能改吗？能动吗？把 Blender 场景用于视频编辑，并尝试把动态内容也建模

在 GPT-6 Astra 搭好的房间上做了三种编辑、一次“改首帧再让 H3 重新生成”的视频编辑，以及动态内容的逐帧三维抬升

2026-10-07 · 场景 robot_bedroom · H3 视频：种子 42，换朝向回访轨迹 · 场景本身的搭建过程见 Blender 场景页

3 种编辑：改材质、改位置和朝向、一句话换家具

4 分钟一句话编辑：Astra 用时 232 秒、$0.84，一次成功

5 / 5编辑后，自由摆放的物体仍全部通过物理静置测试

1.80 m抬升出的机器人顶部高度（正面视角逐帧稳定在 ±1%）

结论速览

能改，而且改起来很便宜。场景是一个带名字、带标签的 Blender 工程：材质、位置、朝向都能按参数直接改，几秒完成，渲染一张约 10 秒。更复杂的改动（换一种家具、加一盏台灯）可以用一句话让 Astra 改它自己写的脚本。改完自动重新导出、做物理检查，任意视角重新渲染都同步变化。
“改首帧，再让 H3 重新生成”已经能做材质和风格类的视频编辑。把编辑后的场景从第 0 帧的相机渲染出来，贴回原图里的机器人，作为 H3 的新输入：绿被子、浅色墙、深色地板贯穿整段视频，机器人照样在铺床，镜头左转时新露出的区域也按新风格生成。代价是动作是重新生成的：前半段和原视频相近，后半段机器人的位置就不同了。
改几何（挪床、转床头柜）不能直接这么做。机器人正在和床交互，床一挪，机器人的动作就对不上。这类编辑要么把动态内容也建模，要么让 H3 重新生成动作。
动态内容目前能做到“逐帧 2.5D 抬升”。每帧深度用静态场景的地板定尺度，机器人和被子放进同一个米制坐标系，从新视角能看到它们相对床的位置。但抬升出来的只是朝向相机的那一面，像纸板，不能换姿势、换外观。真正建模要把机器人关节化（姿态估计 + 骨骼绑定），被子要做布料跟踪或仿真。
更正：之前说“Blender 证据让回访一致”不准确。H3 的提示词里写了门、绿植、书桌和圆镜，第一次访问时就已画出；只根据第 0 帧搭的场景没有它们，当证据时反而把它们抹掉了。详见 Blender 场景页的更正。

改材质、改位置朝向、一句话换家具

**编辑 A · 改材质**：被子和枕头改成深绿（保留条纹），墙和天花板改成浅暖灰，地板改成深胡桃色

**编辑 B · 改位置和朝向**：床组整体前移 35 cm 并转 20°，右床头柜连同上面的书和毛巾转 −35°

编辑	怎么改	用时	编辑后物理检查
A 改材质	参数化：按亮度把材质节点里的颜色映射到新色调，程序化条纹和木纹保留；墙和天花板直接换成纯色材质	几秒，渲染约 10 秒	全部稳定
B 改位置和朝向	参数化：按实例编号整体平移、绕竖直轴旋转；放在床头柜上的书和毛巾按名字一起带走	几秒	全部稳定（床位移 0.03%）
C 一句话换家具	Astra 读当前脚本和三张渲染图，按指令改写脚本，驱动重新搭建、渲染、导出	232 秒，$0.84，一次成功	全部稳定

编辑 C 里 Astra 自己写的修改说明（摘译）：“只替换两个柜子，改成 45 cm 的浅橡木独腿边桌，保留原来的中心位置、桌面高度和实例标签；书和毛巾留在原处，在右桌后侧的空位加一盏暖光陶瓷台灯；其余不动。”

编辑能“指哪改哪”，靠的是搭建时留下的结构：每个物体按“编号_类别_部件”命名，带类别、能否移动和质量。开门这类关节编辑还需要知道铰链在哪里，可以让 Astra 在搭建时给门加一个铰链空物体。

四个版本沿 H3 的同一条相机轨迹渲染：改动在任何视角下都同步、前后一致，这是三维表示天然具备的。

用来做视频编辑

实测：改首帧，再让 H3 重新生成

编辑后的输入：编辑 A 的渲染，加上原图里的两个机器人（SAM 3 抠出，边缘羽化）。

提示词同步改成“浅暖灰墙、深胡桃木地板、深绿色条纹被子”，其余不变；种子和相机轨迹与原视频相同，不注入任何证据。

左：H3 原视频。右：首帧换成编辑 A 的场景后重新生成。

原视频与编辑后视频关键帧 — 关键帧：帧 0、54（第一次访问，左转 40°）、120（正前方）、198（第二次访问，左转 55°、下俯 12°）。点击看大图。

改动贯穿整段视频：被子一直是绿色，墙一直是浅色，地板一直是深色。
机器人保留：它们在输入图里，H3 接着生成它们铺床的动作。
新露出的区域按新风格生成：镜头左转时出现了木书桌、笔记本电脑、绿椅子、圆镜和绿植。这些来自提示词，配色跟随编辑后的房间。
动作是重新生成的：前半段和原视频相近，后半段不同。比如第 198 帧，原视频里机器人贴在镜头左前方，编辑后的视频里机器人在画面右边缘。
首帧是 CG 渲染，画面整体偏 CG。

