一款还没拿到手里的手机,只凭高清图片和官网视频,能不能在自己的电脑里搭出三维模型,再拍一支产品广告?
这次,我用 Codex 接入 GPT-6 Astra 模型,再通过 MCP 连上 Blender,做了一次完整尝试。
手机是荣耀 Robot Phone。它最吸引我的地方,是那个能从背部展开、还能转动的云台摄像头。我的目标也很直接:尽量把它复刻出来,不只做一张好看的图片,而是让它真的能收纳、展开、转向。
按照我这次统计的使用费用,模型交互花费约 30 元 token。最终完成了一支 24 秒、1080p、30 帧每秒的产品动画,还留下了可以继续编辑的 Blender 工程。
先说明,“完美复刻”是最初追求的目标。实际制作中,我把标准调整为外观和运动比例尽量接近参考。它属于个人视觉复刻,不是官方 CAD,也不是已经验证过的制造方案。30 元是模型交互费用,不包含电脑、电费和我反复看图、反馈的时间。
图 1|实际 1080p 成片中的整机画面。手机、云台、摄影棚背景和灯光,都来自 Blender 工程。
01|先让 AI 看懂产品,而不是急着做模型
我先把产品的高清图片、官网素材和视频放进一个文件夹,让 Codex 分析。
普通手机的外形相对固定。这款手机却多了一个难点:云台既要展开得像,也要收回去之后像。只参考一张展开图,很容易把支架做成“看着差不多,实际上收不进去”的样子。
所以,我们把官方视频拆成关键画面,对照收纳、半展开、完全展开,以及俯仰转动时的结构。
这一步可以理解为拼拼图。背面图帮助判断宽窄,侧面图帮助判断厚度,运动视频则告诉我们:哪些零件是连在一起的,哪里是转轴,谁先动、谁后动。
参考素材的质量,直接影响后面的上限。 AI 不会因为会写脚本,就自动知道一款新产品内部的精确结构。
02|Codex 负责操作,Blender 负责真正的三维制作
Blender 是一款免费的三维软件。小白可以把它理解成一个数字摄影棚:先制造产品,再给它上材质、打灯、摆摄影机,最后拍成动画。
这次用的是 Codex,接入 GPT-6 Astra 模型,再通过 MCP 连上 Blender:由模型理解我的要求、写出 Python 脚本,经 MCP 发给 Blender 执行,创建零件、修改尺寸、设置材质,并安排动作和摄影机。
我不需要把每一个按钮都学会,而是不断描述目标和问题。比如:“收纳方向反了”“这个支架太细”“展开之后宽窄比例还不对”。Codex 再把这些要求转成具体修改。
图 2|真实 Blender 界面截图。左侧是白模视口,右侧是对象和参数,下方是时间轴。白模暂时不展示最终金属、玻璃材质,便于看清结构。
这里和直接生成一段视频有个区别:模型、支架、镜头、灯光和摄影机,都真实存在于工程里。以后想换背景、改动作、重新拍一个角度,可以继续利用同一份资产。
03|最费心的不是机身,而是云台
第一版做出来时,已经有手机的样子了,但云台并没有一次成功。
我先发现,收纳状态的方向和参考图相反。随后又发现,支架粗细、长短和弯曲方式都存在差异。收起来看着接近,展开后连接段又显得过长。
我们因此进行了多轮修改:调整内外支架的厚度和末端高度,重做弯曲轮廓,缩短连接段,修改摄像头外壳,并校正镜片圆度。
图 3|左:官方参考;中:上一版模型;右:本轮修改。重点比较内外支架的厚度、末端高度和弯曲轮廓。参考素材来自荣耀官网,非本人创作。
图 4|展开状态也要单独检查。两版模型采用同机位比较;官方参考图的透视和姿态仍有差异,这张图不能当作精确尺寸测量。
这段经历让我意识到:“能动”和“像原产品”是两件事。 即使零件没有明显穿插,也可能存在比例错误。
真正有效的做法,是把参考图和模型放在一起,看轮廓、看宽窄、看连接关系。AI 提高了修改速度,但发现问题、确定取舍,依然需要人参与。
04|让云台动起来,还得遵守顺序
动画不是给整个摄像头随便加个旋转。
这款产品的动作顺序是:背部玻璃先滑开,云台从收纳位置升起,摄像头再转正,之后才进入转动展示。
我们为不同关节设置控制器。可以把控制器理解为几根看不见的操纵杆,分别控制展开、转向、俯仰和滑盖,再在时间轴上规定它们什么时候动作。
图 5|制作阶段提取的连续动作画面,展示滑盖、升起和转正。此图来自前期预览,背景与最终版本有所不同。
检查时既看关键姿态,也看中间过程。否则起点、终点都正确,中途仍可能出现不自然的运动。
05|从模型展示,到一支产品广告
模型被认可后,我希望它更像真实摄影棚里的产品广告。
因此,我们选择银色机身、克制的灰色环境,用柔光和条形轮廓光表现材质。整片先交代产品,再靠近背部结构,完整展示云台展开,最后从特写拉回整机。
第一版动画完成后,我又提出两个问题:16 秒后的镜头切换太生硬,背景也不够自然。
修改后,后半段改为同一台摄影机连续拉远,取消原来 16 秒和 20 秒处的切换。地面换成更哑光的中性灰,后墙增加柔和照明,减少黑底与亮斑之间的突兀感。
