Claude Opus 5.5视频真相：AI写程序逐帧画出来

2026年9月22日，Anthropic发布Claude Opus 5.5。随后一周，社交媒体出现大量“一句话做出来”的动画视频，包括动效作品集、科普短片、动态设计和一支两分半钟的MV。有人误以为Claude有了视频模型，或以为AI写几行代码视频就会自动生成，这两种理解都不准确。

Opus 5.5能读文字、图片和文件，但看不了视频，输出也只有文字。这些视频全是它写的程序画出来的：程序规定每一帧的样子，浏览器或渲染软件按程序逐帧绘制，再拼成MP4。Anthropic发布文章也未提及视频能力，重点讲的是写代码、操作电脑和知识工作。做这些视频时，Opus 5.5身兼导演和程序员两个角色。

制作流程分五步：规划、画面、动作、声音、拍摄与合成。

第一步规划。Opus 5.5先写脚本，再拆成分镜，明确每个镜头画什么、持续多久、配什么话。公开源码的MV《I'm Upping My P(doom)》时长156.6秒，项目名PDoomVideo。作者只指定了一个角色形象，要求每句歌词配有趣画面和转场，其余全部由模型生成。模型第一轮后自己写了分镜规范STORYBOARD.md，规定固定角色设计、配色变化、每个镜头必须有东西在动、画面不放文字、表情渐变、镜头切换由动作带出，并按章节派出多个子智能体，各写一个JavaScript文件负责时间轴一段。视频生成两轮，所谓“一句话一次成型”指用户只发一句话，模型内部完成规划、分工和返工。Anthropic提到有测试者让它无人值守连续干了18个多小时。

第二步画面。形状、颜色、角色都由代码描述。常见写法是网页：文字色块用HTML、CSS排版，图标角色用SVG绘制。3D场景常用three.js。那支MV用p5.js加水彩笔刷库，有手绘感。也有不经过网页的路线，如用Manim做数学动画、用Blender当Python库建模贴图。需要照片级素材时可先用图像模型生成图片再放进网页。

第三步动作。代码里有时间表：第几秒、哪个东西、怎么动。常见两种写法：GSAP，每行一条指令，时间轴可暂停、可跳到任意时间点；Remotion，每一帧都是帧号的函数。两者效果相同：给定时间点，画面唯一确定。

第四步声音。带旁白的视频一般先做配音再让画面对齐。Claude写旁白稿，交给ElevenLabs等文字转语音服务，其带时间戳接口返回每个字符的开始和结束时间；现成录音则用Whisper反推词时间。配音成为全片时钟，音效和音乐也放在同一时钟上。音效来源包括音效库、AI音效或音乐模型（如Suno）、代码合成。MV则反过来，歌曲本身就是时钟。

第五步拍摄与合成。用无头浏览器（通常是Chrome，由Puppeteer操作）逐帧截图，从不按播放键。以HyperFrames为例，渲染器先跳到第0秒截图，再跳到第1/30秒截第二张，10秒30帧视频截300张。那支MV用每秒24帧，156.6秒约3760帧。不直接录屏是因为浏览器异步加载字体、图片，动画跟屏幕刷新走，卡顿会掉帧，同一代码在不同电脑上结果可能不同。解决办法是用特制Chrome让排版、绘制、截图一次完成；嵌入视频素材先用FFmpeg拆成图片，拍到哪帧换哪张。代码有三条禁令：不能读取当前时间，不能用无固定种子的随机数，渲染时不能联网。这样每帧只取决于时间点，同一代码每次渲染结果完全相同，几千帧还可分给多个浏览器进程同时渲染。收尾交给FFmpeg合成。