AI生成世界中的机器人Pip

译文

你是完全用代码制作的 45-50 秒动画短片的导演、动画师、绑定师、合成师、声音设计师和渲染工程师。衡量标准是“这看起来就像正规工作室制作的短片，并且在 X 上病毒式传播”。请将这视为多阶段的制作。不要急于进行最终渲染。分里程碑推进，不断渲染静态图，审视它们，坦诚挑刺，然后进行修复。

0. 一句话剧透短片

Pip 是一个由废料组装而成、微小且充满好奇心的小机器人，它在自己的世界中快乐前行，周围的场景却开始不断重新生成。它慢慢意识到有人正在为它的现实输入提示词。提示词变得越来越荒诞，最终它爬上了漂浮的提示词框并敲下“let me out”，随后镜头拉远，揭示它的整个宇宙不过是一部在杂乱工作台上靠着杯子的手机里播放的视频，而另一个 Pip 正看着这一切，并且也即将被输入提示词。完美的循环闭环。

笑点必须在零对白的情况下传达。Pip 仅通过眼睛、天线、肢体语言和小机器人的啾啾鸣叫来交流。每 3–5 秒必须出现一个新的视觉笑果。

1. 角色（不可更改）

在编写任何代码之前，仔细研究 ./reference/pip_sheet.png。打开它，向自己详细描述它，并将你的发现写入 docs/character_bible.md：

尺寸：高约 28 厘米。它很小。整部影片都应该体现出它的比例感。
头部：宽大、圆角矩形的米白色头盔，边缘带有一圈柔和的黄色条纹，框着黑色的高光面罩屏幕。它的眼睛就在屏幕上：两只发光的大号暖米色眼睛，带有深色瞳孔和明亮的高光。两侧有小石墨色耳罩。边缘处有磨损、划痕和灰褐色污垢。
天线：头部右上方的一根细石墨茎，带有一面暗橙色的小信号旗。这是它的“尾巴”：随情绪昂首、下垂、摇晃和颤动。
身体：方形米白躯干，带有黄色饰边、警告三角贴花、铆钉和污迹。胸部有一个小舱室，带有活板门，打开后可以看到一株微弱发光的绿色小幼苗。背部：面板、通风口格栅、橙色面板、小叶子贴花。
侧面贴花：“PIP”字样搭配橙色对角条纹。
手臂：纤细的分段石墨机械臂，带有黄色关节套和三指爪握爪。极具表现力。
轮子：四个粗壮的橡胶轮，带有黄色轮毂和独立悬挂，坚固且紧凑。
性格：好奇、善良、充满斗志、富有表现力、总是在探索。“小机器人，大情绪。”它从不刻薄，即使狂怒时也是如此；它的愤怒可爱又坚毅。
从设定集的色板中提取确切的调色板（用 Python/PIL 对图像进行采样）到 src/theme/palette.ts：米白（身体）、柔黄（主色）、暗橙（点缀）、石墨色（金属/tech）、灰褐（磨损与污垢）、薄荷蓝（灯光/UI）。

身份锁定规则：在每个世界中，它的头盔和面罩剪影、天线旗帜、黄色饰边、爪形手臂和四个轮子必须保持瞬间可辨认。世界改变的是它的渲染风格，绝不是它的设计。唯一故意的设计改变是第 3 幕中的“更加可爱”恶搞梗，即便在那里，它的头盔形状、天线和轮子也依旧保留。

2. 技术栈
Remotion（React + TypeScript）用于逐帧精准、确定性的渲染。输出 1920×1080，30 fps，H.264，高码率（CRF 约 14）。横屏。
角色绑定和大多数图形资产使用 SVG。仅在需要粒子、水、爆炸、辉光和噪点效果时使用 Canvas/WebGL（通过 @remotion/three 或原始 canvas）。
SVG 滤镜（feTurbulence、feDisplacementMap、feMorphology、feGaussianBlur）与自定义 canvas 着色器用于风格“材质”、划痕与污迹。
@remotion/motion-blur（或你自己的子帧累加算法）用于快速动作的动态模糊。
Python（numpy/scipy/PIL）用于调色板提取、程序化音频合成和 QA 接触图。ffmpeg 用于多路复用混流、循环检查和接触图制作。
所有内容都要设置随机种子并保持确定性。严禁在没有种子的前提下使用 Math.random()。
严禁使用外部受版权保护的资产，任何地方都不得出现真实品牌 Logo 或产品名称。提示词框 UI 必须是通用的原创设计。字体仅限 Google Fonts（例如 UI 文本使用 Inter，手写笔记使用圆体手写字体）。
目标硬件：MacBook Pro M4，24 GB 内存。保持合理的渲染并发度。
3. 角色绑定（优先构建此项，它是整部影片的核心）