三条路线

路线	做法	现在能做吗	保留原动作	适合的编辑	主要问题
改首帧，重新生成	编辑场景 → 从第 0 帧相机渲染 → 贴回机器人 → H3 生成	能（本页实测）	否，同种子下相近	材质、颜色、风格；远离机器人的物体增删	画面偏 CG；动作和原视频不同；几何改动会和机器人的交互冲突
编辑后的场景当证据	每一段都用编辑后场景的渲染当证据	部分	否	需要多视角严格一致的编辑	证据太强时机器人消失；场景要先补上第一次访问新看到的内容
合成	每帧渲染编辑后的静态场景，把原视频的动态层（机器人、被子）按掩码和深度贴回	组件都有，还没拼起来	是，逐帧保留	远离交互区域的静态编辑：墙、地板、窗、床头柜	光照、阴影、接触不一致；被机器人操作的被子改不了

动态内容能不能建模

先试最直接的办法：逐帧把机器人和被子抬升到场景的米制坐标系里。每一帧做四步：

DA3 估计深度。
在同一相机下渲染静态场景的深度，用地板像素上的比值确定这一帧的尺度。
SAM 3 抠出机器人和被子，按尺度后的深度反投影到三维。
从一个新视角（右前方 1.7 m 高处）把这些点画进 Blender 静态场景。背景渲染时去掉了被子和枕头，因为视频里它们一直在被机器人搬动。

左：H3 原视频。右：抬升出的机器人和被子放进 Blender 静态场景，从右前方的新视角看。

动态抬升关键帧 — 关键帧：帧 0、54、120、198。被子落在床上，机器人站在床两侧；但只有朝向原相机的那一面，近处能看出是稀疏的点。

逐帧尺度：必须逐帧定标，用地板比用整幅场景稳

整幅静态场景定标只用地板定标

DA3 每帧自己估的尺度会漂：正面约 0.46，左转时约 0.65，第二次访问时约 1.1，所以必须逐帧定标。用整幅静态场景定标时，镜头左转后会出错：H3 在那里按提示词画了门外的另一个房间，场景里却是一堵墙。只用地板定标更稳。

整幅静态场景定标只用地板定标

机器人顶部高度（98% 分位）。正面视角两种定标都稳定在 1.80 m（绿色虚线）；第一次访问时，整幅场景定标把机器人估高到 1.93 m，只用地板定标是 1.86 m。第二次访问时机器人被画面边缘截掉一部分，这一段的高度只能作参考。

要真正建模动态内容，分四级

级别	得到什么	怎么做	投入和风险	参考
0 · 逐帧 2.5D 抬升（本页）	每帧一层带颜色的表面点，米制、和场景对齐	深度 + 掩码 + 已知相机，用场景地板定标	已完成	—
1 · 关节化机器人	每个机器人一套带骨骼的完整网格，每帧一个姿态；能从任意视角重渲染、换外观、改动作	逐帧估计人形姿态（机器人是人形，可先试人体模型），绑定到 Astra 搭的机器人模型上	1–3 天；人体模型可能认不准机器人外观，手和被子的接触难	Human3R（2510.06219，开源权重）、JOSH（2501.02158）
2 · 可形变的被子	每帧一张被子网格	以 Astra 的被子网格为模板，按每帧深度和掩码做非刚性跟踪；或用 Blender 布料仿真，由机器人手的轨迹驱动	数天以上，偏研究	—
3 · 通用四维表示	能从新视角回放的动态场景，但不能按物体编辑	4D 高斯、多视角视频扩散	视方法而定	4DGS（2310.08528）、CAT4D（2411.18613）

级别 1 做成后能一举两得。第一，证据里有了机器人，H3 在完整场景证据下就不会再把机器人抹掉，因为它会照着证据画，连机器人一起画。第二，视频编辑可以保留原动作：改场景，按原动作重渲染 CG 代理，再让 H3 把代理“画”成真实画面。这和 UniMoCa（2608.01944）用三维代理视频控制生成、Wan-Animate（2509.14055）替换角色而保留动作是同一个方向；区别是这里用不训练的证据注入，代替它们训练出来的控制分支。

建议的下一步

场景同步：第一次访问后，把新看到的内容（门、绿植、书桌）补进场景，可以让 Astra 参照第 54 帧补建，也可以由慢速环抬升；之后再给回访当证据。
证据强度控制：减少注入层数、只在回访片段注入、给证据加噪声、限制证据 token 占比。
视频编辑先走两条已经可行的路：材质和风格类编辑用“改首帧再生成”；需要保留原动作的静态编辑用合成路线。
机器人关节化（级别 1）：先在节点上装 Human3R，测它对人形机器人的姿态估计效果。