企业官网建设流程全解析

1. 从“抽卡”到“捏泥人”：为什么我决定用3D画布重构AI短片工作流

做AI短片这一年多，我最深的感受就一个字：赌。输入一段提示词，点下生成，然后像开盲盒一样等结果——构图对不对、角色有没有崩、镜头运动是不是我想要的方向，全看运气。一条15秒的片子，抽几十次能出一条能用的就算烧高香。这种“提示词抽卡”的模式，在单张图阶段还能忍，一旦进入多镜头叙事，问题就彻底暴露了：角色换个角度就变脸，场景换个机位就穿帮，镜头之间的空间关系全靠脑补，根本谈不上“导演”二字。

ArtCraft这个项目，就是冲着这个痛点来的。它的核心思路很直接：把AI生成从“文字驱动”改成“空间驱动”。你不再是对着输入框敲提示词，而是在一个3D画布上摆机位、放角色、调灯光，像搭积木一样把整个场景的空间结构先定下来，再让AI基于这个确定的三维信息去渲染画面。说白了，就是从“抽卡”变成“捏泥人”——你先捏出个大概形状，AI负责把它精细化、风格化。

这套工作流适合谁？如果你只是偶尔生成单张配图，那传统提示词方式够用了，没必要折腾。但如果你在做多镜头短片、分镜预演、角色一致性要求高的叙事内容，或者你是个分镜师、独立动画人、短视频导演，想用AI提效又不想被随机性折磨，那这套3D画布的思路值得你花时间研究。它解决的不是“能不能生成”的问题，而是“能不能可控地、可重复地生成”的问题。

我花了大概三周时间，把市面上能试的3D+AI方案都跑了一遍，踩了不少坑，也总结出一套相对稳定的流程。下面我把整个思路拆开讲，从设计逻辑到实操细节，尽量说透。

2. 核心设计思路：为什么是3D画布，而不是继续卷提示词

2.1 提示词抽卡的根本缺陷在哪里

先想清楚一个问题：为什么提示词方式在多镜头场景下必然翻车？根源在于信息维度的缺失。一段文字提示词，本质上是在用一维的符号序列去描述一个三维的空间关系。你写“一个穿红衣服的女孩站在左边，背景是咖啡馆”，AI理解的是“红衣”“女孩”“左边”“咖啡馆”这几个概念的统计关联，它并不知道“左边”到底是画面左边还是场景左边，也不知道女孩和咖啡馆之间的空间距离、遮挡关系、透视角度。

单张图的时候，这些模糊性可以被AI的“脑补”能力掩盖过去，甚至产生意外的美感。但到了多镜头，你需要的是跨帧的一致性——同一个角色在镜头A和镜头B里必须是同一个人，同一个场景在不同机位下必须保持空间逻辑自洽。这时候，一维提示词的信息量根本不够用，AI只能靠猜，猜错就是崩。

2.2 3D画布补上了哪几个关键维度

ArtCraft的思路，是在提示词和最终画面之间，插入一个显式的三维场景层。这个层至少补上了四个关键维度：

• 空间坐标：每个角色、道具、场景元素在三维空间中有明确的XYZ位置，镜头机位也有明确的坐标和朝向。这意味着“左边”不再是模糊的，而是精确的(-2, 0, 3)。
• 相机参数：焦距、光圈、机位高度、俯仰角、旋转角，这些在传统提示词里只能靠“广角”“俯拍”这种模糊词汇描述，现在全部变成可调参数。
• 光照信息：主光方向、色温、强度、阴影软硬，这些直接影响画面氛围和角色立体感，在3D画布里可以直观调整。
• 时间轴：多镜头之间的相机运动、角色动作、场景切换，可以在时间轴上编排，形成真正的“分镜序列”。

有了这四个维度，AI生成就不再是“从零猜测”，而是“基于已知空间信息进行风格化渲染”。随机性被大幅压缩，可控性自然就上来了。

2.3 为什么不用传统3D软件直接渲染

你可能会问：既然都搭3D场景了，为什么不直接用Blender、C4D渲染出图，还要过一道AI？答案在于风格化和效率。传统3D渲染要达到电影级质感，需要精细的模型、复杂的材质、昂贵的渲染时间，而且风格调整极其麻烦——你想从写实改成赛博朋克，基本等于重做。