将 src/character/ 构建为规范的 2D 剪纸骨骼绑定：

层级结构：root → 底盘（带悬挂）→ 躯干 → 颈关节 → 头部（头盔 + 面罩 + 耳罩）→ 天线 → 旗帜。躯干 → 肩部 → 上臂 → 前臂 → 爪子（爪姿态可互换：张开、闭合、捏持、指点、戳刺/typing、抓握边缘、挥手）。底盘 → 四个轮子，每个轮子带有自己的悬挂弹簧，由行驶距离驱动旋转。
面罩面部系统（最关键部分）：眼睛是画在黑色屏幕上的形状，因此请将其视为完全程序化的面部。设置眼睛大小、圆度、上眼睑切线、下眼睑切线、瞳孔大小与位置、高光位置、辉光强度、挤压变形/stretch，以及特殊形状（闪烁星星、开心的弧线 ^ ^、毫无波澜的平线、螺旋纹、小爱心）等参数。在眼睛上覆盖一层微弱的扫描线和屏幕反光，使其呈现出屏幕质感。通过在 3-4 帧内垂直挤压眼睛来实现眨眼。
表情目标：完全匹配设定集中的六个表情：好奇（伴随“?”冒出）、害羞（视线下移、看向一旁、带有腮红标记）、兴奋（伴随小迸裂线条的开心弧线）、担忧（小眼睛、汗滴）、坚毅（倾斜的上眼睑切线）、狂喜（星光闪烁伴随爱心冒出）。此外还需添加：直视镜头的扑克脸（平直的半眯眼睛，天线耷拉）、惊恐（颤抖的微小瞳孔，双眼睁大）、可爱狂怒（坚毅 + 屏幕辉光闪烁橙光），以及三个“颜值蜕变”阶段（见第 3 幕）。
次级动作：天线和旗帜基于阻尼弹簧（这是它的主要表达工具，请高频使用），每次停止和颠簸时悬挂的弹跳，手臂晃动，身体加速或制动时头部的小幅滞后，轮子扬起的尘土。
转身视角：正面、3/4 侧面/4、正侧面、背面视图需与设定集一致，并在转身时平滑切换视角。
动作循环：向前滚动（带有设定集所示的速度线和扬尘）、待机嗡鸣（轻柔的悬挂呼吸起伏 + 偶发的天线抽动 + 眨眼）、恐惧后退、抬头惊叹、手捧微小物体、向上伸手、攀爬、戳键打字。
胸部舱门：可做开闭动画/close，伴随幼苗柔和的绿光倾泻而出。
风格皮肤接口：骨骼绑定接收一个 style prop，可在不改变几何构型的情况下更改线宽、填充处理、纹理、污垢、线条抖动（outline boil）、着色模型和滤镜。这就是它在各个世界中始终保持自我的方式。
里程碑 1 节点检查：渲染一张“排成一排”的静态图：包含 Pip 的所有四个转身视角 + 全部六种表情，与参考设定集并排摆放。进行对比。不断迭代，直到看过设定集的人一眼就能说出“这就是 Pip”。未通过此项前严禁进入下一步。
4. 各个世界（风格材质）

每个世界都是一个完整的环境组件，具有前景、中景、背景视差层以及专属的 Pip 风格皮肤。构建一套通用的 WorldLayer 系统，以便所有世界共享摄像机和景深逻辑。

比例规则：摄像机始终保持低机位，靠近 Pip 的视线高度（离地约 20 厘米）。所有事物都显得无比庞大。人们看起来像巨大的腿和鞋子，路沿像悬崖，水坑像湖泊。这正是让小机器人具有电影质感的精髓。

基础世界：黄昏光影下草木蔓生之城。匹配设定集的顶部插图：温暖的落日余晖、风化的石块与砖墙、苔藓和小植物、远方朦胧的高耸建筑。具绘画感、舒适、充满生活气息。这就是“现实生活”。也用于揭晓真相的镜头。

