🎞️ 一帧亮一帧暗地闪
逐帧独立估深度的典型症状。换用带时序一致性的模型（本工具内置的 Video-Depth-Anything 就是），别拿单图深度模型逐帧硬跑。
白膜视频专题 · 适用 v1.8.7 及以上 · Windows 本地运行
白膜视频怎么生成：
白膜视频怎么生成：
不用 3D 建模的白膜视频制作与控制工作流
「白膜视频」在 AI 生成圈里出现得越来越频繁，但真正讲清怎么做的很少。 这篇不谈理论，只解决四件事：白膜视频到底是什么、怎么生成、参数怎么调、 以及怎么接进 AI 生成的工作流里当控制信号。
一、白膜视频是什么，为什么大家都在做
先说结论：白膜视频就是「去掉材质、只留形体结构」的视频。 它把画面里的颜色、贴图、光照全部剥掉，只保留物体长什么样、在哪里、前后关系如何。 影视和动画行业管这个叫白模，AI 生成圈更常写白膜 —— 两种写法指的是同一个东西， 英文里叫 clay render（黏土渲染）或 white model。
它本来是个制作环节里的「半成品」：三维模型做完还没上材质时，先渲一版白的看看比例对不对、 形体顺不顺。但这两年它变成了一个独立的东西 —— AI 视频生成的控制信号。
为什么 AI 生成需要白膜视频
用 AI 生成视频时，最头疼的问题和出图时一模一样：画面不受控。 你描述「一个人跳舞」，模型给你一段跳舞的视频，但动作、机位、空间关系全是它自己编的。 想让生成结果严格跟着一段真人视频的动作和构图走，就得给它一个控制信号。
控制信号的选择逻辑很简单：你希望生成结果忠于原视频的哪一部分，就给哪一部分。 想保住人物的动作和空间关系，但把形象、服装、材质、风格全部换掉 —— 这时候需要的就是一个「只有结构、没有外观」的东西。白膜视频正好是这个东西。
它比原视频「干净」的地方在于：原视频里人物的长相、衣服的颜色、场景的材质， 都会把生成模型往原样复制上带；白膜把这些全部抹掉， 模型只能从白膜里读到「形体在这里、朝这个方向、离镜头这么远」， 剩下的全按提示词去发挥。这就是白膜视频控制工作流的全部逻辑。
| 画面类型 | 保留了信息 | 丢掉了信息 | 当控制信号的强项 |
|---|---|---|---|
| 原视频 | 颜色、材质、光照、形体、动作 | 无 | 最全，但模型会照着复制，换不动形象 |
| 白膜视频 | 形体、动作、空间关系 | 颜色、材质、光照 | 换形象换风格、保住动作与空间结构 |
| 灰度深度图 | 每个像素到镜头的距离 | 颜色、材质、光照、表面朝向 | 保透视与遮挡关系，最稳的构图控制 |
| 人体骨架 | 17 个关节点的位置 | 环境、背景、体型、空间 | 只关心人物动作时最干净 |
一句话区分：白膜视频管「形体长什么样」，骨架管「关节在哪」，
深度图管「谁离镜头更近」。三者的信息量是包含关系 ——
白膜最全，深度图次之，骨架最精简。选哪个取决于你想让生成模型自由到什么程度。
二、三条生成路线：白模渲染 / 法线图 / 深度图
搜「白膜渲染怎么做」，得到的答案往往是 Blender 教程。但那条路不是唯一的路， 而且对「只想拿它当控制信号」的人来说，它是最费劲的一条。
| 路线 | 原理 | 优点 | 门槛 |
|---|---|---|---|
| 3D 白模渲染 | 建出三维几何体，给一个纯色黏土材质，开光照渲染 | 真正的几何与光照，曲面起伏最清晰，可以直接当成品展示图 | 最高：要建模或做视频重建，还要追踪相机 |
| 法线图 | 估计每个像素的表面朝向，用 RGB 三通道表示法线方向 | 能表达曲面朝向，衣褶、五官起伏比深度图清楚 | 中：需要法线估计模型，对材质和纹理比较敏感 |
| 深度图 | 估计每个像素到镜头的距离，映射成灰度亮度 | 不需要建模、不需要追踪、一键出、带时序一致性 | 最低：拖进视频点一下就行 |