图 6|左侧为第一版,右侧为新版。背景和地面过渡更柔和;片尾叠加文字也被删除,留给后期自行处理。
这个阶段,重要的已经不只是“技术上做出来”,而是观众看得是否舒服,产品重点有没有被表达清楚。
06|白模和成片放在一起,最容易看懂
为了让没用过 Blender 的人也能理解,我们又制作了一支约 10 秒的同步对比视频。
左边是真实 Blender 界面中的白模动画,右边是对应时刻的 720p 成片。两边按同一份帧表展示云台展开、转动特写和整机拉远。
图 7|同一结构、同一动作的两种呈现。左边是 Blender 原生窗口采集,右边直接取自已确认的 720p 视频,不是模拟的软件界面。
三维结构是基础,材质决定像金属还是玻璃,灯光和反射决定质感,摄影机和动作决定观看方式。对比起来,这个过程就不抽象了。
07|最后的 1080p,是电脑一张一张算出来的
我们先完成完整 720p 预览,确定节奏、运镜和背景,再进入 1080p 最终渲染。这样,修改创意时就不用反复等待整片高画质输出。
“渲染”可以理解为电脑根据三维场景计算照片。24 秒、每秒 30 帧,就是 720 张图片,连续播放才成为视频。
本次使用的电脑是 i7-9850H、约 32GB 内存和 6GB 显存的 Quadro RTX 3000。最终采用 Cycles 光线追踪与降噪,先保存 16 位 PNG 图片序列,再合成带配乐版和无音轨版。
图 8|根据实际任务日志整理的记录图,不是软件截图。最终任务从 17:58:49 开始,到 21:23:57 完成渲染、合成与文件检查,约 3 小时 25 分钟。
本地渲染计算本身不消耗模型 token,主要消耗电脑算力和时间。让 AI 检查进度、分析画面或修改脚本,则仍然可能产生模型用量。
因此,“30 元做成宣传片”更严谨的理解是:这次模型交互支出约 30 元,电脑算了几个小时,人也参与了多轮判断和修改。 这不是所有人都能复制的固定报价。
图 9|最终 1080p 动画中的云台特写。模型仍属于依据公开资料完成的视觉复刻,并非厂商工程模型。
08|为什么这次 Codex 能做得比较好?
还有一个问题值得展开:同样让 AI 操作 Blender,为什么这次的完成度让我觉得明显不同?
我此前也尝试过 DeepSeek、千问等模型,但在我当时使用的版本、工具配置和任务条件下,它们没能像这次一样顺畅地完成 Blender 操作与建模。这是我的实际体验,但还不是一场统一条件下的模型评测。
所以,我不能据此下结论,说整个 DeepSeek 或千问系列都不行,也不能简单归因于“开源不如闭源”。不同型号、部署方式、视觉输入和工具权限,都会改变结果。有的模型能直接看图,有的需要额外视觉组件;有的运行环境能够执行脚本,有的只能给建议。
更值得分析的是,这次成功依赖了哪些能力。
第一,把“看着不对”翻译成可以执行的修改
我不会每次都给出精确尺寸。很多反馈只是:“支架太细”“收纳反了”“后面的切换很生硬”。
要解决这些问题,系统需要先理解我指的是什么,再找到对应的零件、转轴、摄影机或者动画曲线。这比写一段通用的 Blender 示例代码更难。
比如,“16 秒后切换生硬”最终落地成了:取消两处摄影机切换,用同一焦距的摄影机连续后退,最后缓慢停稳。它需要把观看感受转译成具体制作决策。
第二,能在软件里执行,也能在失败后修复
实际过程里并非没有报错。脚本遇到过节点查找问题,连接也出现过不可用的情况。重要的是,遇到问题之后能继续定位和处理,而不是把一段未运行的代码当成完成结果。
这里不能把功劳全部归给模型本身。本地连接、Python 脚本、Blender 的程序接口、文件读写权限,都参与了这个过程。
这次真正发挥作用的是一套能做事的工作环境,加上模型的理解、编程与调试能力。 缺少其中一环,体验就可能完全不同。
第三,修改很多轮后,还能沿着同一个目标推进
这个项目经历了建模、结构返工、动作调整、灯光修改和视频剪辑。一次改完,往往会影响另一处表现。
能持续推进,需要记住已确认的选择:用哪一版模型、哪段动作不能随便动、片尾不要文字、背景已经认可,以及最后要交付什么。
这里既有模型处理上下文的能力,也有工程文件、脚本、版本记录的帮助。把任务状态留在文件里,可以减少对聊天记忆的依赖。
第四,结果必须回到画面里验证
只会说“已经修好了”没有意义。真正有效的是重新渲染,再拿新图和参考图比较。
这次也有 AI 没发现、由我指出的错误。正因为人没有退出检查过程,才逐渐把结果修到可以接受。
因此,我更愿意这样解释这次的表现:它比较好地串起了理解、执行、观察和修正,而不是突然拥有了对手机结构绝对正确的认识。
如果要更公平地比较模型,我会用同一套素材、同一 Blender 版本、同一工具接口和清晰的任务要求,分别记录完成质量、失败次数、人工介入和总费用。这样得到的结论,才更接近“哪个模型适合这项工作”。
09|以前一秒三维产品视频上千元,现在怎么算?