AI生成的优势在于，它可以在一个粗糙的3D白模基础上，直接“脑补”出高质量的材质、光影和风格。你搭一个方块人，AI能把它渲染成穿皮衣的赛博格；你摆几个简单几何体，AI能把它变成繁华的街景。3D负责结构和一致性，AI负责质感和风格，各取所长，这才是这套工作流的核心价值。

2.4 方案选型的几个关键取舍

在实际搭建时，我面临几个选择，这里把取舍逻辑说清楚：

我最终选的是3D白模+AI实时渲染的路线。具体来说，用轻量级3D引擎搭场景，导出深度图、法线图、姿态图等多通道信息，再喂给AI模型做风格化生成。这样既保留了3D的空间精确性，又利用了AI的质感生成能力。

3. 核心细节拆解：3D画布上到底要摆什么、怎么摆

3.1 场景搭建：从“白模”开始，别一上来就抠细节

很多人一进3D画布就想把模型做精细，这是大忌。ArtCraft的工作流里，3D场景的作用是提供空间约束，不是最终画面。你搭的白模越简单，AI的发挥空间越大，生成速度也越快。

我的做法是：用基础几何体（立方体、球体、圆柱体）快速搭建场景骨架。比如一个咖啡馆场景，我用一个立方体当吧台，几个圆柱体当桌子，球体当吊灯，角色用胶囊体代替。整个过程不超过10分钟，但空间关系已经定死了——吧台在画面左侧，桌子在中景，吊灯在顶部，角色站在吧台后面。

注意：白模的比例一定要准。角色身高、桌子高度、镜头距离，这些比例关系会直接影响最终画面的透视。我试过用比例失调的白模，AI生成出来的画面透视全乱，角色像巨人或者侏儒。

3.2 相机设置：焦距和机位决定一切

相机是3D画布上最重要的元素，没有之一。同样的场景，换个焦距和机位，画面叙事完全不一样。我一般会先定几个关键机位：

• 主镜头：中景，焦距50mm，机位高度1.5米，平视。这是最常用的叙事镜头，接近人眼视角。
• 特写镜头：焦距85mm，机位高度1.2米，稍微俯拍。用于强调角色表情或关键道具。
• 全景镜头：焦距24mm，机位高度2米，轻微俯拍。用于交代环境关系。
• 过肩镜头：焦距35mm，机位在角色肩膀后方，用于对话场景。

这些参数不是随便定的。50mm接近人眼透视，适合日常叙事；85mm压缩空间，适合特写；24mm夸张透视，适合大场景。你在3D画布里调好这些，AI生成出来的画面就会自然带有对应的镜头感，比在提示词里写“特写”“广角”精确得多。

3.3 角色摆放与姿态控制

角色一致性是多镜头短片的命门。在3D画布里，我通常用两种方式控制角色：

第一种是静态姿态：用简单的骨骼绑定或者直接摆胶囊体的朝向，确定角色在空间中的位置和面向。比如角色A站在吧台左侧，面向右前方45度；角色B站在右侧，面向左前方30度。这些朝向信息会通过姿态图传给AI，确保生成的角色朝向一致。

第二种是动态姿态：如果角色有动作，我会在3D软件里做简单的关键帧动画，导出每一帧的姿态图。AI基于这些姿态图生成画面，动作连贯性比纯提示词好太多。

实操心得：角色的服装和面部特征，不要在3D阶段抠。用纯色材质标记不同角色就行，比如角色A用红色，角色B用蓝色。AI会根据颜色标记和提示词，自动生成对应的服装和面部。这样既保证了区分度，又给了AI发挥空间。

3.4 光照与氛围的预设置

光照在3D画布里调，比在提示词里写“暖光”“冷光”“逆光”精确一百倍。我一般会设置三个光源：

• 主光：从场景左上方45度打下来，强度1.0，色温5600K（日光白）。
• 补光：从右前方低角度补，强度0.3，色温4000K（暖白），用于填充阴影。
• 轮廓光：从角色后方打，强度0.8，色温7000K（冷白），用于勾勒角色边缘。

这套三点布光是最经典的，能保证角色立体感和场景层次。AI拿到光照信息后，会在此基础上做风格化处理——你提示词里写“赛博朋克”，它就会把主光染成霓虹色；写“黄昏”，它就会把色温整体拉暖。

