AI中国网 https://www.cnaiplus.com
导读：确定、可控、批量生产作者aniel编辑: Koji排版: Zeooo在AI视频生成领域，大家都在看Seedance、可灵谁能生成更逼真的画面，谁的运动更自然。但在生成式路线之外，HeyGen 悄悄开源了一个东西，做的不是画面质量，而是视频生产的基础设施。视频生成的另一条路线4 月，HeyGen 发布了 Hyperframes，一个基于 HTML 的视频渲染框架。它不生成画面，而是让代码变成帧率稳定、动画流畅 ......确定、可控、批量生产
作者:Daniel
编辑: Koji
排版: Zeooo
在AI视频生成领域，大家都在看Seedance、可灵谁能生成更逼真的画面，谁的运动更自然。但在生成式路线之外，HeyGen 悄悄开源了一个东西，做的不是画面质量，而是视频生产的基础设施。视频生成的另一条路线4 月，HeyGen 发布了 Hyperframes，一个基于 HTML 的视频渲染框架。它不生成画面，而是让代码变成帧率稳定、动画流畅、可以直接上传播放的视频文件。关键词三个：确定、可控、批量生产。
不是通过 Diffusion 去生成，而是通过代码来逐帧精确控制画面。
在 Hyperframes 之前，这个领域最重要的项目是 Remotion。2021 年发布，思路很优雅：用最经典的前端框架 React 写视频，每一帧是一个组件，时间轴上的每一秒都是代码可控的。
Remotion 做得不错，也有了不少付费用户。但 HeyGen 自己大量使用 Remotion 之后，觉得不够用了，于是从头写了 Hyperframes，然后开源。
为什么不够用？为什么要重新造一个轮子？这是理解 Hyperframes 最重要的问题。先看看它用起来到底怎样。
体验过程：低成本、可控性启动方法很简单。运行一行命令把 Hyperframes 的 skill 装进你的 AI agent（Claude Code、Codex、OpenClaw 都行），初始化一个项目目录，之后就完全用自然语言交互了。
我用 Claude Code 配 Opus 4.6 做测试。第一条指令：
做一个 9:16 的 TikTok 风格短视频，给外行人介绍 DeepSeek V4 和 V3 的区别，大概 30 秒，画面要有 DeepSeek 的视觉特征，动画有弹性，加上语调专业的 TTS。
这模拟的是一个很真实的场景：我想快速做一个科普视频给大众看，没怎么动脑写 prompt，也没有规定视频里的每个部分讲什么、怎么讲，全让 AI 自己来做，成本能低到什么程度？
Claude Code 自己去搜索了 DeepSeek V4 的资料，用 Kokoro 生成了语音，做了视觉设计，输出了一个 HTML 文件。
这里有一个值得注意的细节：Hyperframes 内置了强制校验机制。HTML 生成后会自动检查格式规范，内容溢出、对比度不够导致文字看不清，这些问题会在渲染前就被拦住。出品至少是「可看」的，不会出现排版乱掉的情况。
效果比较简单，基本是几页带文字和过渡动画的画面，像一个会动的 PPT。配色也偏丑，而且默认用了英文。不过只给了一句指令，没做任何调优，这个起点算合格。
接下来我开始调。给了一段修改指令：
主配色换成白底蓝黑字、更简约高级的视觉风格；语言换成中文；解决字幕和语音的节奏错位问题；转场动画换成更丰富的效果；关键词出现时蓝底高亮白字。
Claude Code 不只是改了样式。它重新核实了 V4 的技术参数，修正了第一版里的几个事实错误，比如把模糊的「计算量减少 73%」改成了更准确的「注意力计算省 73%」，内容和形式一起迭代了。
再微调一轮：顶部加一个标题、把条状图换成环形图、换掉一句太中二的口号、转场动画多样化一些。每轮微调大概五分钟。
调完的效果已经比较像样了。从「丑 PPT」到「能发出去」，一共三四轮迭代，累计半小时。这个成本已经比自己在剪映里拖拽元素低了，而且完全没有软件的上手门槛。
科普视频是「从零开始」，多少有点粗糙。接下来测一个更接近实际生产的场景：提供一些基础素材和指令，同一套模板、同一个风格，批量生成一组系列视频。