我最初的直觉是:以前做这种纯三维产品视频,一秒至少得千把块吧?
这个说法需要拆开。在要求较高、定制程度较深的商业项目里,把整单费用摊到成片秒数,达到每秒千元量级,并不难理解。但“至少”两个字不适合作为普遍标准:模板展示、现成模型转台和复杂广告镜头,根本不是同一种工作。
这篇文章没有采集同一需求下的供应商报价,因此不会把这个量级当作已经核实的市场均价。
客户买的,从来不只是视频里的那一秒
一支片子通常需要先理解需求,再建模、做材质、安排动作和镜头、测试灯光、渲染、合成,最后修改交付。
其中不少工作属于前期投入。哪怕最终只使用一秒镜头,也可能需要先把整套产品资产做出来。反过来,如果模型和场景都已存在,多出几秒简单运动,也不一定按相同比例增加成本。
传统商业报价还可能包含沟通、项目管理、修改轮次、交付期限、音乐和其他素材授权,以及承接方的利润与责任。这些都不会完整体现在 token 账单上。
30 元 token 和一张商业报价单,不能直接相除
假设某个项目报价是每秒 1,000 元,24 秒就是 24,000 元。这只是一道帮助理解量级的假设,不代表本片获得过这样的真实报价。
把假设的 24,000 元与本次约 30 元 token 相除,再宣称“成本下降 800 倍”,会把两种口径混在一起:一个可能是对客户承担交付责任的价格,一个只是本次模型交互的支出。
更合理的比较,应当在相同画质、准确性、修改要求、授权范围和交付期限下,核算设备与算力、人工时间、失败重做和最终验收。
即便如此,这次实践依然让我看到:脚本化执行和反复修改的门槛确实降低了,个人启动一个三维项目所需要支付的现金,也可能大幅减少。 这个结论已经足够有分量,不需要虚构一个精确的降本倍数。
更便宜的模型,不一定带来更便宜的成品
选择模型时,只比较每百万 token 的价格可能不够。一个单价低的模型,如果需要更多重试、更长的沟通和更多人工修正,最后未必更省。
但也不能反过来说,价格更高的模型就一定划算。简单重复的任务,成本较低的模型可能已经足够。真正该看的是:达到相同可用标准,一共花了多少钱、多少时间,以及需要人接管多少次。
这也是我认为企业以后会越来越重视的指标:每次成功交付的综合成本,而不只是一次调用的标价。
10|更深一层:它改变的不只是“做视频便宜了”
资产开始积累,而不只是一次性消耗
这次留下的 Blender 模型可以继续拍摄。下一次换角度、换背景、做竖版,并不一定需要从零开始。
对企业来说,长期价值可能来自逐渐积累自己的产品模型、材质库、灯光方案和制作规范。第一支片子是在做内容,也是在建设后续内容的基础。
企业采购可能从“买一支片”变成“买一套持续生产能力”
如果内部人员能完成常规变体,外部团队的价值可能更多集中在高难度创意、复杂效果、视觉标准建立和重要项目把关。
采购时也应关心是否交付源文件、能否继续修改、资产权利是否清楚、不同人员能否接手,而不只是最后收到一个 MP4。
对小企业的影响,可能首先是“以前不做,现在能做”
并不是每个使用 AI 的企业,都在替代一个已有的专业制作预算。有些小商家原本就不会购买定制三维广告,降低门槛后才开始尝试。
因此,市场可能同时发生两件事:部分标准化服务受到价格压力,新的低预算需求又被释放出来。新增需求能否抵消被压缩的收入,取决于具体行业,不能只看一次演示就下结论。
初级岗位的学习路径,可能比岗位数量更早改变
新人过去可能通过大量重复操作熟悉软件。如果这些任务更多交给 AI,学习就需要更主动地补上结构、材质、光学和动画原理。
否则会出现一种危险的熟练:能让工具快速生成东西,却不知道错在哪里,也无法在项目失控时接手。企业培养新人时,可能需要把“检查与解释结果”放到和“制作结果”同等重要的位置。
本地渲染不等于全流程本地,企业还要关心数据路径