3.5 多通道导出：AI到底需要哪些信息

3D画布搭好后，需要导出哪些通道给AI？我实测下来，这几个是必须的：

• 深度图：告诉AI每个像素离相机多远，用于控制景深和空间层次。
• 法线图：告诉AI每个面的朝向，用于控制光照和材质反射。
• 姿态图：告诉AI角色的骨骼位置和朝向，用于保持角色一致性。
• 边缘图：告诉AI物体的轮廓边界，用于控制生成范围。
• 语义分割图：告诉AI每个区域是什么（人、背景、道具），用于分区控制。

这些通道图在ComfyUI或者类似的节点式工作流里，可以分别接入不同的ControlNet节点，实现精细控制。导出格式用PNG，分辨率建议至少1080P，太低会影响生成质量。

4. 实操全流程：从零搭一个可复现的3D+AI短片工作流

4.1 工具链选型与安装配置

我用的工具链如下，都是开源或免费方案，方便复现：

• 3D引擎：Blender（免费，插件生态好，Python脚本支持强）
• AI生成：Stable Diffusion + ComfyUI（节点式工作流，控制精细）
• 控制插件：ControlNet（深度、法线、姿态、边缘、分割多通道支持）
• 后期合成：DaVinci Resolve（免费版够用，调色和剪辑一体）

安装配置这块，Blender直接官网下载，ComfyUI用Git克隆到本地，ControlNet模型放到指定目录。具体路径和版本号我就不列了，网上教程很多，注意版本兼容就行。

注意：ControlNet模型要下载对应版本的，SD1.5和SDXL的模型不通用。我一开始混用了，结果姿态图完全没效果，排查了半天才发现是模型版本不对。

4.2 场景搭建的实操步骤

打开Blender，新建场景，按以下步骤操作：

1. 设置单位：场景单位设为米，比例1.0。这样角色身高1.7米、桌子0.75米这些参数才准确。
2. 搭建白模：用立方体、圆柱体、球体快速搭建场景。角色用胶囊体代替，高度1.7米。
3. 摆放角色：按分镜需求，把角色胶囊体放到对应位置，调整朝向。
4. 设置相机：新建相机，按前面说的焦距和机位参数设置。可以多建几个相机，对应不同镜头。
5. 布置灯光：按三点布光设置主光、补光、轮廓光。
6. 导出通道图：用Blender的合成节点或者Python脚本，批量导出深度图、法线图、姿态图、边缘图、分割图。

整个过程熟练的话，一个简单场景30分钟能搭完。复杂场景可能一两个小时，但相比传统3D建模，已经快太多了。

4.3 ComfyUI工作流搭建与参数调优

ComfyUI的工作流是这套方案的核心。我搭的工作流大致如下：

• 输入层：加载深度图、法线图、姿态图、边缘图、分割图。
• ControlNet层：每个通道图接入对应的ControlNet节点，权重设置不同。深度图权重0.8，法线图0.6，姿态图1.0，边缘图0.4，分割图0.7。
• 提示词层：输入风格描述，比如“赛博朋克风格，霓虹灯光，雨夜街道，电影质感”。
• 采样层：用DPM++ 2M Karras采样器，步数25-30，CFG 7-9。
• 输出层：保存生成图像，分辨率1080P。

参数调优这块，我踩过的坑主要是权重平衡。姿态图权重太低，角色会崩；深度图权重太高，画面会显得僵硬。经过多次测试，上面这套权重组合在我这边比较稳定。

实操心得：建议先用低步数（15步）快速测试，看构图和姿态对不对，再提高步数出最终图。这样能省不少时间。

4.4 多镜头序列的生成与一致性校验

单镜头跑通后，多镜头序列的生成就是重复劳动。但有几个关键点要注意：

• 角色一致性：确保每个镜头里角色的姿态图、分割图标记一致。我一般会给每个角色分配固定的颜色标记，比如角色A永远是红色，角色B永远是蓝色。
• 场景一致性：同一个场景的不同机位，深度图和法线图要基于同一个3D场景导出，不能重新搭。
• 光照一致性：如果场景光照不变，灯光参数不要改。如果时间变化（比如从白天到夜晚），可以调整色温和强度，但要保持方向一致。

生成完所有镜头后，导入DaVinci Resolve做剪辑和调色。调色这一步很重要，因为AI生成的每个镜头可能有轻微色差，统一调色能让整片看起来更连贯。

4.5 后期合成与输出参数

后期合成主要做三件事：

1. 剪辑：按分镜顺序排列镜头，调整每个镜头的时长。一般每个镜头2-4秒，太快观众看不清，太慢节奏拖沓。
2. 调色：用DaVinci的色轮和曲线，统一每个镜头的色调。我一般会拉一个LUT，让整体风格统一。
3. 输出：分辨率1080P，帧率24fps（电影感）或30fps（网络视频），码率10-20Mbps。格式用H.264，兼容性好。

