无尘阁日记

无尘阁日记

我说别手搓,他不服气:一支 55 秒数学动画,我用三个技能重做了一遍
silcano

我远房弟弟自己做了一支数学动画,55 秒,从数轴讲到抛物线,最后证三角形内角和,全片金色霓虹线条。我说这活儿没必要手搓,直接用现成的 skills 就行,不然时间全浪费在这上面。他不服气——手搓过的人都不服气。所以我没跟他争,我把同一支片子重做了一遍:一个半小时,其中四十分钟在跟 ffmpeg 打架。这篇把过程摊开讲:这类画面到底是怎么来的,哪一层有现成的东西,哪一层只能自己踩坑。

一、先说东西,再说人话

他发来的是手机录屏,我把上下黑边裁掉了,内容是完整的。

他做的原版,55 秒

片子的字幕我逐帧抠下来了,原字如下:

初中给数轴加上左半边,
有理数加上无理数,
就是先假装知道答案,
小学一题一题地算,
再让条件把它逼出来。
你第一次能把「变化」画在纸上。
这是很多人第一次学会严格推理。
而把这一切串起来的,
就是抛物线和 x 轴的交点。

顺序按画面出现的时间排,可能和配音咬合差半拍,但字是原字。

我回他的就一句话,原话:

你没必要手搓,直接用 skills 就好了,不然浪费你时间。

他不服气。这个不服气我认——手搓一支片子的人,每一分钟都在解决一个具体的问题:这条线怎么让它一段一段长出来、这个发光怎么不糊成一团、这句配音和这行字怎么对上。一个没踩过这些坑的人跑来说「可以跳过」,凭什么。

所以我没跟他争。我去做了一遍。

二、这类画面根本不是「生成」的

第一件事得拧过来:这不是 AI 生成视频。

现在一说做视频,默认是给模型一段提示词,它吐一段画面。但那类东西做不出这支片子,原因很硬:

  • 三角形内角和的证明,要求 D、E 严格落在顶点 A 的同一条水平线上,要求 ∠1 和 ∠B 真的相等。生成模型给不了这种关系,它只会给你「看起来像」。数学片子里差一点就是错。
  • 公式要一行一行亮起来,笔画从上往下「写」出来。生成模型连字形都不稳,同一个 ∠ 前后两次能长得不一样。

所以这支片子的每一条线,都是画出来的,不是生成的。这是整件事的地基,地基错了后面全错。

画出来之后,画面就拆成四层:

你看到的它其实是什么
星尘、光斑、珊瑚枝SVG 圆 + 径向渐变,固定种子生成,全片复用同一套
金色发光线条SVG path,靠 stroke-dashoffset 按帧「长」出来
公式、字幕文本节点,靠遮罩从左往右揭开
配音、时间轴TTS 分句合成,拿真实时长反推帧号

三、拆开之后,每一层都有现成的

拆到这一层,事情就变成查表了。我装了三个技能,四层里对上三层:

技能顶的是哪一层
数学证明几何动画视频深底高饱和、SVG 精准几何、公式逐步揭示、字幕驱动时间轴。跟这支片子几乎同源
音频与语音工具降噪、剪辑、混音、TTS、声音克隆
文字转语音(Edge)免费中文音色,能顺带导出字幕

有两块它们没有:一是 LaTeX 真·路径动画,把字形拆成笔画、一根根亮起来;二是情绪控制,Edge TTS 只有音色差异,没有真正的语气参数。这两块不影响复刻主效果,先放着。

到这一步,「手搓 vs 用技能」的差别已经显形了:技能帮你跳过的是「怎么规划」,不是「怎么实现」。它告诉你该有哪几层、每层用什么手法,但具体那条线从哪到哪、几个像素,还是得你写。

四、我实际做的事

1. 配音不能整段合成

整段合成你拿不到每句话的起点,画面就只能「大概对」。我按 9 句分开发,每句一个 mp3,再读它的真实时长。

SEGS = [
    ("s1", "画一个三角形 ABC",              "画一个三角形 ABC"),
    ("s2", "过顶点 A 作一条水平线 DE",       "作一条过 A 的水平线 DE"),
    # …共 9 句
]

for sid, text, cap in SEGS:
    mp3 = f"public/audio/{sid}.mp3"
    tts(text, mp3, voice="zh-CN-YunxiNeural", rate="+8%")
    dur = ffprobe_duration(mp3)      # 读真实秒数,不信估算
    frames = round(dur * 30) + 6     # 末尾留 6 帧呼吸
    print(sid, round(dur, 2), frames)

