jackssybin 的个人博客

2026 年想做一支动画短片，默认路径已经变成了打开视频生成模型、抽卡、再抽卡。可真正做过内容的人都知道那种别扭：同样一句提示词，两次出片人物长得不一样；想要 30 秒就得分段生成再祈祷接缝别崩；画面里的文字基本靠运气；想复用同一个角色拍系列片，更是玄学。更不用说训练数据授权那笔一直没算清的账。

如果反过来呢——不用任何视频生成模型，让 AI 把每一帧都用代码画出来，画面 100% 可复现、文字精确可控、声音一次性配齐？lemomo-ai/lemo-opuscar 做的就是这件事。它是一个 Claude Code 插件/技能库：43 种影片风格，每种都配一支完全用代码做出来的样片；你带上自己的故事，编程 agent 当导演。建仓仅几周、只有 26 个 commit，已经涨到 2.1k Star、223 Fork（我写文时的数据），作者 Lemomo 还用同一套管线做了 6 分 31 秒、复刻 98 部奥斯卡最佳影片画风的《OPUSCAR 98》。

我把仓库完整克隆下来，通读了 DIRECTOR.md、TECHNIQUE.md、AGENTS.md 和 core/ 渲染工具链源码。这篇文章讲清楚三件事：它到底怎么把「写代码」变成「拍电影」、真实上手成本几何、以及谁该现在装、谁应该再等等。

核心心智模型：画面是时间的确定性函数

理解整个项目只需要一个约定。每部片子就是一个文件夹，里面一个 index.html 向渲染器暴露四个全局量（来自 TECHNIQUE.md §2 与 core/README.md 的页面契约）：

window.DUR = 54.2;                 // 片长（秒）
window.render = (t) => { ... };    // 画出 t 秒那一帧，确定性
window.READY = true;               // 字体、图片加载完才置位
window.TEXTS = (t) => [{id, text, x0,y0,x1,y1}]; // 可选：画面文字与包围盒

render(t) 是纯函数：禁止 Date.now()，禁止不播种的 Math.random()（仓库 core/lib.js 提供 mulberry 和 hash 两个确定性随机源），不许把状态从上一帧带到下一帧。于是任何一帧都能单独渲染、任意顺序渲染、交给任意 worker 渲染，结果逐字节一致。

渲染器 core/render/video.mjs 用 playwright-core 拉起无头浏览器（依赖只有 playwright-core 和 three 两个 npm 包），最多 6 个 worker 并行，每帧截 JPEG（不是 PNG——作者注释里写明：胶片颗粒在页面里画会让每帧不可压缩、慢得要命，颗粒统一留给 ffmpeg 后期加），默认 1920×1080、24fps。一条片子从「源码」到「成片」的标准 build.sh 就五步：导出事件表 → 逐帧渲视频 → Python 混音 → ffmpeg 合成。

这里有个值得单独说的工程取舍：动画可以 on twos（每秒 12 张），但摄影机和光必须逐帧平滑——TECHNIQUE.md 明确写着步进的摄影机会被读成卡顿。这种细节不是教程抄来的，是真做过几十部片子才踩得出来的坑。

一条时间线统治声音、画面和字幕

普通做片是画面、配乐、字幕三套时间轴互相凑；Lemo-Opuscar 要求把全片的段落、速度、节拍、卡点写进同一个 timeline.js，再导出 JSON 给配乐、混音、字幕和检查脚本读同一套数字：

export const SECS = [{ id: 'chase', t: 12.0, bpm: 144, beats: 12 }, ...];
export const HIT  = { pratfall: ['chase', 6], ... };  // 段落 + 第几拍

多个样片自带 cuecheck.py，把每个视觉切点和它该落的音乐拍点逐一比对，目标写得很直白：0 ms。

声音部分比多数人预想的完整得多：

• 配音：英文默认 Kokoro（kokoro-onnx，完全离线，af_/am_ 美音、bf_/bm_ 英音，按片子选角而不是沿用样片声线）；中文走 tts_zh.py 调微软 edge-tts 神经音色（zh-CN-XiaoxiaoNeural 等，需联网）。你也可以直接给真人录音。
• 逐字验收：core/tts/asr_check.py 用 faster-whisper 把生成的配音重新转写，和台词逐字比对（中文按字），不到退出码 0 就重生成。
• 配乐：core/audio/sampler.py 驱动免费采样库（freepats、karoryfer、salamander 三角钢琴、VCSL、VSCO2 CE，用 tools/fetch.sh instruments 拉取）写原创音乐，pluck.py 用 numba 做拨弦合成。
• 母带：mux.sh 跑两遍 ffmpeg loudnorm，压到流媒体标准 −14 LUFS、真峰值 −1.2 dB，配音先压缩再按 RMS 比音乐高约 10 dB；检测到静音、损坏、截断的音轨直接拒收，绝不留下半成品文件。

还有一个我特别喜欢的质检：readcheck.mjs 每 0.04 秒向页面询问一次 TEXTS(t)，强制任何画面文字完整、不重样地停留「中文字数 ÷ 4.5 + 其他字符 ÷ 15 + 1.5 秒」以上。换句话说，「字幕闪太快没人看得清」这个全网短视频通病，在这套体系里是编译错误，不是审美问题。