我选了三丽鸥家族做试验，提前搜好了美乐蒂、库洛米、布丁狗、玉桂狗四个角色的图片素材（PNG、GIF），然后给了一条比较详细的指令：
四个视频共用一套模板结构（出场→介绍→角色关系→系列结尾），但每个角色有自己的配色（粉、紫、黄、蓝）和动态背景（格子、流星、圆点、条纹）；图片要保持无底 PNG 的透明状态；标题用可爱卡通的字体加描边；角色图片要有轻微浮动的呼吸感动画。
（我从网上扒的参考图）
从准备素材到四个视频全部出完，大约20分钟。效果如下：
在整个体验过程中，我觉得最值得说的不是最终效果有多好看，而是工作方式的变化。
用 Sora 或者 Runway 生视频，你面对的是一个黑盒：输入 prompt，等输出，不满意就换个 prompt 重来，有时候之前改过的东西，重新输出一次之后又改回去了。你没有办法说「就这个画面，把左边那个元素往右移一点」。每次重新生成都是一次完整的**。
Hyperframes 完全不同。因为底层是 HTML 代码，每一帧的每一个元素都是确定的。你可以直接让 AI 改某一行 CSS，把标题颜色从蓝色换成红色，或者把某个动画的时长从 2 秒改成 1.5 秒，然后重新渲染。
同样的代码，每次渲染出来的视频是一模一样的。这意味着你可以大胆修改细节，不用担心改一个地方、另一个地方莫名其妙变了。
Hyperframes 和纯 prompt 驱动的视频生成工具，类似于用代码写定的 workflow 和模型通过自然语言理解的 skill，前者更稳定可控，后者灵活性和上限更高。在当前阶段两种路径并存。
如果你的需求是同模板批量生产内容，Hyperframes 这种路径会更适合。
另外，以上我手搓的两个视频仍然粗糙。Hyperframes 官方提供了一些成品模板，如果之后使用社群壮大起来，也一定会有开发者贡献更多模板，和 PPT 模板生态一样。
不过落到实际的生产环境里，Hyperframes 的局限性依然存在。
前面提到，Hyperframes 的代码成品率很高，HTML 层面几乎不出结构性错误。但「代码跑得通」和「画面好看」之间仍然有距离。
对于复杂的画面构成和精致的动效，哪怕已经用自然语言进行了详细描绘，效果和预期之间仍然会出现落差。这种落差来自两个不同层面的局限。
第一类局限是自然语言描述空间关系的带宽有限。比如我让它生成十字路口播客的嘉宾金句剪辑（金句 clip 是我手工剪的）：
使用Hyperframes做一个播客金句&开场的视频，横版16:9素材：（视频地址及文字）布局：类似聚光灯，深绿色背景上，一个圆形框住视频里的嘉宾，圆形下方是嘉宾的名字和title，旁边用大字展示金句。三个素材的人像和文字位置要各不相同，以保证画面的多样性。动画：圆和文字从侧方偏移滑入，文字随着视频节奏逐句出现。转场：clip 之间用简洁的转场。这个动画本身不难，但画面的位置、缩放怎么设置，才能刚好框住我想要的范围，这个我是无法用语言跟 Claude 说清的「往左一点」「再大一点」是一个无底洞。我只能手动一点点调 HTML 里的数值，调完之后重新渲染看结果，这是最费时间的一步。
这不是模型的能力问题，而是自然语言本身在描述精确空间关系时带宽不够，效率比不上 GUI 界面，手动直接拖拽移动。
第二类局限是模型没有视觉反馈回路，无法自判效果是否达标。比如我让它生成一个十字路口播客的动画，prompt 如下：
使用Hyperframes做一个十字路口播客的动画视频，横版16:9播客名称：十字路口，意为“站在科技与人文的十字路口”播客logo：（图片）画面布局：背景，使用播客主题深绿色，布满复杂密集的线路，类似交通道路，又类似电路板和生长的树枝，有曲有直。线路之间有丰富的几何图形不规则地排列做点缀，显示出生命力。前景，画面上半部分是logo，下半部分是播客名和slogan。前景的图像都使用浅绿色动画：背景，从纯深绿色开始，道路快速从中心向四周延伸，同时装饰的几何元素随着道路生长而出现。前景，从一串大小不一的圆形组成的漩涡/波纹开始，波纹旋转消失后，logo和文字快速弹出。前景和背景的动画同时结束，结束后画面静止不变，总时长2s.整体动画尽可能地跳跃、夸张、活泼、有生命力。初版生成的画面十分粗糙且简单，在多次反复追加「更复杂」之后，模型才终于把初始 prompt 里已经写明的「复杂」「繁多」「夸张」落实到位。换句话说，要求从一开始就写在那里了，但模型自动降级了。
