彩色手绘三维穿梭视频

把照片画成彩色手绘，再按颜色和笔触拆成六层透明画面，放进同一个三维空间：正对着看是一张完整的画，镜头一侧移就散成一层层笔触，穿过去、拐个弯，再从新角度拼成下一个主体。三维感来自透明画层和镜头透视，不是从照片里恢复出三维模型。如果要调用 2 次以上本 skill 中的脚本，直接将本 skill下载到本地。做一支视频就要依次跑拆层、构建、渲染三个脚本。

流程

① 底稿

• 1–8 个清楚的主体，先记下来源。真人、宠物用用户给的素材或核对过来源的图；用户允许举例时可以生成示例，交付时注明哪些是生成的。群像和名画只取画里真有的主体
• 每个主体一张独立的方形彩色手绘，至少 512 像素，细毛和近景要 768 以上。照片必须先画成手绘——程序提边代替不了这一步
• 多个主体在姿态、大小、表情上拉开：动物可以拿耳尖、胡须、爪子、毛色和视线做构图，别全画成正面证件照
• 底稿要照着分层脚本的假设画：layers_v2.py 拿纸色当透明底，纸色写死在 (251, 243, 228)；冷色层按蓝、青挑，暖色层按橙挑；人物的脸要落在画面水平正中、偏上的一个椭圆里。下面这段 prompt 就是照这几条写的，原图传主体的照片，size 写 "1:1"

把照片里的画成一张方形的彩色手绘肖像，只画头和肩膀：脸在画面水平正中、略偏上，头顶离上边留一点空，头和脸占画面宽度的六成左右，肩膀落在画面下三分之一。保留能认出的五官、发型、脸型和表情，不美化、不换脸。

画法：暖米白色的纸底，接近 #FBF3E4，整张纸平整干净，身后没有任何照片背景。用石墨细线勾出五官和轮廓，头发和衣服用疏密不一的排线；脸上薄薄一层暖色彩铅，衣服按原照片的颜色淡淡上色。两侧和身后是大幅、松散、快速的手势笔触：一组橙色笔触（#D85B28 一带）从左下往右上扫，一组靛蓝和青色笔触（#2A4A8F、#3D91A4 一带）从右上往左下扫，中间夹几笔深灰石墨长线；笔触散到画面边缘，但不盖住眼睛和嘴。

不要：照片质感、纯白或深色的背景、大块渐变色、边框、文字、签名、水印。

• 只实测过人物。动物、物件把「头和肩膀」「五官」换成对应的部位，构图照样让主体落在中间偏上
• 一张一次改图，两张并发各要两分半左右，出来是 1254×1254，分层时缩到 --size
• 纸色出来在 (250, 236, 211) 一带，比脚本写死的偏黄。分层后纸面在构图层里留了约 5% 的不透明度，颜色跟底色几乎一样，成片里看不出方块。脚本按跟 (251, 243, 228) 的色差算透明度，纸色差得越远，纸面留得越实，验收时单独看构图层（construction）

② 配乐

• 默认现做一段：调生成音乐的 clip 版，一段 30 秒左右的 MP3、0.04 美元，十几秒返回。prompt 写明纯音乐、不要人声，再写乐器、情绪、速度，加一句「每两小节一个清楚的重音」，好把主体的到达落在重音上
• 总长 = 最后一个主体的到达点 + 每主体时长 + 片尾 1.34 秒，两个主体默认是 8.34 秒。用 ffmpeg 截出这么长，末尾留自然收束或淡出，存成 assets/music.mp3
• 曲子比视频短：再生成一段，检查过接缝再交叉淡化接上，或者换 pro 版出整首；不要默认它能无缝循环
• 用户认可的现有音乐优先，一直用到片尾；被否掉的就换。别从参考片里扒音乐
• 用户要现成的曲库：作者默认用 music.shapeof.world¹。先读它的 llms.txt，照里面的索引按时长、情绪、乐器挑，读每首的元数据核对 rights：商用只选 commercialUse 为真的，要免署名还得 attributionRequired 为假，没写的不算有授权；从返回的确切地址下载，不按曲名猜地址，许可和来源存下来
• 查音轨：完整、时长对、能解码、峰值正常。能听就真听，听不了就明说没听过，别把元数据和自动检测写成听过