这三条路线的差别，本质上是「你愿意为几何精度付多少成本」。 如果你要的是给客户看形体的成品白模渲染，那就得老老实实建模， 因为只有真几何才有正确的光照和曲面 —— 深度图给不了这些。 但如果你的目的是当 AI 生成的控制信号，那深度图几乎总是更划算的选择： 控制模型读的是「远近关系」，它并不需要知道表面朝哪个方向。
怎么选：要成品白模渲染图 → 走 Blender / UE 那条路。
要接进 AI 生成工作流当控制信号 → 走深度图这条路，也就是本文后半部分讲的做法。
介于两者之间、想要曲面起伏更明显 → 可以试法线图，但要接受它对反光和纹理的不稳定。
法线图和深度图都能拿视频直接转，本文用的工具目前做的是深度图这条线。
三、白膜视频怎么生成：不用建模的五步
下面这套流程走的是深度图路线，从一段真人视频开始，到拿到可以喂给工作流的白膜视频为止。 全程在本机完成，视频不上传。
1
装好工具
下载深度视频转换器，Windows 10 / 11 双击安装。 模型权重随安装包一起带上，装完就能离线用，不需要另外配 Python、CUDA 或 ffmpeg。 有独立显卡会走 GPU，没有就自动回退 CPU。
2
拖入原始视频
把真人视频拖进窗口。素材质量直接决定白膜质量，选素材有几条经验： 人物在画面里占比大一点、运动清晰一点、避免大面积玻璃和镜面、 避免高速运动造成的严重糊帧。手机拍的视频完全够用，不需要专业设备。
素材自查：先用「转换时长」只转 10 秒，用「与原图并排对比」样式扫一眼。 如果关键区域的前后关系明显不对，换素材比调参数有效得多。
3
选「灰度深度图」模式
六种模式里，灰度深度图是视觉上最接近白模的一种 —— 越近越亮、越远越暗，去掉材质后剩下的就是形体轮廓。 如果嫌曲面起伏不够明显，打开输出设置里的「深度细节增强」， 边缘会更利落一些。
不要选「颜色深度」或伪彩样式去做控制信号。伪彩热力图看着漂亮， 但控制模型是在灰度图上训练的，喂彩色会干扰它。
4
调输出参数
三件事必须对上：帧率保持与原视频一致（改了帧率动作就会快慢错位）、 处理分辨率按控制精度选（512 够用，要求高就上 768 或 1024）、 输出格式按工作流选（ComfyUI 用 mp4 省事，训练数据集用 PNG 序列更准）。 详细取舍见下面参数一节。
5
导出并确认深度方向
转换完成后先预览，确认人物比背景亮 —— 这是绝大多数控制模型期望的方向（近处亮、远处暗）。确认无误再下载， 然后接进下一步的工作流。
深度、姿态、面部关键点会按「视频指纹 + 分辨率」缓存。 想同时要一份 mp4 和一份 PNG 序列，第二次不用重新跑推理。
四、白膜渲染的四种显示样式怎么选
同一份深度结果，可以按四种样式呈现。选错样式不会让数据变差， 但会让你的工作流效果打折扣 —— 因为控制模型只认其中一种。
| 显示样式 | 看起来像什么 | 该用在哪 |
|---|---|---|
| 灰度 | 黑白灰，越近越亮 | 唯一推荐给控制工作流用的样式。ControlNet depth 等控制模型就是在灰度深度图上训练的，人眼校对也最直观 |
| 伪彩（Inferno） | 热力图，近处暖色远处冷色 | 给人看、做演示、检查深度层次。好看，但不要直接当控制信号 |
| 肤色渐变 | 偏肤色的柔和渐变 | 做人像相关内容的展示素材，观感比灰度友好 |
| 与原图并排对比 | 左原图右深度 | 调参和排查专用。判断深度方向对不对、主体有没有被背景吞掉，看这个最快 |
一个容易踩的坑：伪彩图看着信息量更大，很多人第一反应是拿它去做控制 ——
这是错的。控制模型读的是像素亮度值，彩色热力图的亮度分布和灰度深度图并不一致，
喂进去相当于给了一个「扭曲过的」控制信号。要控制就用灰度，
要好看就导出两份，一份灰度喂工作流、一份伪彩做展示。
五、白膜视频制作的参数怎么调
参数没有一套「万能最优值」，取决于你是要接工作流、做数据集，还是只是看看效果。 下面按用途给建议。
| 参数 | 接 AI 生成工作流 | 做训练数据集 | 只试效果 |
|---|---|---|---|
