先说结论：纸片风动画的立体感，主要来自素材拆分、前后遮挡和出场节奏。把一张完整画面做推拉，最多得到“会移动的海报”；把背景、人物和前景拆成独立图层，再交给代码控制位置、尺度与时间，画面才会像一组真正叠起来的纸片。
本文根据马叔讲AI在 2026 年 7 月 14 日发布的案例文章重新整理。原案例以唐朝题材为样片，使用 Codex 串联本地工具，用 Imagegen 准备素材，Python 处理透明通道，Remotion 负责动画和渲染，再用 F5-TTS 与 FFmpeg 完成声音和技术验收。下面保留方法论，重新组织叙述，并把它抽象成一套可以迁移到其他题材的 AI 视频工作流。
一、先把“纸片感”拆开看
这类视频看起来像纸雕，底层逻辑却很朴素：每个视觉元素都有自己的前后位置和运动速度。远处山水只做缓慢漂移，主角先落到画面里，配角从两侧补进来，前景纸屑或人物负责遮挡边缘。观众看到的立体感，来自这些关系同时成立。
如果背景、皇帝、侍女和群臣都被画在同一张图上，后期只能整体缩放或平移。人物不能单独改朝向，前景也不能临时压住主体，动画很快就会失去层次。反过来，只要素材之间保持独立，复杂度就可以被拆成许多小而明确的控制项。
二、工具分工：让每个环节只承担一种责任
案例没有把所有事情交给一个模型。它更像一条本地生产线：Codex 负责调度，绘图模型负责生成素材，脚本负责整理资产，Remotion 负责把静态素材变成时间轴，音频和媒体工具则负责声音与验收。
| 工具 | 在案例中的位置 | 主要产物 |
|---|---|---|
| Codex | 工作流总控 | 读取文案、拆分镜头、生成项目代码、执行命令、串联渲染 |
| Imagegen | 素材生产 | 背景底板、唐代人物、宫殿、山水和纸片装饰 |
| Python + Pillow + NumPy | 资产整理 | 检查透明通道、批量抠图、把人物素材表拆成独立 PNG |
| F5-TTS | 旁白生成 | 根据获得授权的参考音频生成中文旁白 |
| Remotion | 动画与渲染 | 用 React 组件控制图层、入场、镜头、字幕、音乐和音效 |
| FFmpeg / ffprobe | 技术验收 | 检查时长、分辨率和音轨，并抽帧复查成片 |
这里有两个核心支点。Codex 解决的是“如何把一串工具接成可执行流程”；Remotion 解决的是“如何让每个图层在准确的帧上出现、移动和消失”。前者偏编排，后者偏画面。
三、先定镜头，再生成素材
案例样片只设置了两个镜头：一个全景，用来交代宫殿、皇帝、侍女和群臣的规模关系；一个特写，把捧礼盒的人推到中心，突出“万邦来朝”的叙事重点。镜头数量不多，反而更容易看出分层是否成立。
先定镜头有一个实际好处：同一个角色在全景和特写里不必使用同一套尺寸、位置与朝向。若先批量生成一堆人物，之后才决定谁是主角，常见结果是比例失衡、人物视线相反，或者关键道具被挡住。镜头草图应该先回答三件事：
- 观众第一眼应该看见谁？
- 哪些角色只负责交代规模，不能抢走焦点？
- 前景要从哪里进入，才能形成遮挡和纵深？
四、背景底板只负责环境
背景底板不要提前塞入人物。它只保留山水、宫殿、城楼、纸张纹理、撕纸边缘、网点、胶带或印章等环境元素。这样做的意义在于，人物之后仍可以自由调整，不会被背景中的重复角色或错误透视牵制。
案例中的两个镜头采用了不同底色：全景偏米白，用来托住金色主体；特写使用大面积深红，把中央礼盒人物从画面里推出来。这不是必须照搬的配色方案，但说明了一个好原则：底板的颜色应该服务于主角的识别度。
五、角色生成要为后期留出接口
“生成一个唐朝人物”还不够。为了让角色能被动画系统接管，提示词需要把几个边界说清楚：时代服饰和发冠、人物完整不裁切、明确身体朝向、白色剪纸描边、单色背景、没有文字水印，也不要把复杂场景一并画进去。
人物素材更适合先做成一张素材表，再用 Python 拆成多张透明 PNG。这样皇帝、捧礼盒的人、跪拜者和侍从都能单独改变位置、宽度、延迟和动作。抠图完成后还要检查头发、衣袖、道具边缘与半透明像素；边缘处理粗糙，白色剪纸描边和投影会把问题放大。
六、静态排版先过关，动画放到第二轮
拿到素材后先把所有人物静止摆好。案例里的排版遵循“主角最大、次要角色居中、后排角色收小”的叙事尺度，而不是让所有人物均匀铺开。静态画面至少要检查：
- 主角是否拥有最大的视觉重量；
- 配角有没有盖住主角的脸、手或道具；
- 人物脚底是否落在同一套可信的地面关系上；
- 全景和特写是否各自有清楚的视觉中心。
这一步看似没有动画，却决定了后面所有动画是否自然。画面构图已经混乱时，增加更多缓动曲线只会让混乱移动得更顺滑。