③ 拆层、构建、渲染

渲染工程是下面 9 个文件，整包解压出来就是这个目录；逐个取的话，按这个目录结构放进项目里的一个新目录。下面都叫 starter 目录：

装上 requirements.txt、Playwright 的 Chromium 和 ffmpeg。底稿放进 assets/art/，配乐剪好存成 assets/music.mp3，在 starter 目录里跑：

python tools/layers_v2.py --art assets/art/a.png assets/art/b.png --names '主体一' '主体二' --subject-kind person --size 768 --out-dir assets/layers
python tools/build_v2.py --mode generic --manifest assets/layers/manifest.json --audio assets/music.mp3 --out output/parallax-ink.html
python tools/render.py --html output/parallax-ink.html --audio assets/music.mp3 --output output/parallax-ink-720p.mp4 --width 720 --height 1280 --fps 30 --jobs 2

• --subject-kind person|animal|object 按实际主体选，默认 person，一次只能选一种。animal 让成片的毛留在一起，不按一根根毛拆层，否则缩小时会出透明碎点；object 用更宽的内容区。它们都是按颜色和边缘拆，不是准确的解剖分割；白毛、复杂背景、低对比的素材要单独查透明层
• --art 必须给，--out-dir 必须在 starter 目录里面：不给 --art 会去读作者工程里的一张联系图，starter 里没有这张图
• 时长：默认每个主体约 3.5 秒，片尾 1.34 秒；--block-seconds、--duration 改时长，--arrivals 0 … 填按实际音频听出来的每个主体到达的时间点。别用旧版每人 6.4 秒的慢轮播
• 一张图只做这个主体的拆层、穿越和回看；多张图可以用折返空间、翻页、纵深通道或正交房间。对齐视点下各层拼成完整的画，侧着看就分开。主体和它的笔层前后保持同一身份；淡出可以配合真实的空间位移
• --scene scene.json 可以排主体的大小和位置、镜头关注哪里、滚转、细线和片尾，字段见场景 JSON。这些是可选的美术方向，人物默认不加猫爪、毛线这类东西
• 用户要多种转场，用四种空间转场，每种单独交一支真视频，可以再做一个同步四宫格方便比较。实验方案和已经认可的默认运镜分开保存
• 先渲一小段确认真在动，再导 1080×1920。HTML 内嵌了贴图和音乐，离线能打开、能播放和拖动；__renderAt(t) 按时间确定地取帧，镜头快速掠过时加短快门模糊。原图、分层、场景参数和最终 MP4 都留着

实测时撞到的：

• 不写场景 JSON，片尾印的是作者的字：「线 的 另 一 面」和「PARALLAX INK / MAKERJACKIE」，render.py 也把 MP4 的 artist 元数据写成 MakerJackie。片尾的字在场景 JSON 的 outroTitle、outroSubtitle 里换
• 人物默认路线没有对齐停留：第一张脸 0.7 秒就开始散，来不及看清。在场景 JSON 写 "alignedHoldSeconds": 1.2，每个主体先停稳再拆
• 快：两个主体、8.34 秒、720×1280，渲染 21–25 秒。HTML 24 MB；MP4 用 crf 17 压，8 秒就有 15–21 MB，放网页要再压
• Chromium：render.py 先找 PATH 上的 chromium、google-chrome，都没有就用 Playwright 自己下的那份

场景 JSON

build_v2.py --scene scene.json 把 JSON 当数据嵌进 HTML，不用改渲染器。五只猫那次的场景是 parallax-ink-cats-scene.json，不带图和音乐。

• focus 的原点是画面中心，向右、向上为正，画面通常宽约 3.46×size 个世界单位。橘猫的爪子在右下，可以取 [0.7, -0.65]；耳朵在上方，可以取 [0, 0.8]。数值跟着构图变，不会自动识别
• 固定对齐视距是 6.2。改了布局，先跑 python tools/inspect_motion.py --html output/parallax-ink.html --out qa/inspect --times 0 1.8 2.5 3.5 …，看每个主体成立的视点、近景掠过、新旧主体同时可见的拐角和结尾。它出的是真实渲染的联系图，代替不了动态播放

四种空间转场

在单独的场景 JSON 里写 motionVariant。几种方案用同一组分层底稿和连续的镜头，每个主体都留 alignedHoldSeconds 的阅读时间，默认 1.2 秒。五只猫的参数别直接套到别的素材上。

{
  "motionVariant": "fold",
  "alignedHoldSeconds": 1.2,
  "outroTitle": "猫 的 另 一 面",
  "outroSubtitle": "HINGED INK"
}