| 帧率 | 与原视频一致（必须） | 与原视频一致，或统一降到一个固定值 | 无所谓 |
| 处理分辨率 | 512 起，追求精度上 768 / 1024 | 按训练模型的输入尺寸定 | 512，快 |
| 输出格式 | mp4（体积小、好加载） | PNG 序列（无损，不会有编码块效应） | mp4 |
| 显示样式 | 灰度 | 灰度 | 伪彩或并排对比 |
| 深度细节增强 | 建议开，边缘更利落 | 建议开，标签更清晰 | 开 |
| 转换时长 / 起始时间 | 按需要的片段截取 | 用分段时长切规整片段 | 先截 10 秒 |
为什么帧率必须一致：控制信号和生成结果是逐帧对应的。
如果原视频 30fps、白膜导成了 24fps，生成时按时间轴对齐，
动作就会出现「前快后慢」或者整体拖慢。这类问题在成品里很难补救，
只能在导出这一步就做对。
分辨率不是越高越好：控制图最终会被缩放成生成模型的输入尺寸，
中间多出来的分辨率不会提高控制精度，只会拖慢转换和加载。
但如果你的生成模型本身跑在高分辨率上（比如 1024 短边），
控制图也跟着上 1024 是有意义的，否则缩放会糊掉细节。
具体每一项参数在软件里的位置，见完整使用教程。
六、白膜视频控制工作流：接进 AI 生成
拿到白膜视频之后怎么用，是整件事里最容易被讲糊的一段。这里给一条能直接照做的链路。
整条链路长什么样
原视频 → 深度视频转换器 → 白膜视频（灰度深度序列） → 控制模型（ControlNet depth / 视频生成模型的深度分支）→ 生成结果
关键在中间那一环：白膜视频本身不是成品，它是一个「约束」。 生成模型同时读两样东西 —— 提示词告诉它要生成什么， 白膜视频告诉它形体和动作要长成什么样。 两者配合，才能既换掉形象、又保住动作。
接到不同工具里的做法
| 接到哪 | 怎么接 | 关键设置 |
|---|---|---|
| ComfyUI · 图像工作流 | 用视频加载节点读入白膜 mp4（或 Load Image 读序列帧），接到 ControlNet Apply 的 depth 输入 | 预处理器选 depth 且「不重新估算」（直接用我们给的深度）；控制强度 0.6 到 1.0 |
| ComfyUI · 视频工作流 | 白膜视频作为控制视频，与噪声潜变量一起进采样器 | 控制强度随时间递减（前段强、后段弱）能让画面更自然 |
| SD WebUI · ControlNet 插件 | 上传深度图当控制图，模型选 depth 那一档 | Preprocessor 选 none，否则会把你的深度图再估一遍，白白损失精度 |
| 视频生成模型（深度分支） | 把白膜视频当控制视频，配合参考图或提示词描述目标形象 | 控制强度别一次拉满，先 0.5 试一版看动作跟不跟得住 |
最容易被忽略的一步：关掉预处理器的「重新估深度」。
很多教程让你把原图丢进去，让 ControlNet 自己估深度 ——
那条路能用，但估出来的深度是逐帧独立的，会闪。
既然已经用带时序一致性的工具转好了白膜视频，就该让控制模型直接用，
不要再估第二遍。这是白膜视频控制工作流相比「原图直连 ControlNet」的核心优势。
提示词该怎么写
这一点反直觉但很重要：提示词里不要描述原视频的内容。 白膜视频已经把形体和动作交代清楚了，提示词的作用是描述你想要的最终画面 —— 角色是什么样、穿什么、什么材质、什么风格、什么光线。 如果你还在提示词里写原视频人物的穿着，模型会倾向于往原样复制， 那就白费了白膜「去材质」的意义。
想看更多控制方式的对比：深度控制和 Canny、OpenPose 的分工差异，
在深度图的六大应用场景里有一张对照表，
讲清了「什么需求该用哪种控制」。
七、效果不对怎么办：六个常见问题
白膜视频出问题，绝大多数不是工具的问题，而是素材或参数。按下面顺序排查最快。
🏃 动作和原视频对不上