这次 Blender 在自己的电脑上工作,但使用云端模型分析图片、代码或项目内容,可能涉及把相关输入发送到模型服务。
对于公开产品复刻,这与企业尚未发布的工业设计不是同一种情形。真正引入公司时,需要明确哪些资料可以作为输入、哪些环节必须留在本地。
这也是本地部署与开放权重模型可能具有价值的方向。不能只根据一次建模表现,把企业选型简化成一个通用排行榜。
视觉越容易逼真,实物验证越不能省略
一段云台顺畅展开的视频,并不能证明它真的可制造、可靠或达到某项性能。我们的模型就存在依据参考推断的尺寸,并非从工程图得到。
当企业更容易制作逼真的产品图和动画,就更需要分清概念演示、设计方案与已验证的实物能力。传播能力增强后,表达责任也会增加。
最后,便宜的算力并不保证便宜的注意力
所有人都能更快制作视频之后,平台上的内容会更多,用户的时间却不会同比增长。制作端省下的钱,未必能自动转化为更低的获客成本。
我预计,真正能持续获益的团队,会把节省出的资源投到用户研究、产品改进和有效实验上。AI 可以加快制作,但商业效果仍然要回到市场里验证。
11|换成独立分析师视角:它会改变什么?
下面是我基于这次实践的判断,不是已经被一个案例证明的行业结论。
对社会:更多人能制作,判断能力会更重要
当自然语言可以调用专业工具,个人创作者、小团队和学生都有机会完成过去难以独立推进的项目。
但内容更多,不代表好内容自动更多。画面越容易制作,观众越需要判断来源和真实性。能说明“参考来自哪里、哪些部分是复刻、哪些结论经过验证”的创作者,会更容易积累信任。
对企业:试错成本下降,管理问题开始出现
一份三维产品资产,可以衍生多种背景、机位和展示方式。中小企业可能更早开始测试宣传创意,不必每次都从零制作。
不过,企业最终需要的是准确、一致、可追溯的交付。谁检查产品结构,谁确认文案参数,谁管理版本,谁审核公开发布,仍然必须有人负责。
当执行成本下降,清晰的流程和质量标准会变得更值钱。
对营销:漂亮画面会更普遍,表达和实验才拉开差距
我预计,制作一支“看起来不错”的产品视频会越来越容易。竞争会进一步转向:展示哪个卖点、服务哪类人群、在哪个渠道传播,以及是否真的帮助用户理解产品。
营销团队可以用更多版本测试不同表达,但也可能陷入批量生产相似内容的循环。视频数量不是效果指标,用户理解和实际转化才是。
对岗位:任务会先重组,不会所有工作一起消失
重复的执行环节可能面临价格压力,懂产品、懂结构、懂审美、能把关的人则更有机会扩大产出。
这次最明显的变化,不是我突然掌握了全部三维技能,而是我能把目标交给工具执行,再通过观察和反馈,逐步得到可用的结果。
长期看,如果资产管理、验证和工具连接继续成熟,一个人可以组织完成的工作范围会扩大。但专业知识仍然重要,它决定你能发现多少问题,以及什么时候应该相信结果。
写在最后
这次复刻,并不是一句提示词之后就等来完美成片。它包含参考分析、建模返工、结构比较、动作修改、镜头重做,以及几个小时的电脑渲染。
真正让我感到变化的是:这些环节开始能由一个人围绕目标持续推进。
30 元 token 的意义,是让我以较低的交互成本,尝试把想法变成可编辑的模型,再变成一支完整影片。工具能做的事情在变多,而人的观察、审美和判断,没有变得多余。
---
素材与说明: 本文为个人制作实录,非荣耀官方广告。图 3、图 4 中的产品参考素材来自荣耀 Robot Phone 官网,仅用于说明复刻过程;其余模型、过程截图、渲染图和视频来自本次项目。本次使用的工具为 Codex 软件,接入 GPT-6 Astra 模型,通过 MCP 连接 Blender 执行操作;约 30 元 token 费用按作者提供的统计口径,不作为官方定价或完整项目成本。影响分析为作者观点。