• 照常用 build_v2.py --mode generic --scene scene.json 和导出命令。转场模式自己定布局、镜头和片尾，所以这份 JSON 里不写原路线的 families、accents、ending；原路线不写 motionVariant，毛线只属于原路线
• cube 的画面位置固定；其他三种会移动、旋转画面，也会改透明度。每一层贴图始终是同一张。用户要翻转、淡化，不能拿「物体必须完全固定」去拒绝
• 先逐帧查每次过渡，尤其是正交房间的留白、镜头背后的曲面穿进画面、放大时稀疏的笔层盖住下一个主体。完整对齐那段必须稳，快速段不要求每帧都拼成完整的头像
• 几种方案都是等用户挑的实验，不自动继承默认人物路线已经得到的认可

④ 运镜与声音

• 完整的主体要留出看清的时间。猫版写了 alignedHoldSeconds: 1.2：对齐期间镜头停在校准视点，再侧移拆开 → 近景掠过 → 看见拐角 → 下一个主体对齐；快速穿层和对齐停留分开调。拐角必须同时看见上一个主体的侧面笔层和下一个主体，别用一次遮挡把整张图换掉
• 变化来自真实的构图：小主体从大主体边上露出来，沿耳尖往上转，贴着爪子掠过，最后回到完整的表情。底稿里的抬爪、打哈欠是画出来的姿态，别说成动物肢体的逐帧动画
• 按实际音频的节奏排到达、掠过、收束。曲子标的 BPM 只是估计；记下剪辑起点和卡点依据。峰值检测和自动审核不能冒充人工试听。结尾留自然收束或做淡出，不能提前没声、生硬截断
• 配音只在用户要时加：先拿同一句短文、不配乐、不变速的音频让用户试听，选定音色再生成全文，按实际配音调字幕，说话时压低配乐。声音用生成语音

⑤ 验收

python tools/verify_v2.py --html output/parallax-ink.html --out qa

• 它查基础网格、确定性、完整停留，以及离线播放、跳转、拖动。固定空间的模式查世界坐标不变；翻页、散层的模式查实际变换跟配置一致，别把它们报成固定的世界几何
• 在浏览器里用 __setLayerVisibility('cool-shadow') 这类调用单独看每一层，确认没有纸白色的矩形，完整展示时特征没丢
• 再查实际的 MP4：ffprobe 信息、全片能解码、开头和每次转向和结尾的连续帧、音轨完整。能听就真听一遍，听不了就明说
• 交可播放的 MP4、源码和 HTML、几句验证结果。分清工程通过、看过画面、听过声音、用户认可这四件事，不承诺任何输入都能自动做到一样的效果

能做到哪一步

• 作者做过的：五张 AI 生成的人像出过 36 秒 1080×1920 的成片，五只猫出过 18.84 秒的版本，人物加猫配音合成了 41 秒（就是页首那支）；单张猫、两张混合输入通过了 HTML 启动和关键帧检查
• 没证明的：任意低质照片、复杂群像、所有名画都能自动拿到一样的画面；底稿要人看过，分层有时要按图调
• 多个人同框是固定的透明画面加真实镜头透视，不是从照片里还原出三维人体

实测

2026-10-17 拿 Gallery 里两张 AI 生成的人像（摄影的对镜自拍、时尚大片的影棚肖像）走了一遍，页首右边那支就是：

• 底稿：照底稿的 prompt 各改一次图，155 秒、162 秒
• 配乐：Lyria clip 出一段 30.8 秒，截前 8.34 秒，末尾 0.84 秒淡出。主体到达用的是默认每人 3.5 秒，没按重音排；配乐没人试听过
• 分层、构建、渲染：分层 3 秒，渲染 250 帧 21 秒；verify_v2.py 全过，没有外部请求和页面报错
• 两版：第一版没写场景 JSON，第一张脸刚出来就散，片尾是作者署名；第二版加了 1.2 秒对齐停留和自己的片尾字，两张脸都停稳了，收的是这一版
• 花费：改图两次（单价没查），配乐 0.04 美元

{
  "alignedHoldSeconds": 1.2,
  "outroTitle": "两 张 脸",
  "outroSubtitle": "PARALLAX INK · TEST"
}

纯音乐，不要人声。约 110 BPM 的轻快原声小品：拨弦吉他、钢琴和轻柔的手拍打击，明亮、好奇、有手作感，像铅笔在纸上快速勾画；每两小节有一个清楚的重音，结尾自然收住。