43 种风格：不是提示词合集，是 43 份「美术宪法」

仓库的主体是 styles/ 下 43 个风格目录（外加 _template）。每个目录里：STYLE.md 是风格不变量——配色、字体、运镜语法、声音调色板、这一媒介的「原生动作」和易踩的坑；DEMO.md 加 demo/ 是作者用该风格拍的样片源码。风格分九大类：手绘绘画（水墨、厚涂、水彩、浮世绘……）、东方传统（皮影、剪纸、纸雕灯影）、印刷版画、图形排版（ASCII/CRT、瑞士动态排版、间谍片头）、信息发布（数据叙事、活体录屏、全息 HUD）、卡通动画、游戏（16-bit RPG、HD-2D、瓦里奥制造式微游戏）、电影时代（默片、后室伪纪录片）、材质 3D。

上面这张矩阵里的每一格，都是我从仓库 docs/frames/ 直接取的真实样片帧，没有一张是生成模型出图。800×450 的尺寸背后是 1920×1080 的逐帧渲染。

仓库的使用规则设计得相当有立场，写在 AGENTS.md 里：先写你自己的 TREATMENT.md（三种结构候选、选一并说明理由、benchmark 只学语法不抄内容），写完才允许打开风格的 DEMO.md；demo 只许学技法（笔刷引擎、骨骼绑定、shader），不许借故事、分镜、道具。用户的片子做在 styles/ 之外，不加 LemoLab 署名、不加水印。导演手册 DIRECTOR.md 甚至规定「前 3 秒必须有钩子，不许先放慢悠悠的 logo」「一个缩略图尺寸就能读懂的梗，胜过三个要解释的梗」——这是创作规范，不是代码文档。

三分钟上手，然后等它拍 30–60 分钟

官方推荐装成 Claude Code 插件：

claude plugin marketplace add lemomo-ai/lemo-opuscar
claude plugin install lemo-opuscar@lemolab

第一次使用时，插件的 setup.sh 会把指南、core/ 工具和全部 STYLE.md 以 sparse clone（稀疏检出，排除 demo 源码、大图、海报）拉到 ~/lemo-opuscar，所有片子共用这一份库；你的成片工程放在发起命令的文件夹里。依赖分三层、按需安装，设计很省：

sh plugin/skills/lemo-opuscar/scripts/setup.sh deps         # 核心：npm 包 + 无头浏览器 + Python 基础层
sh plugin/skills/lemo-opuscar/scripts/setup.sh deps voice   # Kokoro/edge-tts/whisper
sh plugin/skills/lemo-opuscar/scripts/setup.sh deps music   # numba 拨弦合成

系统要求：Node 20+、ffmpeg、Python 3.11–3.13（kokoro-onnx 不支持 3.14；没有 uv 时脚本会自己找 3.12/3.13 建 venv）。装包还做了校验和标记：package.json 或 requirements 内容变了才重装，避免每次做片都等依赖。

不想装插件也可以裸 clone 后 claude 进入，片子落在仓库的 films/<名字>/。然后就一句话：

用油画厚涂风格做一支 30 秒的片子，讲我家那只每天在窗台等我下班的橘猫。

它全程只打断你一次：确认它定不了的事实、你有没有自带配音/音乐/素材、要不要先看分镜故事板。要看，它会用真实风格代码渲出关键镜头停一次；不看就直接交成片。README 给的预期很诚实：一支片子 agent 大约跑 30–60 分钟，token 用量不小。

它和视频生成模型，到底怎么选

我的判断，分三类人：

现在就值得装的：要做系列化、品牌化短片的开发者和内容团队——风格资产沉淀成代码后，第二部片的边际成本和一致性是生成模型给不了的；做产品讲解、数据叙事、发布会片头这类「文字必须精确」的内容；以及想把「AI 编程 agent 的能力边界」看个明白的人——这个仓库本身就是 Agent Skill 设计的教科书：分发靠 plugin marketplace，能力靠 markdown 指南注入，共享工具稀疏检出，用户产物零署名。

应该再等等的：要照片级真人写实的，代码渲染的强项是风格化而非拟真；没有 Claude Code 订阅、对 token 成本敏感的（作者明确说风格是按 Claude Opus 5.5 调的，换其他模型不保证同样效果）；期望十秒出片的，30–60 分钟的渲染和它那套质检门槛是一体两面。

一个需要自己验证的点：样片水平有目共睹（在线图鉴在 lemomo-ai.github.io/lemo-opuscar，含《OPUSCAR 98》98 种画风全公开：2D 77 部、2.5D 4 部、3D 17 部，每部都附可直接拿走的风格提示词和镜头编排），但样片是作者本人与 Opus 5.5 反复磨合的结果；普通用户用自己的题材第一次做片能达到几成，README 没有承诺，这也是我建议先用短题材试一支再决定投入的原因。

最后

Lemo-Opuscar 最有意思的地方，不是「又一个 AI 视频工具」，而是它重新划分了创作链路：人负责故事和审美决策，agent 负责把导演手册、摄影棚和 43 份美术宪法执行成像素、波形和时间码。 视频生成模型赌的是模型一次想对你要什么；这套体系赌的是——可复现的工程协议加上明确的创作规范，能把质量从玄学变成流程。在人人都在卷「一键生成」的 2026 年，反方向走一步，反而可能走得更远。

项目地址（MIT 协议）：https://github.com/lemomo-ai/lemo-opuscar