七、用不同节奏给不同图层动画
可以把人物分成主角、次要角色和后排角色三类，再给背景与前景单独设定节奏：
| 层级 | 动作策略 | 叙事目的 |
|---|---|---|
| 背景层 | 极慢的漂移或推镜，幅度很小 | 让画面持续呼吸，不抢主体 |
| 后排层 | 小幅移动、较低透明度、较晚补齐 | 交代规模，维持空间深度 |
| 主体层 | 更明显的位移、缩放和落地感 | 建立视觉中心 |
| 前景层 | 从近处进入，速度略快并形成遮挡 | 制造纸片叠放的纵深 |
入场不要同时发生。用 delay 先让主角出现，再让次要人物从两侧补入，最后让后排群像填满空间。入场完成后保留很轻的上下浮动，画面会比“出现即静止”更有生命力。
图层顺序也要明确：背景底板、后排人物、中排人物、主角、前排人物，最后是字幕和装饰。每一层使用独立的 zIndex，再统一加纸片边缘和浅色投影。这个案例说明，二维遮挡关系已经足以产生立体错觉，不必先引入复杂的三维场景。
八、声音决定镜头的呼吸
画面大致完成后，再按旁白长度调整镜头时长。旁白每段对应一个 WAV，决定镜头应该停留多久；背景音乐循环播放，但音量要退到人声下面；章节切换可以用 impact 或 riser，主角入场用较重的 impact，次要人物使用 whoosh，后排则用更轻的 tick。
字幕只保留一层，固定在底部逐句跟随旁白，避免与画面内部的文字争夺注意力。声音应当帮助观众理解画面何时建立、何时转场、何时完成，而不是单纯填补空白。
九、把验收放进流程，而不是留到最后碰运气
在 Remotion Studio 中逐帧检查时，重点看以下问题：人物有没有被裁掉，朝向是否正确，主次尺寸是否拉开，遮挡顺序有没有反，入场有没有错峰，音效是否落在对应帧上。确认画面后，再用 FFmpeg 或 ffprobe 检查最终文件的时长、分辨率和音频轨道，并抽取若干帧复查。
“能渲染出来”只是完成了技术链路，不能说明成片已经可用。分层动画常见的问题往往出现在最后几秒：一个前景角色穿过主角的脸、一个透明边缘在缩放时露出色块，或者旁白已经结束而镜头仍停留在原地。把这些检查写进工作流，比依赖最后一次肉眼扫片更可靠。
十、可迁移的完整流水线
- 确定文案与镜头：先定义每个镜头的叙事目的和视觉中心。
- 生成背景底板：只画环境，不提前粘入人物。
- 生成角色素材表：把人物朝向、完整度、背景和描边要求写进提示词。
- 拆分透明资产：用 Python 抠图并检查边缘，得到可独立控制的 PNG。
- Remotion 静态排版：先解决大小、位置、地面和遮挡关系。
- 分层设置动画：按主角、次要、后排和背景分别设置位移、缩放与 delay。
- 加入旁白与声音：用旁白确定镜头长度，再补音乐、章节音效和入场音效。
- 预览、抽帧、渲染：先逐帧查画面，再做技术验收，最后输出 MP4。
这套方法并不依赖唐朝题材。历史人物、知识科普、商业故事、城市变迁，只要能拆成背景、主体、配角和前景，就可以沿用同一套思路。它的核心不在于让模型一次生成一条“完整视频”，而在于把视觉叙事拆成可检查、可复用、可重新组合的资产和时间关系。
适用条件与需要留意的边界
- 适合：有明确脚本、希望保持统一画风、需要反复修改镜头或批量生成相近视频的个人创作者和小团队。
- 不适合直接照搬：人物动作极其复杂、需要真实三维交互、或者必须保证历史服饰与细节完全考据的项目，仍需要更专业的资产与制作流程。
- 声音授权：使用参考音频进行声音克隆前，应取得本人明确授权，并确认发布范围与保存方式。
- 商业使用：Remotion、模型、字体、音乐和素材各有许可条件，商用前应逐项核对，不能因为素材是本地生成就默认没有授权问题。
- 案例边界：本文讨论的是一条案例工作流，不把原文中的制作结果当作普遍性能或效率承诺。
常见问题
一定要用 3D 软件才能做出立体感吗？
不一定。对于纸片风、剪纸风或拼贴风画面，透明图层、zIndex、遮挡、缩放和错峰入场已经能提供足够的空间暗示。只有当镜头需要真实透视变化、连续旋转或复杂碰撞时，才有必要引入更重的三维方案。
为什么不先把所有人物生成出来，再慢慢想镜头？
因为镜头会反过来决定人物的尺寸、朝向和遮挡关系。先定镜头，能把生成任务限制在明确的构图里，也能减少后期发现主次不对时的返工。
Imagegen 可以换成别的绘图工具吗？
可以。工具名称不是这套方法的关键，关键是能否稳定产出完整人物、明确朝向、干净背景和可处理的边缘。只要素材最终能拆成独立透明层，就能接到后面的 Python 和 Remotion 流程里。
