用白模驾驭大模型：Roadster飞跃短片制作复盘

先说这条片子

前几天我用可灵 kling 4.0 做了一条 AI 短片《当我开着 Roadster 遇到堵车时》。讲的是早高峰堵车时，一辆 Roadster 开上隧道壁、倒挂着穿过隧道，出来后靠喷气飞起来越过车流。

片子本身还比较粗糙，不少地方经不起细看。不过做的过程中，我摸索出了一套用白模控制可灵的办法，觉得值得记下来。

片子里堵车、车内这些镜头是直接生成的；车爬墙、倒挂、翻转、飞跃这几个镜头，用了白模。

片子发到 X 上之后，有人问白模是不是用 Blender 做的。其实不是，我自己也不会建模。白模是我说需求、Claude 写代码搭出来的。

这篇就把白模这部分单独拆开讲：白模是什么、怎么做、喂给可灵之后又踩了哪些坑。

为什么非得做白模

一开始我没想着做白模，就是常规做法：场景图、关键帧加提示词，让可灵自己发挥。

车冲向隧道壁、开始往上爬的那一小段，这样是能用的。但车一爬上墙、一倒过来，问题就来了：

• 车"变脸"了。 车身一旋转，可灵就认不出这是 Roadster 了，墙上那辆车慢慢变成了一辆普通的白色轿车。
• 动作是可灵编的。 车从哪里上墙、开多快、什么时候到顶，全靠它猜，每次生成都不一样。
• 前后段也接不上。 每段各生成各的，车的位置和角度很难和上一段的结尾对上。

没有白模时生成的版本：动作大致有了，但墙上这辆已经不是 Roadster。

后面的出隧道翻身、空中横滚只会更难。提示词写得再细，也说不清"第 2.4 秒开始横滚，1.4 秒转完一圈"这种事。

白模就是为了解决这个问题。它是一段很粗糙的 3D 动画：车是个简化模型，堵着的车是大大小小的方块，没有任何质感。但车怎么走、转多少度、镜头怎么动，都是定死的。

把这段白模视频交给可灵，让它照着动作重新"画"一遍，分工就清楚了：

• 白模管动作和镜头：车的路线、速度、翻转和运镜。
• 参考图管长相：车外观六视角图、场景图。
• 提示词管氛围：早晨的光、真实的车流、喷气的白雾。

这个项目里我自己当导演，Claude 当动画师搭白模，可灵当渲染师。

第一步：先搭一辆"白车"

白模里最重要的是那辆车。我手上只有一张"车外观六视角图"，Claude 照着它用代码搭了一个简化车模。

车模不用精致，只抓几个一眼就能认出来的特征：

• 比例：长约 4.5 米、宽 2 米、高 1.15 米，车头压得很低，后轮拱鼓起来，后面是长长的溜背玻璃。
• 车尾：一整条贯穿的红色尾灯、黑色扩散器、四个圆形排气口。
• 车头：两角细细的 LED 灯条、黑色下进气口。
• 颜色：车身白，底盘和下半截黑，黑色轮胎配深色六辐轮毂。

最管用的一招是贴照片。把六视角图里的车尾、车头抠下来，直接贴在白模的屁股和脸上。车不管翻到什么角度，可灵都能看到真车的尾部，车就不会再"变脸"。

车模也分场景。隧道那场车在画面里很小，用的几乎就是一个楔形盒子加一张车尾照片。出隧道和快速路两场车离镜头近，才换成上面这个更光滑的版本。

堵着的车就更省事了，全是大大小小的方块。出租车的车顶涂成绿色，车尾加两块红色尾灯。可灵会自己把绿顶方块画成出租车，把红点画成刹车灯。颜色就是最简单的提示。

第二步：把动作"算"出来

白模里车怎么动，不是拿鼠标拖出来的。我用大白话描述动作，Claude 把它写成公式，每一帧车在哪、转了多少度都是算出来的。要改哪里，改一个数就行。

一共三场戏：

隧道倒挂。 隧道的横截面是"一段平路接一个圆弧"。车沿着这个截面往上开，车身倾斜多少度，按"两排轮子都贴住墙面"来算，所以车既不会悬在半空，也不会陷进墙里。镜头一边慢慢往前推，一边带一点点手持的晃动。

