上个月我在B站刷到一条讲英伟达发家史的短视频，画面是那种Vox风格的剪纸动画，人物是纸片质感，背景有纹理，镜头还有轻微推拉。我当时觉得这种风格特别有调性，就想自己搞一个。结果按网上随便找的教程折腾了一晚上，出来的画面风格完全对不上，文字全是乱码，人脸歪到没法看。
后来我把这套流程重新捋了一遍，发现核心问题不是工具不行，而是我压根没理解这类视频的生产逻辑。现在我把跑通的完整流程写出来，用到的工具就两个，一个负责写脚本和分镜，一个负责出图出视频。
开篇：效果预览与工具准备
做这种Vox剪纸风视频，核心就三样东西：一个AI对话工具（我用的是Qd），一个谷歌的Flow网页端，还有一个谷歌的Omni视频模型。工具清单很简单，不需要装任何本地软件，Flow直接浏览器打开就能用。
先说结论：这套流程现在能做到什么程度。原作者做了大量风格测试，从蓝图风、黏土风到像素风，同一个方法在多种风格下都跑通了。整体效果能达到80到90分的水平，意思是成品能看、能发，但你要逐帧抠细节，还是能发现不少小毛病。这个心理预期要先建立好。
核心原理：锁定风格、替换动作
我第一次做翻车，就是每个镜头都重新写一遍完整提示词，结果风格一会儿深色一会儿浅色，人物长相也变来变去。后来看了别人的做法才明白，这类视频的关键不是每次从零生成，而是做一张风格表，然后在每个片段里只替换动作描述，风格部分从头到尾保持不变。
这个方法其实是从角色设定表迁移过来的。你喜欢看动画设定集的话，会发现角色都有固定的人设图，正面、侧面、表情、服装都是锁死的。做动态图形也是一样的道理，先做一张风格模板图，把它当成整条视频的视觉基准，之后所有镜头都在这张基准上做微调。
具体的提示词结构分三块：背景描述、风格描述、动作描述。背景和风格两块锁定不动，只改动作部分。比如第一个镜头是“人物从画面左侧走进来”，第二个镜头是“人物手指向图表”，风格提示词原封不动复制粘贴。这样做出来的视频，哪怕生成十几次，画面风格依然是统一的。
实操步骤：出模板、写分镜
先把你想做的视频想法告诉Qd。如果你完全没有头绪，直接去抖音或B站找一条别人做好的剪纸风视频，把链接发过去，跟它说：“我想做这样一个视频，帮我整理一套流程，把需要的插件都装好。”它会自己安装插件和相关的skill，不用手动配置。
然后让Qd写一条风格提示词。以Vox风格为例，提示词里要包含颜色方案、字体风格（是否全大写）、核心视觉元素。不需要写得太细，Omni模型的理解力足够强，这些信息已经能让它完整get到风格了。把这条风格提示词发给谷歌Flow，让它生成图片，多做几张，挑一张最接近你想要的感觉的，当作模板图。
这步完成以后，把视频主题告诉Qd。我测试时给的主题是“为什么飞机舷窗几乎都是圆角的”，它会自动写好口播文案和分镜脚本，每个分镜附带对应的画面提示词，直接拿来就能用。
生成视频：延续尾帧、批量产出
拿到分镜提示词后，粘贴到谷歌Flow里，选视频生成，时长选6秒。这里有个关键细节：提示词末尾要加上一段话，意思是不要有人声、不要背景音乐，只要画面里的翻书音效。因为配音和背景乐是后期自己配的，如果让AI生成的时候带上了声音，到剪辑那步还得想办法分离，很麻烦。
每个分镜都按这个方式生成，素材攒够后下载下来。还有一个让转场更流畅的技巧：生成第二段分镜的时候，可以把上一段视频的尾帧截图上传作为参考图，或者在提示词里明确写“必须按照上一个视频最后一帧的画面延续”。这样做出来的下一个镜头，起始画面和上一条的结尾是接得上的，转场就自然很多。
这个方法实测有效，但也别指望完全无缝。AI对“延续尾帧”的理解不是100%，遇到微小的跳跃，靠剪辑时的叠化过渡能遮盖掉大部分。
剪辑配音：合并素材、合成口播