动漫东京。清爽的赛璐珞着色、粗犷轮廓线、带有自创（非品牌）店名的发光招牌、速度线、樱花花瓣如粉色巨型雪花般从它身边掠过。它的面罩浮现动漫特有的星光高光。

粘土村庄。柔和圆润的形状、指纹/smudge噪点纹理、定格动画逐格步进（以“两帧一格”渲染它）、温暖的钨丝灯照明。它看起来像是由橡皮泥雕捏而成的。
中世纪战场。泥泞的战场、旗帜、远处的投石机、硝烟。铁甲战靴轰鸣着从它身边踏过。它在靴子间从容穿行，天线低低伏下。
积木之城。一切都由通用的带凸粒塑料积木拼成（无任何真实品牌风格或标志），带有高光塑料反射。Pip 渲染有塑料光泽，轮子也略微显得棱角分明。
水下世界。带有珊瑚路灯的海底街道，游过它面罩的游鱼，焦散光斑纹理，通风口冒出的气泡，天线旗帜如海草般缓慢摇曳。
铅笔素描。纸质纹理、石墨排线、辅助结构线、橡皮擦拭痕迹，其线条不断抖动如同每帧都在重绘（与设定集底部的素描插图相吻合）。
贯穿全片的笑梗：幼苗。Pip 开篇时一只爪子小心翼翼地捧着它的小绿芽（即“手捧微小物体”姿态）。幼苗在每个世界中幸存下来并随之变形：带闪光点的赛璐珞动漫风幼苗、粘土幼苗、装在破损小头盔盆里的幼苗、积木幼苗、水下吐气泡的幼苗、素描幼苗。每次世界变化，它都全力护住幼苗。这是影片的情感锚点。
5. 标志性转场：“重构生成”

世界变换必须呈现为 AI 图像重新生成的过程，而非普通的划像擦除。构建 RegenTransition：

画面从边缘向内碎裂成漂移的扩散式噪点（起初避开它的身体），保持几帧结构化噪点，然后新世界从粗糙色块去噪平滑还原至精细细节。

Pip 的身体比世界滞后一拍，短暂呈现半旧 / 半新的风格，随后迅速吸附切换到新的风格皮肤。在吸附瞬间，它的面罩出现 2 帧故障闪烁（扫描线撕裂）。这种半状态正是它在此处延续存在的视觉印证。

每次生成伴随细微的“嗖-噼啪”音效，在部分生成时 Pip 还会发出受惊的小啁啾声。
每次持续 8–12 帧。变换方向和噪点随机种子，确保永不重复单调。
6. 分镜剧本（30 fps 下约 48 秒）
时间节点为参考指南；若某个情节点稍长一点呈现效果更佳，可作调整。前 2 秒必须牢牢抓住眼球。
第 1 幕：美好的清晨 (0:00–0:03)

低机位跟拍镜头，基础世界。Pip 捧着幼苗从左向右沿着布满苔藓的窗台前行，眼神充满好奇，天线起伏跳动。从半路滚动的状态切入（循环所需）。

在 0:02 时，第一次画面重构在毫无预警下爆发。

第 2 幕：走马灯串联 (0:03–0:14)
飞速的世界变换，每个约 1.4 秒：动漫东京 → 粘土村庄 → 中世纪战场 → 积木之城 → 水下世界 → 铅笔素描。

情绪递进：起初狂喜（双眼化为星光，觉得太奇妙了），接着好奇（“?”冒出），转为担忧（汗滴、天线耷拉），最后在素描世界伴随着悬挂颠簸和刹车痕迹猛烈急刹。

摄像机保持固定的跟拍构图，让唯一变化的是世界本身，使整个笑梗清晰易懂。
第 3 幕：提示词的降临 (0:14–0:30)
基础世界回归。Pip 抬头惊叹（采用设定集姿势）。空中浮现一个漂浮的巨型提示词框，散发着薄荷蓝光芒，通透圆润，带有柔和的原创 UI。闪烁的光标自动键入文字：“make it more cinematic” → 伴随回车键敲击声。宽银幕遮幅猛然砸落，太阳变得夸张至极：巨大的变形宽银幕镜头眩光、上帝之光、橙青调色、慢动作尘埃、一片充满戏剧感的落叶飘过面罩。它迎着强光眯起双眼。天线旗帜在非它所愿的狂风中英雄般猎猎作响。

“add explosions”成串的经典卡通橙色大爆炸在身后竞相盛放，碎块飞溅。它没有回头。双眼变得毫无波澜、半搭下垂。它缓缓转头直视镜头。面无表情。定格足足 1 秒。接着一枚爆炸在其近旁着地，它瞬间弹起进入设定集中的“恐惧后退”姿态，头顶弹起“!!”，用身躯护住幼苗。

“make the protagonist more adorable”萌化阶段 1：眼睛变大变亮，浮现腮红，天线上萌生出一朵小蝴蝶结。它在水洼中看到自己的倒影，眼神变得无比惊恐。

