上面这八张灰白图，从左到右分别是《黑客帝国》的子弹时间、《盗梦空间》的旋转走廊、《卧虎藏龙》的竹林、《泰坦尼克号》的船头、迈克尔·杰克逊《Smooth Criminal》的群舞、《闪灵》里丹尼骑三轮车穿走廊、一段街舞、还有一段我自己生成的空翻。
八段视频里的人长什么样、穿什么衣服、什么颜色，全没了。剩下的只有形体、走位，和镜头怎么绕着他们转。
这种图其实只记了一样东西：画面里每个点离镜头有多远，近的亮、远的暗，颜色、材质、脸一概不存。所以它天然就是一段「只有几何、没有外观」的视频。
这是我这两天在LibTV上做的事，用的是他们刚上线的「深度动作捕捉」。而拿到这八张图之后我做的第一件事，是把子弹时间那段的动作，装进了一幅水墨画里。
同一时刻的三帧：左边是原片里基努·里维斯往后仰，中间是提取出来的深度图，右边是生成的成片。白衣剑客的后仰角度、张开的手臂、镜头绕着他转的弧度，跟原片对得上；连横着飞过去的子弹拖尾，都变成了水墨的飞白线条。
我写的提示词是「水墨风格，白衣剑客，竹林，宣纸质感，大面积留白」——一个动作词、一个运镜词都没有。
为什么非得先拆一道
做AI视频的人应该都干过这事：找到一段动作和运镜都合适的参考视频，喂给模型，然后发现AI学走的不只是动作。但这次实测下来，真正卡人的地方比这个更靠前。
我最早想拿一段真人跳舞的免费素材直接当参考，结果生成失败了。
点开节点上的「查看详情」，话说得很清楚：
而同样这段素材提取成深度图之后一路畅通，九次提取九次全过——那张灰白图里已经没有人脸，也没有服装。
至于纯靠提示词描述复杂运镜，我试过很多回，人物走位、镜头环绕、推拉跟拍这些你写得出来但写不准，你脑子里那个画面是有具体角度和节奏的，落差补不上。
完整走一遍
操作路径比我想的简单。把视频拖进LibTV的画布，选中那个视频节点，顶上工具栏会出来一排功能，鼠标移到「逐帧拉片」上，下拉菜单里有一项就是「深度动作捕捉」。
这个菜单是鼠标悬停展开的，不是点击，我第一次找它的时候在工具栏上来回扫了好几遍。
点进去会弹出一个新节点，让你选清晰度，480P或者720P。选完点确认提取，等两分钟左右，深度视频就出现在画布上了，是个独立节点。
然后把这个节点连到下游的视频生成节点上，选模型、写提示词、生成。我这次全程用的Seedance 2.5，8秒，720P。
参考位上那个小方块就是深度视频，下面的提示词框从头到尾只有那五个词。右下角标着这次生成要花427积分——记住这个数，下面那条才有对照。
深度提取不花积分。 我跑了九次一分没扣，意味着同一段素材你可以反复试480P和720P，试错成本是零。
素材长度上，480P能吃三分钟以内的，720P是三十秒以内，做一个镜头够用了。
还有件让我有点意外的事。我顺手去问了画布自带的Agent，想让它替我把这一步跑掉。
它找到了节点、分析完了视频，然后告诉我这不在剪辑引擎的能力范围内，改推荐我用视频转绘或者关键帧提取。
所以这一步现在只有网页上手动点。对习惯把整条流水线交给agent的人来说，这里算是个断点。
直接参考和深度参考，差的到底是什么
为了让两边都能跑通，我先用LibTV生成了一段素材：穿红色运动服的年轻人在空旷体育馆里起跳转体落地，侧面跟拍带环绕。两组只差一个变量，一组直接拿它当参考，另一组先提深度再当参考，提示词、模型、时长、比例、分辨率全都一样。
第一行是原素材，第二行是直接参考，第三行是深度参考。
