GPT‑6 Astra + Seedance 2.5：先把世界搭出来，再让 AI 拍电影

最近在研究 GPT‑6 Astra + Seedance 2.5 的组合时，我发现一个很有意思的变化：AI 视频的核心单位，可能正在从 Prompt 变成 World。

以前做 AI 视频，我们习惯从提示词开始：写故事、拆分镜、生图，再图生视频。

做单个镜头，这套流程已经很好用。但一旦进入连续剧情，问题很快出现：人物走着走着，门换位置了；镜头一切，楼梯跑到了另一边；上一镜角色从走廊左侧进入，下一镜却从右侧出来。

每个镜头单独看都很漂亮，连起来却不像发生在同一个地方。

问题可能不完全在视频模型。更根本的原因是：从一开始，我们就没有给故事建立一个真正存在的世界。

我的新思路是：先把故事发生的空间搭出来，再让 AI 在里面拍。

这篇文章讨论的是一条工作流判断，不是“已经稳定量产 100 个镜头”的实测结论。但 GPT‑6 Astra 与 Seedance 2.5 最近公开的能力，已经让这条路线从概念变成了值得认真尝试的生产方法。

 

真正破坏连续性的，往往不是画质

想象一个最简单的剧情：

角色从卧室起床，推门进入走廊，下楼，经过客厅，最后从玄关走到庭院。

如果逐镜生成，AI 必须在每一次生成中重新猜测：

卧室门通向哪里？

楼梯在走廊哪一侧？

客厅和玄关是什么位置关系？

人物接下来应该朝哪个方向走？

换机位以后，角色的朝向应该如何延续？

这些在传统影视制作里属于最基础的空间连续性。过去我们试图用 Prompt 把它们描述清楚，本质上是在拿语言约束三维空间。

语言当然可以描述空间，但它不是稳定的空间坐标系。

所以，与其要求模型每一镜都“猜对”，不如先减少它需要猜的东西。

3D 不是最终画面，而是空间真值层

这里的 3D 很容易被误解。

我们不是要用 Blender 把整部片子精细建模、贴材质，再完整渲染。前期场景甚至可以非常粗糙：白模、简单体块、基础人物代理都够用。

它更像一张 Spatial Blueprint——空间蓝图。

墙在哪里。

门通向哪里。

道路怎样连接。

人物从哪里走到哪里。

相机可以放在哪里。

镜头之间是什么关系。

这些信息先被锁定，3D 就成了整个工作流里的“空间真值层”。

这一点并不只是我的推演。Seedance 2.5 官方已经把 Clay Render，也就是白模参考，列为核心能力之一：模型可以参考空间结构、人物姿态、运动路径、机位和镜头尺度，再用正式的角色、材质、灯光与风格去完成画面。

换句话说，白模不负责好看，它负责不让世界在切镜时突然重置。

如果用 Blender 做一个最小可行版本，我会把场景拆成 3 个 Collection：WORLD 放墙体、门窗与楼梯；BLOCKING 放人物代理和运动路径；CAMERAS 放全部机位。

先用 Shift+A → Mesh → Cube 搭体块，在 N 面板用真实尺寸约束长、宽、高。卧室、走廊、楼梯、客厅和庭院分别命名，不做材质，不追求细节，只确认门能通、路能走、机位能放。

下面出现的软件界面图均为操作示意，不是官方界面的逐像素截图；菜单会随版本变化，重点是场景、路线、机位和素材的组织方式。

先走一遍，再开始生成

场景搭好后，我不会立刻去生视频。

我会先把一个简单人物模型放进去，让它按剧情路线完整走一遍：卧室 → 走廊 → 楼梯 → 客厅 → 庭院。

同时把所有相机摆出来：

Camera A：卧室全景。

Camera B：走廊跟拍。

Camera C：楼梯俯拍。

Camera D：客厅侧面。

Camera E：庭院反打。

这一步很像传统制作里的 Previs。价值不在画面精度，而在提前暴露问题。

你会立刻看到：人物运动方向是否突然反了；两个镜头能否自然衔接；某个机位会不会穿墙；角色走到下一区域究竟需要几秒；原来的剧情设计是否违反空间逻辑。

这些问题在文字分镜里很隐蔽，在 3D 场景里却一眼可见。

而且此时修改的成本很低。移动一扇门，调整一段路线，或者挪一下 Camera，远比生成十几段视频后再返工便宜。

具体操作时，可以用 Shift+A → Curve → Bezier 画一条路线，或者只在关键转折点给人物代理打位移关键帧。再用 Shift+A → Camera 建立机位；进入 Camera View 检查画面边缘、遮挡与穿墙；在时间线上用 Marker 标出每个镜头的起止点。

我还会把所有 Camera 的焦段先统一到一个小范围，例如 24mm、35mm、50mm，再根据叙事目的调整。这样不会因为每个镜头都随机换镜头语言，造成空间被再次拉扯。

Astra 负责把“空间”翻译成“镜头”

3D 解决的是“东西在哪里”，但不负责“最后长什么样”。

接下来，从已经确定的关键机位导出截图。截图不需要漂亮，它只提供构图、透视、人物位置、运动方向和镜头关系。

导出时保持同一画幅和分辨率，例如统一为 16:9、1920×1080。文件名不要只写 001、002，而是写成 SH010_BEDROOM_WIDE、SH020_CORRIDOR_TRACK、SH030_STAIRS_TOP。这样进入故事板和视频生成阶段后，镜头关系仍然可追溯。

