?
- 8:01能。
- 8:01有人统计过 233 条刷屏视频,
- 8:0466% 确实是一句话做出来的。
- 8:07但一句话的问题也很明显:
- 8:09内容全靠它自己发挥,你控制不了。
- 8:11最火的那一句提示词,
- 8:13被一字不差用了 33 次,
- 8:14结果配色、网格、结尾的 logo 都很像,
- 8:17大量撞脸。
- 8:18所以一句话出片,适合拿来炫技,
- 8:21试试模型的上限。
- 8:22真想讲清楚一件事,提示词就要写详细:
- 8:25公开出来的提示词,
- 8:26长的有一万七千多个字符,
- 8:28逐秒的分镜、笔触的方向都写死了。
- 8:31我自己也试过一次。
- 8:33发给它一条 30 秒的宣传片,只说了一句话:
- 8:35你能复刻出这种视频吗。
- 8:37严格来说,这句话背后带了一条参考片。
- 8:40很多所谓的一句话出片,
- 8:41背后都带着参考视频、人物设定图,
- 8:44或者早就装好的 skill。
- 8:46它先把原片逐帧拆开,
- 8:48总结出 9 个让人惊艳的手法;再定下做法:
- 8:513D 和渐变用着色器,像素点阵用画布,
- 8:54卡片用 CSS 3D,每一帧都由时间决定。
- 8:58最后交出来一条 31 秒的复刻版,
- 9:0012 个镜头和转场,基本都复原了。
- 9:09形式上很惊艳,但仔细看,有两个问题。
- 9:12第一,原片里的人像和房间,
- 9:14是 AI 生成的照片。
- 9:15它没有生图工具,
- 9:17只能用代码搭的 3D 来代替,
- 9:19真实感明显弱了一截。
- 9:20想要真实感,
- 9:21就要先用生图或视频模型做素材,
- 9:23再用代码做动效。
- 9:25第二,它只复刻了形式。
- 9:27片子里介绍的是一个虚构的产品,
- 9:29没有真正的内容。
- 9:31这就是一句话出片的本质:好看的形式,
- 9:34它能帮你做;但要讲什么,
- 9:35还是要你自己想清楚、写清楚。
- 9:38真正有用的,是做法。
- 9:40社区里验证过的,主要有四个。
- 9:42第一,先定方向,再开渲。
- 9:44先让它出分镜和几张静帧,你确认了,
- 9:46再做整片,避免方向错了白跑一个小时。
- 9:49第二,拿参考片拆帧。
- 9:51就像刚才那样,找一条你喜欢的片子,
- 9:54让它拆成画面,逆推出配色、字幕和节奏,
- 9:57写成规范照着做。
- 9:58第三,让它当挑剔的导演。
- 10:00把关键帧拼成一张图,让它自己打分,
- 10:03改到 8 分以上再继续。
- 10:04第四,用音乐或配音当时钟。
- 10:07先分析音乐的节拍,或者先出配音,
- 10:09画面的每一个动作,都卡在拍子或者字上。
- 10:13还有几个常见的坑:字幕被画面挡住;
- 10:16镜头之间硬切;光晕太亮、发白;
- 10:18一帧里画的东西太多,渲染慢得出奇;
- 10:21字幕太长,一眼读不完。
- 10:23这些提前写进提示词里,能省很多返工。
- 10:26最后是时间和成本。
- 10:28一条 3 分钟的片子,有人用了大约 1 个小时,
- 10:31用掉了一周额度的 7%。
- 10:32同一条口播动效,有博主实测,
- 10:35Claude 用了 34 分钟,请动效师朋友做,
- 10:36用了 5 个小时。
- 10:39不过他也说,在审美上,动效师还是更胜一筹。
- 10:44最后,实际操作一遍。
- 10:46这里最重要的工具,就是 Opus 5.5 这个模型。
- 10:49其他模型也能做,但做出来的效果,
- 10:50明显不如 Opus 5.5。
- 10:53我用的是 Claude 桌面端里的 Code:
- 10:55选一个文件夹,模型切到 Opus 5.5。
- 10:59把配乐文件拖进去,再把提示词贴进去。
- 11:02这份提示词,我放在了博客里,可以直接复制。
- 11:05这份提示词的结构,
- 11:06参考了收藏数最高的那几条:
- 11:08用标签把不同的内容分开,