先说相同的：动作两组都跟上了，起跳、空中横躺、滞空、落地，四个时刻逐帧对得齐，所以「直接参考学不到动作」这说法在Seedance 2.5上并不成立，它学得挺准。
差别在质感。直接参考那组，人物像一个实拍的白衣人被贴在水墨背景前，脸和衣服还是照片的质地；深度参考那组，人物本身就是水墨笔触，落在宣纸底色上，整张画面是一幅画。
原因在前面那句话里：直接参考时模型看得到原视频每一个像素，皮肤的反光、布料的褶皱、顶灯的色温，这些外观信息它没理由不用；而深度图里没有纹理可看，它只能照提示词去造。所以被带走的不是红色运动服，也不是体育馆，是那段素材的拍摄质地。
还有个细节，直接参考那组的第三个时刻画面里莫名多出来一个人，深度参考那组从头到尾只有一个。这两条我只跑了一组对照，算不上定论，你自己试的时候留意一下。
深度图只管怎么动，长什么样得你从零写
这条是我这次最想告诉你的。
我做了个故意打架的实验：深度参考还是子弹时间那段翻滚，提示词我写成「一个人笔直站立不动，双手自然下垂，镜头完全固定不动，写实风格」。
结果前七秒，人老老实实跟着深度图翻滚，最后一秒才站直。动作和运镜这一层，深度参考赢了提示词。
但真正有用的发现在另一半：成片是一段纯黑白剪影。
我提示词里只写了「写实风格」，没给颜色、没给场景、没给材质，模型就顺手把深度图本身的黑白灰当成了画面。
所以这个功能的分工挺清楚：深度图管几何，提示词管外观，而且外观得你从零写满。你少写一样，它就拿灰度顶上一样。回头看我第一次那句「水墨风格，白衣剑客，竹林，宣纸质感，大面积留白」，五个信息点没有一个是多余的。
提一次，可以用很多次
深度节点在画布上是独立存在的，可以往下接多个生成节点。
这是我那张画布现在的样子。左上角是子弹时间原片，往下一个是提出来的深度节点，从它出发的四条线各自接着一次生成：水墨、冲突实验、像素游戏、粘土定格。画面里另外两段没接线的，是同一张画布上的别的素材。
第一行是深度图，往下依次是水墨、16位像素游戏、粘土定格动画。三个时刻的姿态全都对得上，连第三个时刻背景里站着的那个路人，三版都保留着——它带走的不只是主角怎么动，还有画面里有几个人、各自站在哪、谁在前谁在后，这些都是几何。
对做系列内容的人，这个用法比单次生成有价值得多，一段满意的动作可以存成资产反复用。
什么样的素材抽不出来
什么素材好用，其实从那张图记的是远近就能推出来：画面里得有明确的前后差别，而且这个差别得能从明暗上看出来。
回头看开头那八张图，效果最好的是《闪灵》那条走廊，纵深完整，三轮车和人的前后层次分明。
而《泰坦尼克号》那张逆光加海雾，两个人糊成了一团，边缘还有一圈黑色噪声条带；MJ的夜店群舞和《卧虎藏龙》的竹林更明显，背景整片塌成黑色，只剩人物剪影，动作还在，空间信息基本没了。
所以选素材真正该看的不是动作幅度，是明暗里有没有前后关系。 走廊、房间、有纵深的街道最合适；夜戏、逆光、大雾这几种，提出来大概率只剩一个影子。
最后
这两年我们对AI视频提的要求一路往里走：先是画面得好看，然后是人物得长得一致，再然后是镜头得听话。而这个功能干的事，是把一段视频里的几何——人怎么动、站在哪、镜头怎么走——从它的外观里单独抠出来，存成一个能反复用的节点。
它没让模型变得更聪明，只是在素材进模型之前，先把不该看的那部分删干净了。想多控制一点，办法是少给一点，这件事我觉得挺有意思。
功能已经上线，可以直接去试：
https://www.liblib.tv/
热门跟贴