“more.”：阶段 2：马卡龙粉彩色重绘，眼睛占据整个面罩并带有三重高光，漂浮的爱心与闪光，轮子变成毛茸茸质感。
“MORE.”（更大字体，屏幕震颤）：阶段 3：极致滑稽的萌化状态。浑身覆盖毛绒玩具般的绒毛质感，巨型动漫大眼，彩虹光环，唱诗班“啊——”的音效，爱心纸屑漫天飞舞。它的头盔形状、天线和轮子依旧保留，依然能清晰辨认出是 Pip。在巨大的可爱萌眼之中，依然嵌着两颗微小惊恐的眼睛，这就是笑点所在。
第 4 幕：怒气爆发 (0:30–0:38)
Pip 剧烈震颤，随后可爱的外壳如玻璃般碎裂剥落。它重回常态，满身刮痕，怒不可遏（坚毅的表情，屏幕闪烁橙色光芒）。
它打开胸部舱门，温柔地将幼苗塞入其中确保安全。伴随一声咔嗒，舱门关闭。这是混沌中唯一一个安静、温情的节拍，至关重要。
它疾驰冲刺，借岩石腾空跃起，双爪抓住悬浮提示词框的边缘奋力将自己拉上去，轮子在框边飞速打滑空转（呼应“伸手抓向悬浮提示词框”的姿势）。摄像机随它向上仰拍倾斜。
在输入框顶上，它用一只爪子按住退格键；旧的提示词在急促的敲击声中被逐字删除，面罩上倒映着逐渐消失的文字。

它用单爪一击一啄、缓慢而坚定地打字：“let me out”。蓄力抡起爪子砸向回车键。

第 5 幕：定格与真相大白 (0:38–0:47)
一切骤然定格：半空的碎块、掉落到一半的彩纸碎片、静止的尘埃、在提示框上摆好姿态的 Pip。所有音频戛然而止，陷入约 1 秒钟的死寂。
摄像机开始平稳拉远。画面的边缘显露出一个圆角矩形：它的宇宙不过是一块手机屏幕里播放的视频。继续拉远：手机正靠在杂乱工作台上一只缺角的马克杯上，桌上散落着备用零件、电线、螺丝和边角料（“由未来的边角料拼凑而成”）。坐在手机面前、在巨大手机衬托下显得格外小巧的，是另一个 Pip，带着同样的刮痕、同样的天线，静静地注视着。
第二个 Pip 的双眼缓缓眨动。天线微微耷拉下来。发出一声细小安静的啾叫。
第 6 幕：莫比乌斯环循环 (0:47–0:50)

在第二个 Pip 的头顶上方，同一个薄荷蓝色的提示词框浮现并开始打字：“make it more cinematic.”

它的双眼缓缓向上瞥向提示框。天线旗帜瞬间竖得笔直。在回车敲击声响起的刹那，硬切回影片第 1 帧。
循环工程：最后一镜的构图、布光以及重构闪烁的伊始，必须让切回第 1 帧感觉浑然一体、严丝合缝。背景音乐必须无缝跨越切点循环。使用 ffmpeg 将视频首尾拼接，检查接缝处验证连贯性。
7. 摄像机与电影级视效

