一个 600 星的开源项目，把动画门槛砍到「会打字就行」

你有没有过这种念头：想给自己的账号做一条像样的动画短片，一查报价，60 秒的片子要几百到几千块；想自己学，打开 AE 或者 Blender，光界面就劝退了；转头去找「AI 一键生成视频」，出来的东西倒是能动，但每一帧都在变，主角换个镜头就换了张脸，根本没法交付。

最近有个开源项目在解决这件事，思路跟主流不太一样。它不训练模型，也不给你一个「输入文字出视频」的黑盒，而是把动画这件事拆成了能被代码描述清楚的部分：背景、材质、运动轨迹、转场、镜头，全部用代码画；只有「人」这种代码画不好的东西，才交给生图模型出帧。最后合成成片。

它叫 huashu-art-motion，作者是花叔，一个技能包（skill），装进你的 coding agent 里就能用。GitHub 上六百星左右，MIT 许可。

这篇把它拆开讲清楚：它到底给了你什么、怎么用、能接到什么活、以及哪些地方会翻车。

先搞清楚它跟「AI 生成视频」不是一回事

这是最容易误会的地方，先说清楚。

现在主流的视频生成模型，本质是「扩散」：给你一段文字，它从噪声里一步步长出画面。好处是快、省事；坏处是不可控——你没法指定「这片星空要这样转」，也没法保证第 3 秒和第 8 秒的猫是同一只。你要改一个细节，只能重新抽卡。

huashu-art-motion 走的是另一条路：用代码画。它底层是一套 Canvas 绘制引擎，梵高的星空是画出来的笔触，8-bit 的砖块是画出来的方块，水墨的晕染是按扩散算法算出来的。既然是画出来的，那每一帧就是确定的、可复现的、能精确到帧对齐你的口播。

代价也很直接：你能画的东西受限于代码能力。山水、几何、像素、笔触这些它很擅长；一个真实人物的手部特写，它画不好。所以作者的做法是分工——场景、材质、运动、转场交给代码，人物帧交给生图模型，代码负责抠像、合成、换帧和材质统一。

理解了这个分工，你就知道它适合什么：风格化、可复现、要卡口播节奏的片子。不适合：写实人物剧情片。

它给了你三样东西

### 一、35 张艺术风格配方卡

从公元前 40000 年的岩洞壁画、古埃及壁画、浮世绘、梵高、克里姆特、包豪斯、Kirby 漫画、8-bit 像素、蒸汽波，一路到新海诚，共 35 种。

每张卡不是一句「梵高风格」就完事，而是给到能直接落地的东西：这套风格的参数是什么、母题动作是什么（比如梵高段是星空在转，马赛克段是颜色从石块上流过去）、签名转场怎么进怎么出，以及——这点很少见——当前短板在哪。

短板那栏是我觉得最有价值的部分。一个工具愿意告诉你「这套风格目前还做不好什么」，比吹自己全能可信得多。

35 种风格各配一个能跑的 Canvas 场景，也就是说你挑一张卡，是可以直接渲出画面来的，不是看着好看的示意图。

### 二、9 种解说动画语法

如果你做的是知识类、财经类、解说类视频，这部分比艺术风格更实用。

它把 YouTube 上几种成熟的解说视觉语言拆成了「语法卡」：

• Kurzgesagt：扁平无描边，靠尺度穿行制造冲击（从一个细胞缩到整个星球）
• Vox：剪报感、红线、荧光笔标记
• 白板：笔尖一笔笔揭开线稿，适合跟着口播画关系
• 3Blue1Brown：一个对象平滑形变成下一个对象
• Storytime：反应特写、笑点停顿
• 动态文字：主词砸进来
• 发布会 Keynote UI：光斑底、毛玻璃卡片、大数字
• 财经图表：先出轴、后出数据、只标一件事

前 8 种各带一支可运行示范片，还带参数化片段——你喂一份 JSON spec，它出一段时长精确到帧的片段，横屏竖屏都行，还能出透明底，方便你自己往里叠素材。

第 9 种是「讲解员式财经科普」，只给语法卡和整片代码快照，需要自备角色素材。这个区别很重要，下一节讲。

### 三、一套能拆、能验的工程

这部分是它跟「提示词模板」拉开差距的地方。

拆解脚本：你扔给它一段参考动画，它量出转场位置、拟合节拍网格、生成每段的运动热图——把「好看」变成一份能写代码的地图。这个思路其实比成品更值钱，因为你可以拿它拆任何你喜欢的片子。

QA 脚本：渲完之后它量四件事——稳定性、每帧成本、动感、流畅度，外加文字框景线索。更狠的是最后一步：派一个没参与制作的 agent 只看成片挑问题。让没干过活的人来验收，这招是真懂交付。

长卷骨架：一个人从左走到右，跨过边界的那一刻，世界和他自己的画风一起换。仓库里收了 3 段示范：埃及壁画 → 莫奈《日本桥》→ 8-bit。作者自己用这套做了《花叔穿越名画》，23 种画风、2 分 08 秒。