再把这些截图与正式资产一起交给 GPT‑6 Astra：

场景设定。

角色设定。

服装和道具。

材质与灯光。

时代背景。

整体美术风格。

目标不是让模型重新设计镜头，而是告诉它：就在这个已经确定的空间和机位上，把白模变成我要的世界。

于是，原本很不稳定的“文生故事板”，就变成了“空间约束下的故事板生成”。

两者的差别非常大。

前者每一张图都在重新想象世界；后者是在同一个世界里不断换机位拍摄。Astra 在这里也不只是一个“写 Prompt 的模型”。OpenAI 官方展示过它从多视图重建 3D 对象，以及在 Blender 中搭建房屋并转成 Unreal Engine 可行走场景的案例。它更适合承担的是：理解故事、组织资产、生成或修改空间、检查约束，并把场景转译成可拍摄的镜头方案。我会按镜头提交素材，而不是把整个素材库一次性塞进去。每个镜头包只保留 6 类内容：白模机位、人物设定、服装道具、材质灯光、当前动作、前后镜关系。然后明确写出哪些不能改：机位高度不能改、门和楼梯不能移动、人物朝向不能反、构图比例不能重做。

Seedance 2.5 负责让世界动起来

到了最后，Seedance 2.5 拿到的就不应该只是“一张图 + 一段 Prompt”。

它拿到的应该是一套有组织的镜头上下文：

完整故事板。

当前镜头关键帧。

必要的白模或空间参考。

人物与道具参考。

动作和运镜描述。

前后镜头的衔接关系。

Seedance 2.5 官方目前支持单次最多 30 张图片、10 段视频和 10 段音频作为参考，也强调 30 秒叙事、多轮延长、时间戳级编辑以及机位参考。

这意味着，我们终于可以把更多确定性放在生成之前，而不是把所有希望都压在最后一句 Prompt 上。

模型需要猜的东西越少，真正可以用于运动、表演、摄影和氛围生成的能力就越多。

实际提交给 Seedance 时，我会把素材按优先级排列：先放当前故事板和关键帧，再放白模空间图，然后是人物、道具、动作参考，最后补上一镜的结束帧。提示词也只写 4 件事：人物做什么、镜头怎么动、这一段持续多久、哪些连续性不能改变。

一条更完整的制作链

整套流程可以浓缩成：

故事确定

↓

分镜初稿：确定动作、区域与行进顺序

↓

搭建本集涉及的统一三维空间

↓

摆人物、道具和相机，检查整条路线

↓

从关键机位导出同一视角体系的截图

↓

截图 + 正式场景与角色资产，生成完整故事板

↓

故事板 + 当前镜头关键帧 + 必要空间参考

↓

Seedance 2.5 生成与编辑视频

这里最关键的不是最后一步，而是中间那层 3D 空间。

它把故事、镜头和视频模型连接成同一个坐标系。

生成完成后还要做一次连续性验收：空间是否一致、人物运动方向是否一致、比例是否漂移、镜头轴线是否跳变、动作时间是否合理、角色身份是否稳定。任何一项失败，都只回到对应约束重做，不要把整条提示词全部推翻。

这套方法的边界

它不会自动消除所有问题。

白模正确，不代表人物身份一定稳定；空间连贯，也不代表复杂肢体动作一定符合物理规律；参考越多，也不等于模型就一定能正确理解每一种约束。

Seedance 官方自己也承认，复杂运动的物理合理性，以及多主体交互场景的稳定性，仍有提升空间。

而且，搭 3D 场景会增加前期成本。对于一次性、无连续剧情的氛围短片，这套方法可能得不偿失。

它更适合连续剧、动画、短剧、品牌故事、游戏 CG、建筑漫游，以及任何需要反复回到同一地点拍摄的内容。

从 Prompt 到 World

过去，AI 视频的核心单位是 Prompt。

后来变成参考图、首尾帧、多镜头和角色资产。

继续往下走，我认为核心单位会变成 World。

先有一个世界。世界里有建筑、道路、房间、人物、道具和明确的空间关系。

然后才有 Scene、Shot、Camera、Character 和 Action。

最终才是 Video。

今天 Camera A 拍这里，明天 Camera B 拍那里。角色从房间走到街道，下一集继续沿着同一条街往前走。镜头在变化，但世界本身没有重置。

这可能才是 GPT‑6 Astra + Seedance 2.5 最值得玩的地方。

不是让模型一次生成得更漂亮，而是让第 1 个、第 10 个、第 100 个镜头，都像发生在同一个真实存在的世界里。

以前，我们在不停地生成镜头。

现在，我们开始有机会：搭建世界，设计镜头，然后拍摄这个世界。

如果这条路线能跑通，AI 视频真正改变的就不只是生成，而是整个前期制作流程。

参考资料

OpenAI：GPT‑6 Astra: A new generation of intelligence

https://openai.com/index/gpt-6-astra/

ByteDance Seed：Introducing Seedance 2.5

https://seed.bytedance.com/en/blog/one-take-creation-flexible-referencing-introducing-seedance-2-5