所有素材生成完后，先把它们丢给Qd，让它把所有片段按顺序合并成一个完整视频。然后把这个粗糙的成片导入剪映，再把口播文案交给剪映的文本朗读功能，选一个合适的音色生成配音轨。
配音这块建议别用AI直接生成的视频原声，效果会差很多。用剪映里的专属音色，或者自己录音，听起来更自然。把配音轨拖到时间线上对齐画面，微调一下卡点节奏，一条完整的Vox风格科普视频就出来了。
我实测下来，6秒一个镜头，一条3到5分钟的科普视频大概需要30到50个片段。批量生成的时间成本主要在等待渲染上，人不用守着，可以挂着让它跑。这也是这套流程比传统逐帧制作快得多的原因。
模型选型：四模型对比与Remotion适用场景
为了验证Omni是不是真的适合做动态图形，原作者做了四个模型的对比测试：Veo 3.0、Sora 2、Hailuo和Omni flash。说实话这不完全公平，因为Veo 3.0在Artlist里没有参考图模式，只能用起始帧模式硬上。但从结果看，Omni flash在理解参考图、还原风格、排版文字这几项上都是最好的。
另外两个模型的问题很典型：Veo在流畅动画上力不从心，Sora表面看着还行，凑近看数字全糊了，画风中途还会跑偏。Omni虽然也有瑕疵，比如细节处理不够精致、复杂动作偶尔崩坏，但它是唯一一个能把参考图风格稳稳吃住的。更关键的是，在几个顶级模型里它最便宜。
再说说Remotion。很多人觉得有了AI生视频，代码生成动态图形的工具该淘汰了。实际上Remotion在精确控制这块还是没对手。你想在视频里展示一组具体数据，2月份要有一个更高的峰值，用文字生成图像几乎不可能做到精确，但用代码直接调数值，想改多细都行。而且Remotion可以编程化批量产出，渲染1000个视频、每个视频里改个名字，成本几乎为零。
但Remotion的短板也很明显：做不了那种带炫酷镜头运动的Vox动画，想要快速出结果、操作简单，还是得靠Omni。这两个不是替代关系，真正效率高的做法是混着用：数据图表交给Remotion，风格化动态镜头交给Omni，各取所长。
避坑指南：字体、动作与提示词细节
做动态图形有个经验法则：字体越大，AI处理得越好。大号字体生成的文字基本准确，但那种排得密密麻麻的小字，凑近看全是错的。所以要尽量用大字号排版，别为难AI。
动作也是同理，越简单越好。复杂的肢体动作和高动态镜头容易翻车，简单的人物移动和手势成功率高很多。想做长镜头的话，得先接受画面可能存在瑕疵，用后期剪辑把明显错误剪掉。
还有一个坑是Google Gemini对知名面孔非常敏感。你只要提示词里带上真实人名，它大概率拒绝生成。原作者的做法是在人物眼睛位置加一条黑色遮罩条纹，先让GPT生成带条纹的图片，再用这张图去生成视频。效果意外地好，既规避了限制，又保留了风格。
最后说提示词的一个坑：哪怕你附加了参考图，视频提示词里仍然要明确写出风格描述。光贴图不写风格词，画面生成到一半很可能自己跑偏。
总结：混合工作流与建议
这套流程跑下来，我的感受是：AI动态图形已经从“玩具阶段”进入“能用的阶段”了。前几年想做个剪纸风动画，得先学AE做模板，再逐帧调动作，没有一两天出不来。现在从定风格到出成品，熟练之后一个下午就能搞定。
但也要说清楚：它还没到完美的程度。像素级的挑剔依然能找到一堆问题，文字偶尔出错、动作偶尔僵硬、人物脸部不够稳定。按原作者的话说，我们到了一个80到90分的阶段，能用，但需要你动脑筋去隐藏那些瑕疵。
如果你想试试这条路径，我的建议是：别从复杂的内容开始。找个3分钟以内的科普脚本，做一张风格模板图，挑两三个简单的镜头跑通全流程，再去扩展到完整视频。工具摆在那里，跑通一次比看十篇教程都有用。
视频教程下载
文章可能无法完整分享清楚，下面是原项目视频教程，粉丝朋友可以自行下载学习。提前说明：资源链接内可能会存在引流广告信息，请自行甄别。
百度网盘：