整个流程跑下来，一个15秒的短片，从搭场景到输出，大概需要4-6小时。相比纯提示词抽卡，时间可能差不多，但可控性和一致性完全不是一个级别。你不再需要抽几十次碰运气，而是像导演一样，精确控制每一个镜头。

5. 常见问题与排查技巧实录

5.1 角色一致性崩坏：原因与修复

这是最常见的问题。表现是同一个角色在不同镜头里脸型、发型、服装不一致。原因通常有三个：

• 姿态图不一致：检查每个镜头的姿态图，确保角色的骨骼位置和朝向一致。如果姿态图有偏差，AI就会生成不同的角色。
• 分割图标记混乱：确保角色在分割图里的颜色标记一致。我试过用相近颜色标记不同角色，结果AI把两个角色混在一起了。
• 提示词描述矛盾：如果提示词里对角色描述有变化，AI也会跟着变。建议把角色描述固定成一个模板，每个镜头都复制粘贴。

修复方法：先检查姿态图和分割图，再检查提示词。如果都没问题，可能是ControlNet权重太低，适当提高姿态图权重到1.2试试。

5.2 画面透视错乱：3D场景的锅

表现是生成画面的透视关系不对，比如桌子看起来是斜的，或者角色和场景的比例失调。这通常是3D场景本身的问题：

• 相机焦距设置错误：检查相机焦距是否和预期一致。我试过用24mm焦距拍特写，结果透视夸张到变形。
• 白模比例失调：检查角色和场景元素的比例。角色1.7米，桌子0.75米，这些基本比例不能错。
• 深度图导出问题：检查深度图是否正常导出，有没有被裁剪或压缩。

修复方法：在Blender里用相机预览功能，先确认3D场景的透视是对的，再导出通道图。

5.3 生成速度太慢：优化策略

AI生成速度慢是常态，但可以优化：

• 降低分辨率：先用512x512测试构图，确认后再用1080P出图。
• 减少ControlNet通道：不是每个通道都必须用。如果场景简单，可以只用深度图和姿态图，速度能快一倍。
• 用LCM或Turbo模型：这些加速模型能把步数降到4-8步，速度提升明显，但质量会略有下降。

注意：加速模型和ControlNet的兼容性需要测试，有些组合会出问题。

5.4 风格迁移过度：AI把白模“脑补”得太离谱

有时候AI会把白模脑补成完全不同的东西，比如把胶囊体角色生成成机器人或者动物。这通常是提示词太模糊，或者ControlNet权重太低。

修复方法：在提示词里明确描述角色类型（“人类女性”“穿着皮衣”），提高姿态图和分割图权重，降低深度图权重。让AI知道哪些是必须保留的，哪些是可以发挥的。

5.5 常见问题速查表

6. 这套工作流还能怎么扩展

跑通基础流程后，我试了几个扩展方向，效果不错：

动态镜头：在Blender里给相机做关键帧动画，导出每一帧的通道图，AI逐帧生成后再合成视频。这样能实现真正的相机运动，比如推拉摇移。缺点是生成量大，一个5秒的镜头24fps就是120帧，需要耐心。

多角色互动：用不同的颜色标记多个角色，在分割图里精确区分。AI会根据标记生成不同角色，互动场景也能hold住。我试过两个角色对话的场景，一致性比纯提示词好太多。

风格迁移：同一套3D场景和通道图，换不同的提示词，可以生成完全不同风格的画面。比如同一场景，提示词写“写实电影”就是写实风，写“日式动画”就是二次元风。这给创作带来了极大的灵活性。

与视频生成模型结合：把AI生成的静帧作为关键帧，喂给视频生成模型做插帧，能得到更流畅的动态效果。不过这块我还在测试，稳定性有待提高。

这套工作流的核心价值，是把AI短片创作从“赌运气”变成了“做工程”。你不再需要祈祷AI理解你的意图，而是用3D画布把意图明确地“画”出来，让AI在这个框架内发挥。对于需要多镜头叙事、角色一致性要求高的项目，这可能是目前最靠谱的方案。当然，它也有门槛——你得学点3D基础，得搭工作流，得调参数。但一旦跑通，效率和质量提升是肉眼可见的。我个人的体会是，前期投入的学习成本，在第二个项目里就赚回来了。