GPT-6控制Blender生成白膜：AI视频可控化新方案

OpenAI上线GPT-6后，围绕AGI的讨论再度升温。但抛开这些争议不谈，对AI视频创作者来说，一个更实际的变化已经发生：通过智能体（Codex或Claude）去操控Blender完成建模、镜头设计和运镜，先生成一段白膜预演视频，再结合Seedance 2.5（C-Dance 2.5）的渲染能力生成最终成片。B站UP主深白色完整跑通了这套流程，本文梳理其中的关键环节、技巧与成本账。

白膜视频为什么是可控性的关键

Seedance 2.5上线时的重点宣传能力之一，就是白膜渲染。所谓白膜，是指没有材质、纹理的纯几何模型视频。它的价值在于——如果我们能先把白膜视频精确地做出来，那么AI视频里最难控制的镜头走位、空间关系、运镜节奏，都可以被提前设计好。

此前有官方活动提供了一段白膜视频，让参赛者据此渲染成片。深白色实测后发现，虽然效果谈不上完美，但白膜确实能大幅提升画面的可控性。问题随之而来：如何高效地生成这么一段白膜视频？

传统的3D导演台工具虽然能搭场景、摆人物、控制镜头运动，但建模、调整镜头轨迹和角度依然需要耗费大量时间。既然进入了AI时代，这些繁琐工作理应交给AI来做。

Xfield率先做出了一项有意思的创新：把Claude与Blender连接起来，通过Claude创建场景、设计镜头，最终生成白膜视频。深白色认为，这很可能就是AI视频走向真正可控的终极方案。但Xfield的方案需要下载其Blender插件，且必须购买会员才能使用，价格并不便宜。

白膜（Grey/White Box）概念源自游戏开发领域的「白盒测试」流程，在影视预演中也称为「Previz（Pre-visualization）」。其核心逻辑是：在投入材质、灯光、特效等高成本制作之前，先用最低成本锁定空间关系和镜头语言。传统电影工业中，预演通常由专职的3D预演艺术家完成，需要数天乃至数周时间。AI视频领域引入白膜逻辑，本质上是把这套工业管线中的「镜头锁定」步骤移植过来，用以对抗扩散模型生成视频时固有的随机性——模型每次推理都会在噪声空间中重新采样，导致镜头角度、主体位置无法跨帧保持一致。白膜作为结构化参考输入，相当于给扩散模型施加了空间约束，从而将「抽卡」问题转化为「结构复现」问题。

用GPT-6一句话打通Codex与Blender

深白色此前尝试过多种方式复刻这一功能均未跑通，直到GPT-6出现，用一句话就完成了连接。

完整方案的前置条件：安装Codex并切换到GPT-6模型，同时安装Blender（官网免费下载，建议手动安装以节省Token）。随后在预先编写好的Skill引导下，让Codex与Blender逐步建立连接。连接成功后，就可以用自然语言描述想要的场景或镜头。

在实测案例中，作者让它做一个简单的坦克模型，本以为方块拼凑即可，没想到它花约4分钟做出了带履带、炮筒、炮台细节的模型。接着给出更完整的指令——生成一段30秒电影片段，内容为现代战争中坦克在城市废墟中前进并炮轰前方阵地。约5分钟后，它一次性完成了建模、镜头轨迹、取景与构图，并直接输出白膜视频。

将这段白膜视频结合此前生成的资产图、场景图，写出视频提示词后交给Seedance 2.5渲染，最终成片基本复刻了白膜预演的镜头运动、主体位置与整体节奏。

Codex是OpenAI推出的代码生成与执行智能体，其核心能力在于能够调用外部工具、执行脚本并与本地或云端软件交互。Blender本身内置了Python脚本接口（bpy模块），几乎所有建模、动画、摄像机操作均可通过Python命令驱动。Codex与Blender的连接，本质上是让语言模型将自然语言描述翻译成bpy脚本，再通过本地Socket或命令行接口实时注入Blender执行。GPT-6相比此前版本在工具调用的鲁棒性和多步推理稳定性上有显著提升，这使它能在单次对话中完成「理解场景需求→编写建模脚本→调用摄像机API→输出渲染指令」的完整链路，而无需人工介入中间步骤。这也解释了为何GPT-5.6在首次连接时容易断链，而在路径已建立后反而能够胜任后续的增量修改任务。

