Opus 5.5 生成视频的真相：它不生成视频，是写代码让浏览器逐帧画出来

大家好，我是晚安code。

上周我刷到一支 2 分 21 秒的 MV，转发量一路冲到几百万，评论区全在感叹"AI 视频生成又进化了"。我顺手去看了它的制作过程——好家伙，这玩意儿压根就没生成视频。

一、先泼盆冷水：Opus 5.5 生成视频的原理里，没有视频模型

先把三个概念摆正，后面的内容才不会走偏。

Claude Opus 5.5：Anthropic 在 2026 年 9 月 22 日发布的旗舰模型，主打长时运行的智能体编程与知识型工作。你可以把它理解成一个能连着干十几个小时、中途不喊累的高级外包。

代码渲染（Code Rendering）：用程序把每一帧画面算出来，再拼成视频的做法。它不"生成"画面，是"画"画面——像手绘动画的每一张赛璐璐片，只不过画笔换成了浏览器。

确定性渲染（Deterministic Rendering）：同一个时间点 t，永远画出同一帧。这是整条管线的地基，后面详细说。

现在说结论。判断一个模型是不是视频生成模型，最省事的标准就一条——看输出。视频生成模型的输出是像素块，Opus 5.5 的输出是 token。

更直接一点：Opus 5.5 连图片都生成不了。Anthropic 的官方文档写得很清楚，Claude 不能创建图像，它的输入支持文本、图片和文件，输出只有文本。一个连静态图都吐不出来的模型，凭什么给你一段视频？

那网上那些片子是哪来的？

二、Opus 5.5 写代码做视频：那支被马斯克连转的 MV 是怎么来的

据量子位、新浪财经等媒体报道，这波"出片潮"的起点是博主 donald。他在 X 上刷到 NotinReality 做的《Claude Pop》，把原始链接连同音频一起丢给 Opus 5.5，要求保留歌曲、画面全部重做。

9 月 23 日，他对着电脑讲了大概 5 分钟，配上一长串提示词，然后去睡觉。12 小时后醒来，一支 2 分 21 秒的完整翻拍 MV 躺在那里，帖子冲到约 320 万播放。随后他公开了那串约 9500 字符的提示词，同题接龙就此开始。

另一位用户 anabology 照着公开的提示词，再加上 Midjourney 和 moodboard，让 Opus 5.5 又干了 12 小时，搓出一支 5 分多钟的超长版。马斯克多次转发，评论从"Epic"到"这次我真切感受到了 AGI"，把浏览量推到了数百万量级。

到这里，九成文章会告诉你："看，Opus 5.5 生成视频的能力真强。"

但这里有个被普遍略过的分叉。

我把 donald 公开的提示词翻了一遍，里面明确写了调用 Seedance 2.5 生成画面、ElevenLabs 生成声音、fal 跑视频生成，再用 JavaScript 叠动态图形。

也就是说，这支 MV 的画面不是代码渲出来的，是外部视频模型生成的。Opus 5.5 在这一单里干的是导演加剪辑：决定每个镜头用什么素材、怎么接、哪里重来。

而真正纯靠写代码渲出来的是另一批作品。GitHub 上的 awesome-opus-5.5-video 就在做这件事：把散在各处的作品、原作者帖子、提示词和来源链接汇总起来，按动态图形、科普解说、3D 场景、游戏与交互分类。

里面能看到 @noahwachnik 做的浏览器版《我的世界》，@WinterArc2125 用代码渲染的奥斯特里茨战役短片。这些片子的画面全部由 HTML、Canvas、SVG、Three.js 这类代码在浏览器里实时画出来。

三、Playwright 逐帧渲染：从一句话到 MP4 的五个环节

纯代码渲染这条路，我把它拆成五个环节。

1）先要分镜，别让它直接写代码

上来就让它"做个 30 秒视频"，出来的东西十有八九要推倒重来。正确的顺序是先让它交分镜或节拍表——总时长、几个场景、每个场景讲什么。你确认了再让它写代码，之后还能只改某一个镜头。

2）让页面暴露两个钩子

场景页面需要对外暴露一个时长和一个按时间绘制的函数：

window.DURATION = 12.5;          // 总时长（秒）
window.seek = async (t) => {
        // 画第 t 秒那一帧
  // 所有元素的位置/透明度/颜色，都写成 t 的函数
};

seek(t) 是整个管线的核心约定。渲染器不"播放"动画，它只是不停地问："t 等于这个值时，画面长什么样？"

3）把不确定的东西全关掉

这一步最容易被忽略，但也最容易翻车。

Date.now()、requestAnimationFrame 循环、CSS transition、定时器——这些都不能用，因为它们让画面依赖挂钟时间，而不是 t。随机值必须设种子。帧与帧之间也不许保存状态，否则并行渲染时会闪。