- 11:10这也是 Anthropic 官方推荐的写法。
- 11:13最关键的是前三块。
- 11:15第一块,你能填的先填,没填的,
- 11:16它会反过来问你,不让它自己瞎编。
- 11:19第二块,是一张效果和技术栈的对照表,
- 11:22就是第三部分讲的那些画笔。
- 11:24你说想要什么效果,它就知道该用什么画。
- 11:26第三块,它不会直接开做,
- 11:28而是先给你两个方向,每个配一张关键帧,
- 11:31你看着画面来选。
- 11:33后面几块,前面也都讲过为什么:
- 11:35画面只由时间决定、不读系统时间,
- 11:39是为了每一帧都稳定; 关键帧拼图、严格打分改到 8 分,
- 11:41就是那个闭环;先出 15 秒样片,
- 11:44就是先定方向,再开渲。
- 11:46这次我只填了主题,效果那一栏没填。
- 11:49发出去以后,它没有急着写代码,
- 11:51而是先反过来问了我 4 个问题。
- 11:53第一个就是想要什么效果。
- 11:55它给的每个选项,都写好了用什么技术栈:
- 11:58深色电影感用画布,干净排版用网页,
- 12:013D 穿行用 Three.js。
- 12:03我选了深色电影感。
- 12:05后面几个问题,
- 12:05是用哪句话做例子、要不要讲到 token、
- 12:08有没有不想要的东西。
- 12:09例句我选了《静夜思》的「床前明月光」。
- 12:13几分钟后,它交出了两个方向,
- 12:15各配一张关键帧:A 叫「星图」,
- 12:18每个候选字是一颗星,越可能的越亮;
- 12:21B 叫「月下竖排」,诗句竖着写,
- 12:23概率用月光的长短来表示。
- 12:25我选了 B,和《静夜思》、和这首配乐都更搭。
- 12:29接下来它才开始写代码。
- 12:31每做完一个镜头,就先渲几张静帧,自己检查。
- 12:35这一步最值得看:
- 12:36它把 9 个关键时刻拼成一张图,
- 12:39按六项给自己打分。
- 12:40第一轮,「前 2 秒抓不抓人」只有 6 分: 327 00:12:43,235 --> 00:12:43,114 提问出现得太晚,
- 12:43开头的画面发灰(配音漏读)。
- 12:44它自己改,一共改了三轮,六项都到了 8 分。
- 12:49然后先出一段 15 秒的样片给我看。
- 12:51我说可以,它才渲染全片:1800 帧,不到 4 分钟。
- 12:56从发出提示词到拿到成片,
- 12:58一共大约 40 分钟。
- 13:20想玩一玩的,可以自己去试试。
- 13:22提示词我放在了博客里,有需要可以去看看。
- 13:26最后,推荐四个和 Opus 5.5 直接相关、
- 13:28我认为最实用的开源项目。
- 13:30更完整的清单,放在了博客里。
- 13:33第一个,awesome-opus5-5-videos,
- 13:36星数最高的 Opus 5.5 视频案例库,
- 13:387,800 多星。
- 13:40它收了 700 多条提示词,
- 13:41每个案例都标了用的是什么技术栈,
- 13:43还附上了原作者的帖子。
- 13:45看到喜欢的效果,
- 13:47就能顺着找到它的提示词和技术栈,
- 13:49最适合拿来找灵感。
- 13:51第二个,Lemo-Opuscar,4,600 多星。
- 13:54作者用 Opus 5.5 做了 51 种影片风格,
- 13:57每种都配了一支完全用代码做的短片,
- 14:00风格提示词都专门为 Opus 5.5 调过。
- 14:03装上它的 skill,选一种风格,
- 14:05讲清楚你想拍什么,它就按这个风格去做。
- 14:09第三个,vibe-knowledge-film,
- 14:11专门复刻 vibe 知识大赏的 skill。
- 14:13它内置了一套画布渲染引擎,
- 14:15自动加光晕和胶片颗粒,
- 14:17有「夜曲」和「寓言」两种风格,
- 14:19会先出 30 秒样片,确认后再做全片。
- 14:22想做开头那种知识短片,
- 14:24这是上手最快的选择。