怎么用，四步

依赖三个东西：uv、ffmpeg、Playwright Chromium。前两个大概率你机器上已经有了，Chromium 第一次跑要装一下。

第一步，装上

npx skills add alchaincyf/huashu-art-motion

第二步，挑一张风格配方卡

打开你的 coding agent（Claude Code、Codex 等），说清楚你要什么风格。它有 35 张卡，你不用记住名字，描述你要的感觉，它会去查对应的卡。

第三步，写口播，让它按镜头表出画面轨

这是核心。你给一段口播稿，它拆成镜头表，定风格，在世界画布上加镜头，输出一条画面轨。你的口播有多长，画面就有多长，因为时长是算出来的不是猜的。

第四步，导出 MP4，配你自己的音轨

画面轨出来是 MP4，配音是你自己的事。仓库里也有纯代码合成配乐的模板（BPM 网格、动机换乐器、结尾音效序列），但人声建议你自己录，edge-tts 那类合成音在这个场景下够用，但不够好。

想先试渲一帧看看效果，两条命令：

uv run --with playwright python scripts/engine/render.py --solo 09_postimp --stills 0.3 --out 试渲
uv run --with playwright python scripts/engine/render.py --spec scripts/engine/examples/t3_finance_chart.json --out 财经图表.mp4

第一条出梵高那一段的一帧，第二条直接渲一支财经图表成片。先跑第一条，看看你的环境通不通，再往下走。

算账：这门活能接吗

先说行情。60 秒的风格化艺术动画，市场上报价大概在 500 到 2000 元这个区间，跨度大是因为甲方和成片质量差得远——给知识博主做一条科普动画，和给品牌做一条发布会开场，不是一回事。

按一周做 3 条、一个月 12 条算，收入大概 6000 到 24000。这是理想排产，不是保底。

成本这边：项目本身免费，MIT。主要开销是人物帧的生图费用，一个月 100 到 300 元量级，取决于你出多少帧、用哪个模型。

但我要给你泼一盆冷水，这串数字有个前提：你已经跑通了流程。第一条片子不是点一下就有的。你要配色、调参数、定镜头、处理人物帧的抠像和材质统一，第一次跑通花几个小时很正常。作者自己也写了，第一条要花几小时调。

所以更现实的算法是：把第一条当成学费，跑通之后单条的时间成本才会降到你敢接单的水平。

三个坑，提前知道

坑一：人物手部容易崩。 生图模型画手是老问题，这个项目也没绕过去。重要镜头要人工挑帧重出——别指望一次出帧就能用，留出挑帧的时间。

坑二：风格别照抄知名 IP。 这是商用风险，不是技术问题。你做一个「梵高风格」没问题，做一个「长得像某知名动画角色」的角色去接商单，侵权风险自己担。另外仓库里的「花叔」卡通形象只授权用于本 skill 的示范，不随 MIT 给你商用，别直接拿去接单。

坑三：口播整片参考代码是快照，不是工程。 仓库里混合风格、白板、Vox、讲解员这四种口播整片代码，作者明确说了是「代码快照，不是可直接渲染的项目」，需要自备部分素材。你不能直接 run 一下就出片，得自己补料、自己调。

这三个坑的共同点：都是「从能跑到能交付」之间的那段路。工具把门槛从「会画画」降到了「会打字」，但没降到「会点按钮」。

换个用法：不只是艺术动画

如果你不做艺术类内容，这套东西依然有用。

把「艺术动画」换成产品演示——发布会 Keynote UI 那套语法（光斑底、毛玻璃卡、大数字）就是为这个准备的；换成课程讲解——白板语法跟着口播画关系，比 PPT 录屏强；换成财经科普——图表语法专门解决「先出轴、后出数据、只标一件事」这类表达。

也就是说，你买的不是「35 种画风」，是一套可被代码精确控制的动画生产方法。画风只是它最直观的展示。

这也能解释它为什么要做成 skill 而不是做成软件：它的用法是「你用自然语言告诉 agent 你要什么，agent 去查卡、写代码、渲染、验收」。你要做的是一个导演，不是操作员。

冷静提醒

最后说两句实在的。

第一，这类项目更新快，六百星是个早期数字，别把它当成熟商业软件期待。依赖链（uv + ffmpeg + Chromium）任何一环出问题都会卡住，先看它给的试渲命令能不能跑通，再决定要不要投入。

第二，数字要打折听。报价区间、月收入这些，都建立在「你跑通了并且有稳定单源」的前提上。工具降低的是生产成本，不是获客成本。

但有一点它是真的做到了：它把「做一条能看的动画」这件事，从需要美术功底，变成了需要你能把需求说清楚。对做号的、接单的人来说，这个门槛变化本身就是机会。

工具永远替代不了判断力——镜头怎么排、节奏卡在哪、哪一笔该留白，这些还是你说了算。它省掉的，是那些原本要花在软件操作上的时间。