成品如下：
这是因为语言模型无法真正「看」到渲染结果。它不知道自己写出来的代码在视觉上是什么效果，也就无法判断「够不够复杂」「够不够夸张」。
它倾向于生成保守、安全的版本，因为它没有反馈信号来校准自己对「程度」的理解。
两类局限叠加在一起，意味着目前 Hyperframes 的工作流里仍然存在一个必须人工介入的环节：视觉微调。
AI 能快速生成 80% 的效果，但最后那 20%，位置对不对、动画够不够复杂、整体感觉到没到位，仍然需要人看着画面手动调参数。这个环节的效率，决定了它能不能真正替代传统视频制作流程。
为什么HeyGen要做这件事理解了体验，再来看背后的商业逻辑。
HeyGen 是做 AI 数字人的公司，核心产品是你上传一段文字，它帮你生成一个数字人说话的视频。
背后的流程大概是：先用 AI 生成数字人的脸部动画和口型，然后把这些素材组装成一个完整的视频，加上背景、字幕、转场、logo。
这个组装环节，HeyGen 之前一直在用 Remotion。但 Remotion 有一个现实问题：它是商业授权的。
但省钱只是表面原因。更深层的原因是，emotion 是为人设计的。
Remotion 选 React 作为技术底座，因为 React 是前端工程师最熟悉的框架。如果你的用户是程序员，让他们用最熟的工具就是最低摩擦的方案。
但 HeyGen 的场景变了。在他们的生产管线里，越来越多的视频不是人在写代码生成的，而是 AI agent 在调 API 自动生成的。
所以 Hyperframes 砍掉了 React，回到最基础的 HTML + CSS + JavaScript。对 AI 来说，生成一段纯 HTML 比生成一个 React 组件树准确率高得多。
从商业模式上看，Hyperframes 的组件目录里有一个叫 HeyGen Avatar 的组件，用来嵌入 HeyGen 的数字人。框架免费，数字人收费。用了这个框架，自然就接入了 HeyGen 的核心付费产品。
HeyGen 赌的是：在 AI 视频的世界里，虽然会大量用到 AIGC 生成的内容，但仍然需要一个结构化的、可控的代码层来控制视频的基本信息、剪辑和画面转换。谁定义了这层基础设施的接口，谁就拥有了平台地位。
（hyperframes的动画和数字人结合在一起的效果）
总结Hyperframes 本质上是把视频拉进了 vibe coding 的领域：版本控制、批量生成、确定性复现。
我在体验 Hyperframes 的全程都在用 Claude Code，它不是一个视频制作 agent，它就是一个通用的 coding agent，只不过这次写的代码会被渲染成视频。
agent 能力的边界不在 agent 本身，而在它能调用的工具，代码正在成为 AI 理解和操控世界的 lingua franca，换句话说，coding agent 就是通用 agent。
下一个被拉进代码世界的创作媒介，又会是什么呢。
附上 Hyperframes 使用体验总结：
Pros：
确定性。改一处就是一处，不会像生成式工具那样每次重来都是**
纯 HTML 底座对 AI 友好，成品率高，几乎不出结构性错误
迭代很快，五分钟一轮，三四轮就能从粗糙到能发
适合批量生产，同模板换内容，系列化内容的效率碾压手工
Cons：
最后 20% 的视觉微调仍然得人来做，空间位置、动画程度这些东西说不清楚
自然语言描述精确的空间关系效率太低，远不如 GUI 直接拖
模型看不到自己渲染出来的东西，总是倾向保守，需要反复 push
HTML+CSS 动画的表现力有天花板，写实和电影级画面做不了
十字路口正在寻找独立撰稿人，撰写 AI 产品和模型评测。如果你写过类似文章：《实测 PixVerse C1》、《实测 LibTV》，请联系 zeo0811@gmail.com ，邮件内容请包括：① 个人介绍、② 你写过的 AI 评测文章。我们会提供有竞争力的稿酬。期待与你一起观察与记录 AI 时代
AI中国网 https://www.cnaiplus.com
本文网址：
