如何用AI完全还原李小龙打斗，LibTV新功能提供终极答案

大家好，欢迎来到AI变革。

大伙儿，听说最近非常火爆的真人动作转AI角色玩法了吗？

我手里正好有一段二十秒的武术展示视频。

一个男运动员穿着红色练功服，在体育馆的台子上打了一整套，腾空飞脚，贴地扫堂腿，身体横着甩出去的旋子，连续的弓步冲拳，还有侧手翻，最后一拳定住，结尾镜头慢慢推到了近景。

动作密度非常高，属于那种你明知道厉害、但很难用嘴复述清楚的东西。

我想干的事听起来挺简单，让一只功夫片质感的3D熊猫，在一片竹林里，把这套动作一模一样地打一遍。

人换成熊猫，体育馆换成竹林，红色练功服和背景统统不要，只留下动作和镜头。

就这么个需求，我用老办法做，一直不满意，最后是靠LibTV刚上线的深度动作捕捉才真正跑通。

这篇我就把整个过程说明白。

这是我制作的熊猫。

先说这件事为什么难，难到我觉得值得专门写一篇。

你现在可以试着用文字把这套动作写清楚。

人要先压低、蹬地、拧腰，然后整个身体横着甩到空中，和地面平行，两条腿前后打开，再顺势转体落地。

你把这些写进提示词，模型理解的和地面平行可能是趴下去，拧腰甩出去可能是原地转个圈。

更别说这二十秒里有十几个动作咬在一起，动作之间怎么衔接、重心怎么换、第几秒腾空第几秒落地，文字根本承载不了。

这就是第一个痛点，复杂动态，尤其是这种带腾空、带转体、带地面技术的高难度动作，靠提示词几乎是描述不准的。

那直接上参考视频不就行了，这正是我一开始的做法。

直接进行参考生成。

然后我结结实实撞上了第二个痛点，参考视频是个打包货，它给你的从来不只是动作。

那段原片里，有太多的元素。

你把整段视频挂给模型，跟它说换成熊猫和竹林，模型并不会只取动作。

来看看你直接参考生成的效果。

乍一看感觉不错是吧，但你仔细去品，就会发现生成的视频和原视频的背景声音有重叠，尤其是原视频打拳时的喊声，全都复刻过来了，不符合角色的形象，还好是个拟人的男熊猫，不然更加违和。

还有就是动作节奏对不上，每个时间点都有问题。

我接下来用同一段武术原片，同一个视频模型，同一句提示词，同一套参数在LibTV里把原片过一遍深度动作捕捉，拿得到的深度动态节点当参考。

两组唯一的区别就是参考源。

我把那段武术视频传到画布上，点中这个视频节点，去顶部工具栏找逐帧拉片，在它的下拉菜单里找到深度动作捕捉。

点进去，选处理分辨率，再点生成。

画布上会多出一个新节点。

这就是原片的深度动态版本，一段偏单色的画面，你能清楚看到一个人形轮廓在里面跳跃、扫腿、横飞、出拳，但原来那张脸、红色练功服、蓝色台子、舞台灯光全被抹掉了，剩下的只有身体在三维空间里怎么运动。

我把它连到视频生成节点上。

相同的提示词进行生成。

来看一下效果。

连续弓步冲拳那段也有意思。

直接参考原视频的熊猫出拳时明显时间要晚了两秒。

参考深度动作捕捉的视频镜头推近，节奏和原片严丝合缝。

测到这儿，我把什么样的素材最该用深度动作捕捉总结一下。

一是空间感得强，人物要在画面里真的移动，有走位、有远近变化，站桩念台词那种用不上它。

二是动作幅度要大，最好带腾空、转体、下蹲、地面动作，越是文字写不出来的，它越值钱。

三是原片别用扁平动画，那种本身就没什么立体空间关系的画面，深度提取也提不出多少东西，真人写实、立体、有光影的素材才最合适。

之后我还要说一下LibTV这次一起更新的智能剪辑，我正好也一起测了一下。

和大家说，其实剪口播一直是我最烦的活。

找卡壳、去口水词和重复、重新排结构、再上花字字幕，没半个小时下不来。

我手头正好有个需要剪的例子，一个女主播做职场方向，五段十来秒的视频。

这5个视频里总有说错，有重复说的。

这次我直接在画布上加了个智能剪辑节点，选口播视频。

五段素材全部选上，已经配好了提示词。

它先把每段讲了什么理解一遍，自动粗剪。

五段零散素材一共有一分钟。

最后剪辑下来有38秒，说明有20多秒是不能用的。

字幕都给我配好了。

智能剪辑先把人最耗时间的那部分机械活替你干掉，把判断和创作留给你自己，简直太适合媒体人了。

测完我最大的感受是，AI视频这两年卷来卷去，明面上都在卷谁的画面更精致，可真正做内容的人，私底下最迫切的需求全是可控两个字。

我脑子里明明看得见这套武术该怎么打、镜头该怎么走，就是没法稳定地让AI照做，要么它听不懂我的文字，要么它顺手抄走我根本不想让它抄的东西。

深度动作捕捉真正打动我的，是它的可控，从控制一张画面长什么样，推进到控制动作、走位、运镜和空间关系。

动作其实是一段视频的骨架，长相、服装、场景、画风，都是挂在骨架上的皮肉。

以前你喂参考，是连皮带骨塞给它，它当然连皮肉一起抄。

现在你能先把骨架单独抽出来，皮肉想换成熊猫就换成熊猫，想放进竹林就放进竹林。

测完我发现，这才应该是参考视频本来应该有的效果。

地址我放在这了，https://www.liblib.tv/ ，逐帧拉片的下拉里就能找到深度动作捕捉。

真心建议你也找一段动作足够狠的视频，做一次自己想做的视频，亲自过一遍，你就明白我为什么愿意为它写这么长一篇文章了。