- 14:26第四个,PDoomVideo,
- 14:28开头那条水彩 MV 的完整源码,2,300 多星。
- 14:31仓库里有 Opus 自己写的分镜表、
- 14:33分给子任务的动画规范,
- 14:35还有逐帧渲染的脚本。
- 14:37前面讲的原理和分工,
- 14:38在这个仓库里都能看到真实的样子。
- 14:43最后,跟大家随便聊聊。
- 14:45先说说我对这股风的看法。
- 14:47我觉得用 AI 写代码做视频,上限其实很高。
- 14:50模型越来越强,它能理解内容,
- 14:52自己运镜、自己卡点,
- 14:54做出来的东西只会越来越好看。
- 14:57但我不太建议大家一窝蜂跟风。
- 14:59这种风格,看多了很容易腻。
- 15:01配个音乐,用顶级模型随手做几条,
- 15:04一开始大家会被惊艳到,时间一长,
- 15:06也就看习惯了。
- 15:07就像 GPT Image 2 刚出来那会儿,
- 15:10所有人都被它的生图能力震住,现在呢,
- 15:12大家已经见怪不怪了。
- 15:14说回我自己。
- 15:15其实我的视频,也是用 Opus 做的,
- 15:17包括你现在看的这一期。
- 15:19这个我不藏着掖着,也不觉得有什么不好。
- 15:22在我看来,AI 就是个工具,能帮你省很多事,
- 15:25但真要说替代人,至少我觉得,还替代不了。
- 15:29不怕大家笑话,我剪辑其实不太行。
- 15:31这种动画科普、测评类的视频,
- 15:33我很早就想做了。
- 15:35最早我用 Remotion、HyperFrames 试过,
- 15:37做出来效果真的很一般,token 烧了不少,
- 15:40成品却拿不出手。
- 15:41后来 GPT-6 出来,我又从头试了一遍,
- 15:44还是达不到我想要的样子。
- 15:46直到 Opus 5.5 出来,才算真正做成了。
- 15:49但这中间的坎坷,说起来也挺有意思。
- 15:51就说你现在听到的这个配音,
- 15:53我前前后后换了好几个,一直都不太满意,
- 15:56这期才刚换上。
- 15:58画面也一样,每一期都要来回改很久。
- 16:01所以我也很清楚,这一期还有不少不足。
- 16:04大家有什么建议,都可以告诉我,
- 16:05我会认真听取大家的意见,
- 16:07争取把这个频道的内容,做得越来越好。
- 16:10如果大家感兴趣的话,可以在评论区留言,
- 16:13我看看大家有没有兴趣。
- 16:14过几期视频,我就把这中间踩的雷、
- 16:16遇到的问题、用到的工具,都分享出来,
- 16:19给大家参考参考。
- 16:21好,这期就到这里。
- 16:23我是亚里,我们下期见。
About this transcript
This page contains the full transcript of 全网最细,带你拆解 Opus 5.5 做视频:原理、技术栈、实操全流程 by 亚里-科技 AI 分享, generated from the public captions YouTube serves with the video. The transcript has 673 words across 411 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.
What you can do with it
Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to choose a caption track available on the video.
Free YouTube transcript tool
YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, caption language selection, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.