先查帧率是否一致，再查有没有用起始时间截取。截取之后时间轴从零开始，接工作流时要用对应的那一段。
🫥 生成画面很糊
多半是白膜分辨率太低，或控制强度设得太低。先把处理分辨率提到 768，再把控制强度往上调一档试试。
🌫️ 主体和背景糊在一起
素材本身前景背景太接近，或存在大面积无纹理区域。换一段主体与背景层次更清楚的素材，比调参数有效。
🪞 玻璃、水面、镜面区域乱掉
反射和折射会彻底打乱深度线索，这是单目深度估计的公认短板。这类画面建议人工避开或后期遮盖。
🎭 生成结果还是在复制原视频
控制强度太高，或者提示词里描述了原视频的内容。降一档控制强度，提示词只写你想要的最终画面。
通用排查顺序：先看素材（主体够不够大、有没有镜面、有没有糊帧）→
再看参数（帧率对不对、分辨率够不够、样式是不是灰度）→
最后才看工作流（控制强度、预处理器有没有重复估深度）。
反过来查，容易在参数上白折腾半天。
八、常见问题
白膜视频和白模视频是同一个东西吗？
是同一个概念在中文里的两种写法。白膜和白模都指去掉材质贴图、只保留形体结构的素模画面，影视动画行业更常写白模，AI 生成圈子更常写白膜。英文里对应的说法是 clay render（黏土渲染）或 white model。搜索时两种写法都能找到结果，本文统一写白膜。
白膜视频和深度图视频有什么区别？
深度图视频是白膜效果的一种。严格意义的白模是三维几何体加了纯色材质渲染出来的，有光照也有曲面朝向；深度图记录的是每个像素离镜头多远，只有远近、没有光照和朝向。所以深度图看起来像白膜，但曲面起伏（鼻梁、衣褶）不如真白模清晰。好处是不需要建模，真人视频可以直接转。
生成白膜视频一定要用 3D 软件建模吗？
不一定。如果只是要「去材质、留结构」的画面当 AI 生成的控制信号，用深度图或法线图就够了，不需要建模，也不需要追踪相机。只有当你要输出带光照的成品白模渲染（比如给客户看形体）时，才需要真的建出几何体，在 Blender 或 UE 里用黏土材质渲染。
白膜视频能直接接到 ControlNet 的 depth 上吗？
可以，这正是最常见的用法。ControlNet 的 depth 控制分支期望的就是灰度深度图（近处亮、远处暗），而深度视频转换器输出的灰度深度图就是这个格式。注意用灰度样式，不要用伪彩热力图 —— 控制模型是在灰度深度图上训练的，喂彩色反而会干扰。
做白膜视频控制工作流，输出视频还是 PNG 序列？
看工作流怎么吃。ComfyUI 用视频加载节点就出 mp4，体积小、好管理；要做训练数据集或对帧精度要求高，就出 PNG 序列，无损，不会被视频编码压出块效应。同一份深度结果两种都能导出，不需要重新跑一遍推理。
白膜视频里的动作和原视频对不上怎么办？
先检查输出帧率是否和原视频一致 —— 帧率被改过就会出现动作快慢错位。其次看有没有用到起始时间或转换时长做截取，截取之后时间轴会从零重新开始，接工作流时要用对应的那一段。最后确认控制强度是否够，强度太低时生成模型会自由发挥，动作自然就对不上了。
为什么我的白膜视频会一帧亮一帧暗地闪？
这是逐帧独立估深度的典型症状 —— 每帧单独推理，帧与帧之间没有约束，深度归一化的尺度就会来回跳。解决办法是用带时序一致性的模型，本工具内置的 Video-Depth-Anything 就是这一类，而不是拿单张图像的深度模型逐帧硬跑。
白膜视频能商用吗？
分两头看。你拍的原始素材要你自己有使用权；生成出来的深度图和白膜视频属于衍生数据，本工具不限制你用在哪里，也不联网上传。但如果你把白膜视频喂给第三方 AI 生成服务，那部分要另外遵守那个服务的条款。
你的场景不在上面？直接邮件描述一下素材和工作流，一般 24 小时内回复：
lu-ying-zhi@foxmail.com
下一步
拿你自己的视频跑一版白膜看看
安装包约 2.6 GB，模型权重已内置，装完即可离线使用，视频不上传。 试用版全部功能都能用，只是单段最长 10 秒 —— 正好够验证一条白膜视频出来是什么样。