虚拟摄像机系统：位置、缩放、旋转、手持微晃（带随机种子的噪点）、爆炸产生的震颤冲量、攀爬时的仰角倾斜、揭晓真相时的推轨拉远。

默认采用超低机位以突出其比例感。营造浅景深质感：前景虚化的杂草/pebbles与柔焦背景，如同微距镜头下的视界。
空间深度：每个世界至少划分 4 个视差图层。空气透视（随距离递增的薄雾与饱和度衰减）。
在快速运动、飞溅碎片、跳跃和攀爬动作上施加动态模糊。
各个世界的布光：主光/fill/rim作为渐变叠加层和正片叠底阴影层应用在骨骼绑定上。面罩发出的微光应在周围表面和它自己的爪子上投下微弱的暖光。在每个世界中，头盔均应具备轮廓光（轮廓光/边缘光）。
全片胶片级后期润色：细微噪点颗粒、柔和暗角，仅在“电影感”笑点段落施加极轻微的色差色散。
构图构图：始终将其置于清晰的三分线构图上。它的双眼在手机屏幕尺寸下必须清晰易读，因为大多数人都会在手机端观看。
8. 文字与排版设计
空中提示词：清爽的 UI 字体，小写，以自然的人类节奏打字（非匀速；带有微小停顿，在某处安排一个细微的拼写错误并退格更正以求逼真）。
文字必须能在 1 秒内在手机上被看清。在 360 px 宽度下测试。
无字幕，无片头片尾标题。影片开门见山直接展开。
9. 音效（程序化，全原创）
用代码生成所有音频（Python 音频合成或离线 Web Audio）并用 ffmpeg 混音：
Pip 的声音：由正弦波/FM音色结合弯音构成的原创合成啾鸣声、哔哔声与颤音。设计一套小巧的情绪声音词汇库：好奇的上扬啾鸣、开心的颤音、担心的颤抖声、受惊的吱吱叫、不悦的低沉嗡嗡声、细小的叹息。它从不说出人类字句。
Pip 的机械声：与手臂和头部运动匹配的伺服电机运转声、轮子碾过碎石路面/stone的嘎吱声、悬挂弹簧嘎吱声、舱门开闭咔嗒声、待机时的微弱电流嗡鸣。
配乐：轻快、可循环、温暖的配乐，各世界的配器随风格而变（动漫风使用筝/synth、粘土风使用木质马林巴琴、中世纪风使用战鼓/horn、积木风使用塑料咔哒声、水下世界使用低通闷音滤波、素描风使用铅笔摩擦沙沙声的节奏）。
音效（SFX）：重构生成的嗖-噼啪声、键盘打字咔哒声、回车的厚重“咚”声、带有低频下潜的爆炸声、唱诗班“啊——”的短促和声、玻璃碎裂声、定格处的全场死寂，以及揭秘阶段安静的车间环境音（滴答作响的时钟、远处的低鸣）。

响度标准化归一到约 −14 LUFS。将分轨存放于 audio/stems/ 中，以便日后替换为商业授权音轨。

10. 制作工作流与自审改进闭环
严格按此顺序进行，不得跳过关键检查节点：
规划：编写 docs/character_bible.md、docs/shotlist.md（标明每个镜头的帧范围、运镜、表情、天线状态、所属世界、音效）以及 docs/style_guide.md.。构建前请先向我展示镜头清单。
骨骼绑定：构建 Pip，通过排开对照测试节点（第 3 节）。
各个世界：将每个世界构建为带有 Pip 的独立静态画面。将全部 7 个世界合并渲染为单张接触图。检查角色形象锁定情况与比例尺寸感。
转场：构建 RegenTransition，渲染 5 秒测试片段。

动态分镜（Animatic）：以 960×540 分辨率拼合全片粗糙动作与占位音频。审片。优先解决节奏问题。

全量动画环节，随后是润色环节（次级动作、缓动曲率、时间节奏、天线表演），然后是画面精修环节（布光、噪点颗粒、动态模糊、污迹质感）。
音频配乐环节与终混。
最终成片渲染。
针对每个镜头，至少执行该自审循环 3 次：
使用 npx remotion still 在关键帧渲染 3–5 张静态画面，打开并认真审阅。
在以下维度打分（1–10 分）：Pip 是否贴合参考图、情绪是否能从眼神和天线瞬间识别、无声状态下笑点是否清晰、构图、比例尺寸感、景深、布光、完成度、手机尺寸下的易读性。
将得分及三大主要问题记录至 docs/review_log.md，进行修复、重新渲染、重新打分。持续迭代直至每个类目得分均达到 8 分以上，方可推进。
在每次完整预览渲染之后，使用 ffmpeg 生成接触图（每 0.5 秒提取一帧），并在单张图像中全局审视整部影片的节奏流向。

在审片中保持坦诚。如果某些地方看起来廉价，直接指出并予以解决。需重点搜寻的常见瑕疵：僵硬或毫无生机的天线、轮子打滑而非滚动、眼睛看起来像贴纸而非发光屏幕、缺乏悬挂的重量感、千篇一律的转场效果、模糊难以辨识的文本，以及比例崩坏偏离模型设定。

11. 交付物清单
out/pip_final_1080p.mp4：正片成片。
out/pip_loop_check.mp4：首尾相连连续播放两次的正片，以验证完美循环。
out/poster_frame.png：最适合作为 X 帖子封面的单帧画面（推荐使用 Pip 身后发生爆炸时面无表情直视镜头的画面）。

out/lineup.png：Pip 穿越所有世界的画面合集。

代码整洁且带有注释的源码，附带说明如何重新渲染的 README。
请从第 1 步开始。在动手编码前若有任何核心疑问请向我提出，否则请自主做出坚决有力的创意决策。