37.3 秒,9 句。

2. 时长换帧号

每句的秒数乘帧率就是它占几帧,累加就得到每句的起始帧,写进一个 timing 文件。这一步做完,字幕卡点和画面出现时刻是算出来的,不是估的——这是整支片子看起来「专业」和「业余」的分界线。

cursor = 0
for sid, dur in durations:
    start_frame[sid] = cursor
    cursor += round(dur * 30) + 6

TOTAL_FRAMES = cursor + round(3.2 * 30)   # 片尾多留 3.2 秒

1120 帧,39.96 秒。

3. 几何靠写坐标,不靠画图

这三个点定下来,整支片子的所有几何元素都在上面长出来。没有一张素材图。

const A  = [470, 150], B = [150, 430], Cc = [790, 430];
const D  = [150, 150], E = [790, 150];        // 过 A 的水平线

<line x1={B[0]} y1={B[1]} x2={A[0]} y2={A[1]}
      stroke="#ffcf7a" strokeWidth={3}
      strokeDasharray={len}
      strokeDashoffset={len * (1 - p)} />

dashoffset 从整条周长退到 0,线就「长」出来了。所有边、所有角弧、所有坐标轴,都是这一个机制。视频里那种手绘感,来源就这四行。

4. 发光是三层叠出来的

金色霓虹不是「调亮了」,是一条线叠三次:大半径模糊做外晕,小半径模糊做内晕,实线做芯。合并之后光才有层次,不然只会糊成一团白的。

<filter id="gGlow" filterUnits="userSpaceOnUse"
        x="-140" y="-140" width="1380" height="1140">
  <feGaussianBlur stdDeviation="14" result="b0"/>
  <feGaussianBlur stdDeviation="6"  result="b1"/>
  <feGaussianBlur stdDeviation="2"  result="b2"/>
  <feMerge>
    <feMergeNode in="b0"/>
    <feMergeNode in="b1"/>
    <feMergeNode in="b1"/>
    <feMergeNode in="b2"/>
    <feMergeNode in="SourceGraphic"/>
  </feMerge>
</filter>

五、真正花时间的地方,不在画面上

写到这儿如果收尾,就是在骗人——好像装个技能、写几行 SVG 就完事。我实际的时间分布是:画面部分两次就调好了,剩下的全在跟工具链打架。按顺序列:

坑一:Remotion 自带的 ffmpeg 在这台 Intel Mac 上起不来。缺 dylib,进程直接 abort,报错跟「视频渲染」一点关系都没有。换成另一个 ffmpeg 二进制才活。

坑二:新版 ffmpeg 删了三个东西。-filter_script、-filter_complex_script、libfdk_aac 编码器,全没了。Remotion 内部三个 js 文件写死了这些,只能一个个改成内联参数和内置 aac。

坑三:六组滤镜各开一份缓冲区。一开始给每个几何元素单独套发光滤镜,渲染 5 秒才出一帧。改成整个几何层套一层,立刻正常。

坑四:13 个大圆斑逐帧高斯模糊。背景光斑原来用圆加滤镜画,每帧重算一遍。换成径向渐变之后,肉眼几乎看不出差别,速度快一倍。

坑五:并发只能设 1。多开直接超时。

这五个坑,没有一个是「数学动画」的问题。这就是那句「别手搓」的真正意思:技能能替你决定该怎么做,但替你踩不了这台机器上为什么不行。

六、结果

重做版:40 秒、1920×1080、带中文配音和字幕

40 秒、1920×1080、9 句配音、1120 帧。10:12 开工,11:40 出片,88 分钟。如果环境干净、不踩上面那五个坑,纯做片大概 35 分钟。

七、那到底该不该手搓

我给个不太客气的答案:手搓一次值得,手搓第二次不值得。

第一次手搓,你拿到的是「这件事由什么构成」——四层,每层的机制,每个参数的手感。这个没法教,只能做。他那一遍没有白干,他把地基踩实了。

但第二次再做同一类片子,如果还从零写坐标、算帧号、调滤镜、跟 ffmpeg 打架,那就是把已经解决过的问题重新解决一遍。

技能真正的价值在这儿:它把第一次学到的东西固化成能复用的东西。我这次搭的这套——配色、滤镜参数、分句 TTS 对齐、字幕卡点——已经可以封成一个技能,下次换个题目,改旁白和坐标就能出片。

所以我跟他说那句话,不是说他白忙。我是想说:地基踩实了之后,别一直站在上面,往上盖。

他要是不服,让他给我改个题目,一小时一支。

文中两支片子:原片是他手机录屏,我只裁了上下黑边;重做版用 Remotion + SVG 渲染,配音是 Edge TTS 的 zh-CN-YunxiNeural,语速 +8%。发光、描边生长、字幕卡点全部由帧号驱动,没有一帧是生成的。技术细节记在工作区备忘里,需要的自己翻。

关于作者 · 江天(楠哥)
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。