为什么这么较真？因为确定性渲染有个硬要求：同一份代码，每次渲染结果必须完全一样。只有这样，你才能单独重渲某个镜头，才能在发现第 137 帧有问题时，只重跑那一帧。

4）Playwright 逐帧截图

npm i playwright && npx playwright install chromium

渲染脚本启动无头 chromium，打开场景页，等 document.fonts.ready，然后按 t = 帧号 / fps 循环调用 seek，把每一帧截下来。

5）FFmpeg 吃帧流

帧不必先落盘。脚本 spawn 出 ffmpeg，用 -f image2pipe 从标准输入读帧，边收边编码：

ffmpeg -f image2pipe -framerate 30 -i - \
  -c:v libx264 -pix_fmt yuv420p -crf 18 out.mp4

最后把音轨合进来，用 two-pass loudnorm 压到 -14 LUFS，一条能发的片子就成型了。

说到底，Opus 5.5 生成视频的门槛根本不在那句提示词上，而在你搭没搭好这套确定性渲染的框架。Claude Code 团队的 Thariq 自己就在网上吐槽过，那些网传的提示词上万字符，里面还夹着 skills、示例和 API 密钥——离"一句话出片"差得远。

四、四条路线，什么时候用哪条

这套管线不是只有一种搭法。按你的片子类型选：

我的建议很直接：第一次上手走 A。一个 HTML 文件加一个渲染脚本，几十行就能跑通全流程。等你确认真需要三分钟的片子了，再考虑搬到 Remotion。

有个坑提前说：让它给运动模糊时，做法是每帧多渲几个子帧再用 tmix 混合，渲染时间会成倍涨。别一上来就开。

五、Opus 5.5 价格：单价降了，出片账单是另一本账

先把官方单价摆清楚（2026 年 10 月口径，参数以官方文档为准）：

账面数字是这样的：输入输出各降 20%，缓存读取降幅 60%。上下文窗口 100 万 token，单次最多输出 12.8 万 token，API 模型名 claude-opus-5-5。

Anthropic 对外宣传的"常规负载成本降 40%"是另一个口径——那是把典型任务的 token 用量减少也算进去了。单价降 20% 和综合成本降 40% 是两笔账，别混着看。

真正要提醒的是第三笔账：出片成本。

有用户同时开 9 个 Opus 5.5 代理并行跑了 6 小时做一支预告片，烧掉约 1.87 亿 token，账单 190 美元。还有人的长片单次会话就吃掉 Max 周额度的 7% 到 10%。

所以，别拿"每百万 token 4 美元"去估你的成片预算。一支几十秒的短片可能几美元搞定，但一支几分钟的 MV，账单是按百美元算的，而且多数作品实际都跑了两轮以上。

六、想自己上手，先记住这几条

像导演一样给结构，别堆形容词。 写清总时长、场景数、每个场景要什么，再塞一两个参考图或参考视频。你说"要高级感"没用，你说"参考这支片子的运镜节奏"才有用。

列一份禁用清单。 粒子爆炸、RGB 分离、镜头光晕、霓虹辉光、弹跳缓动——这几个是"模板味"的主要来源，写进提示词里明确禁掉，成片立刻不一样。

让它自查返工。 渲染前抽查几张关键帧，把文字压字、元素重叠、画面拥挤这些问题先修掉，别等到渲完一万帧才发现标题被挡住了。

把推理强度开高。 effort 设到 high 以上，API 文档放进项目目录，密钥放 .env，顺手加一条 "deny": ["Read(./.env)"] 防止它把你的密钥读进上下文。

做成 Skill 复用。 跑通一次之后，把"给产品 → 出宣传片"整个流程封成 Skill，下次换个项目直接调。

可能有人会问：那这算不算 AI 生成视频？

看你说的"生成"指什么。如果你指的是画面由模型直接算出来，那不算——Opus 5.5 一个像素都不产。如果你指的是"我描述需求，最后拿到一支片子"，那算，只是中间那段活儿是代码干的。这个概念分清楚，你在选工具时才不会买错东西。

绕回开头那支 MV。看明白之后就没什么玄乎的了：Opus 5.5 生成视频的能力，本质是写代码的能力换了个舞台。它不创造画面，它创造的是那个能一帧一帧把画面算出来的程序——而这件事，恰好是它最擅长的。

真要上手，我建议先花半小时把那条 seek(t) 的管线跑通。你用不上的话就当看个热闹；用得上的话，它比想象中好使。

我是晚安code，持续分享编程干货。觉得有用的话记得点赞收藏和关注~也欢迎在评论区聊聊：Opus 5.5 生成视频这种"写代码出片"的路子，和 Sora 那种直接生成画面的方式，你更愿意用哪个？