Doodlecast AI 视频引擎

AI 生成长视频最大的坑，是「看起来对」和「真的对」是两件事——一帧画面好看，不代表二十分钟的片子里人物比例、光照、口型全程都和台词对得上。分钟级素材靠人工逐帧回看还撑得住，到长片体量就成了不可能完成的体力活，而且人眼本来就容易漏看细微的比例错位、穿模、口型对不上。Doodlecast 想做的是把「一部片子」当成程序化世界里的一次真实运行来生成，而不是逐帧作画再拼接。

引擎核心是一个程序化大世界：场景用空间哈希组织，单场次能承载十万级对象而不掉帧；相机、舞台、角色、TTS 台词、字幕分属独立轨道，靠关键帧对齐拼成一条真正的分镜时间轴，而不是一段脚本配一张概念图。生成分两条腿走：2D 走火柴人式简笔渲染，快速验证叙事节奏；3D 走 Rapier3D 物理驱动的场景做质感镜头。LLM 负责编剧与分镜，TTS 负责旁白与对白，两者时长对齐后直接写回时间轴。二十分钟长片按镜头切分渲染，每一分片独立编码再拼接，避免单进程长时间渲染中途崩溃导致从头返工。

逐帧质检是流水线里独立的一道工序：每一帧生成后，代码先核验数据是否归零、版面是否越界、人物比例是否失真，而不是等成片剪出来才靠肉眼抽查。在 4.2 万帧的内部测试片段上，这道质检自动拦截了 96.7% 的坏帧；单场景空间哈希索引承载对象数做到 12.8 万，编辑器内仍稳定在 60fps；20 分钟的长片按镜头切成 96 个分片编码，单片渲染失败只需重渲那一片；脚本朗读时长与端到端生成总耗时之比稳定在 1:4.3 左右。

这条流水线的态度，是把「好不好看」这种主观判断尽量前移成代码能核验的客观判据——质检和分片渲染是引擎的地基，不是成片之后再补的一道审核工序。目前边界也很清楚：二十分钟仍是目标产量而非稳定日常输出，3D 分支的物理真实感也还在持续打磨。