参考图与分镜表：更精细的空间控制

除了直接生成，这套流程还支持喂入参考图。作者给出一张参考图，让AI先据此建模还原空间。首次生成存在问题：人物背景本应是玻璃墙，且视野外的部分没有补全。第二遍修改时，作者补充了多角度图片帮助AI理解空间结构，并明确说明背面是墙、两侧是玻璃门，仅用两分钟便完成了修正。

对于镜头语言、构图和运镜，作者上传了自己预先写好的分镜表，让AI据此生成白膜。通过白膜视频可以直观预演当前的镜头语言，发现不满意的地方就修改分镜、重新生成。最终把满意的白膜视频上传回Codex，用「导演拍摄技能」参考白膜生成视频提示词——提示词中会自然带上对参考视频的引用，且每段的运镜、构图、人物表现都与白膜相匹配，从而生成真正可控的成片。

GPT-6跑通、GPT-5.6接力的省钱思路

一个值得注意的现象是：GPT-6能一次性控制Blender，而GPT-5.6一开始却做不到。作者的解法是——先用GPT-6跑通整个流程，把模型、场景、操作路径都建立好，之后再切换回GPT-5.6继续设计新的镜头轨迹。

实测中切换到5.6后用16分钟生成的新白膜视频，效果与6几乎看不出区别。原因在于操作路径已经铺好，后续镜头设计的难度大幅降低，5.6也能胜任。由于GPT-6当前的额度消耗非常大，这种「6负责首次连接建模、5.6负责后续修改」的分工会更划算。

成本账：白膜预演到底值不值

费用是创作者最关心的问题。作者给出了参考数据：

• 从零建模并制作一个坦克白膜视频（含修改），消耗了PLUS会员5小时滚动额度的约40%。若已购买会员，这部分不产生额外现金支出。

• 正式渲染方面（画布内直接使用的价格），以Seedance 2.5的30秒720P规格为例：直接生成约需56.7元，使用参考视频则涨到68.4元，即多出约20%。

结论比较清晰：如果画面简单、随机性低、有把握一次成功，直接生成成本更低；但只要需要多次「抽卡」，哪怕只抽两次，成本就会立即超过带白膜参考的方案。对于多人物调度、复杂走位、连续动作等场景，作者建议宁可多花20%用白膜视频作参考——这不仅省下反复抽卡的钱，更重要的是减少返工、节省时间，让结果更可控。

「抽卡」在AI视频社区中是对「多次随机生成、从中挑选满意结果」这一工作模式的口语化描述，类比手游中概率性获取道具的机制。由于当前主流文生视频模型（包括Seedance、Kling、Sora等）均基于扩散Transformer架构，每次生成本质上是独立的随机采样过程，相同提示词的两次生成结果在构图、光影、动作细节上往往存在显著差异。这导致创作者在没有结构性参考输入时，往往需要生成5至20次甚至更多才能获得一个符合预期的镜头，而每次生成都产生实际费用。白膜参考视频的引入，将这种「开放式随机采样」收窄为「有约束的结构复现」，从概率上大幅减少满意结果所需的生成次数，这是其经济性价值的底层逻辑。

写在最后

作者把用Codex控制Blender的经验，以及Xfield插件的操作逻辑、连接方法，整理成了一个Blender Skill分享出来。他也坦言，即便没有这个Skill，GPT-6依然可以直接控制Blender，Skill的作用主要是减少摸索流程、节省Token，并补充建模、镜头设计和连接方面的逻辑。

GPT-6是否意味着AGI真正到来，目前仍无定论，但它展现出的能力已经能帮创作者实现过去只敢想象的工作流。「智能体控制Blender生成白膜 + Seedance渲染」这条路径，为AI视频从「抽卡碰运气」走向「工程化可控」提供了一个值得认真对待的样本。