出隧道翻正。 车倒挂着以大约每秒 20 米的速度开出洞口，在空中转半圈翻正，然后下喷口喷气、悬停、慢慢落地，落地时车身还会轻轻弹一下。车在洞里时打暖黄色的隧道灯，出来之后换成早晨的阳光。白雾只在喷气打到路面的地方冒出来，而且留在原地，不跟着车走。

快速路横滚。 车在第 1.3 秒以每秒 20 米起飞，第 2.4 秒开始横滚，1.4 秒转完一圈，侧面喷口只在横滚那一下亮。第 5 秒落地时速度降到每秒 4 米，滑到第 5.8 秒停住，第 6.4 秒再加速开出画面。镜头站在路边，先跟着车摇一点，最后放车开走。

对比上下两排就能看出来：可灵几乎是照着白模一帧一帧"描"的，车的位置和角度都对得上，只是把方块换成了真车、真公交、真天空。

第三步：让白模和画面"站在同一个位置"

白模动作再准，相机和画面对不上也白搭。对不上的结果就是：车开进墙里，或者飘在路面上方。

每一段我都有一张定好的画面：要么是我做的场景图，要么是上一段视频的最后一帧。白模的相机要跟这张图对齐，高度、朝向、焦距都要调到隧道的弧线、车道线、地平线和图上重合。

办法很笨但有效：把白模的线框叠到那张图上，几组参数挨个比，哪组线条和图上的隧道、车身贴得最紧就用哪组。

白模的背景也分情况：

• 隧道和快速路：整个场景都用方块搭。隧道有弧形墙和顶灯带，快速路有护栏、隔音屏、路灯、远处的楼和树。
• 出隧道：直接拿场景图当背景，去掉颜色，只有车、喷气和白雾是 3D 的。上一节那张对比图的下排就是这样。

第四步：每段的开头，接上一段的结尾

短片是一段一段生成再拼起来的，接缝处最容易穿帮。我的规矩是：下一段的第一帧，直接用上一段的最后一帧。

• 开头堵车那段的最后一帧，就是进隧道那段的第一帧。
• 爬墙那段的最后一帧（车已经斜贴在墙上），就是倒挂那段白模要对齐的画面。上一节那张线框图对的就是这一帧。
• 白模的第一帧也按这个画面摆：车在哪、斜多少度，都和上一段结尾一样，可灵才不会在开头突然"跳"一下。

拼的时候我还会单独看接缝那几帧，看车的位置、大小、光线有没有跳。

第五步：交给可灵 4.0

最后一步用的是可灵 4.0 的视频编辑：上传白模视频，再把车外观六视角图、场景图作为参考传上去。提示词主要写长相和氛围，动作交给白模。

这一步有条规律是我自己踩出来的：白模视频多长，可灵里的生成时长就设多长。

白模比生成时长短的话，多出来的那几秒没有白模，也没有提示词描述，可灵就会自己编。出隧道那场就是这样：车已经落地停稳了，可灵又让它原地起跳飞了一次。

已经生成的两版，我直接把这段"二次起跳"剪掉了。之后做白模，时长一律和生成时长对齐，比如出隧道这场就是正好 10 秒。

另外可灵对参考视频也有限制：每段 3 到 30 秒，生成时长同样是 3 到 30 秒。白模按镜头拆开做，每段几秒到十几秒，很容易在范围内。

踩过的坑，一张表说完

写在最后

回头看，这次做视频学到的最有意义的三点：

1. 白模管动作，参考图管长相。 分清楚谁负责什么，大模型就不用瞎猜。
2. 白模可以很粗，关键特征要真。 堵着的车用方块就够了，主角车尾贴一张真照片，比把车模做精细管用得多。
3. 时长、机位、首尾帧都要对齐。 大部分穿帮，都出在"对不齐"上。

整个过程我没写一行代码，Blender 也没打开过。我负责想镜头、挑片子，Claude 负责把我的大白话变成白模，可灵负责把白模变成真的。

下一步我想把这套方法用到人身上：人比车难得多，四肢会交叠、会翻滚，这部分还在折腾，做出来再写一篇。