用 GPT Image 2.5 做动画,人物总在抖?我对比了两种生成方法

用同一角色与 16 状态动作表,对比逐张生成和 4×4 切帧两种方法,并给出更稳定的 GIF / MP4 制作步骤。

给自己的IP做一个招手动图,给产品做一段组装演示,或者让插画里的花一点点开出来。这些小动画,可以从一张参考图开始。

这次GPT Image 2.5值得关注的地方,就是它对参考图的保留、局部编辑和多轮一致性做了改进。沿着这个能力,我们可以把一张图改出不同的动作状态,再按顺序播放。

短小的动作,做成GIF,方便放进文章或聊天里;内容更长,或者要加声音,就导出视频。两种交付用的是同一组图片,不需要为了换格式重新生图。

我用自己的IP做了一段招手动画。下面这版由16张状态图合成,每秒播放6张,约2.67秒。

实际播放时,我更满意这版:人物站位稳定,没有4×4方案里明显的全身位移抖动,整体动作看起来更流畅。衣服和肤色仍有轻微变化,也不是无缝循环,但已经能看清这条方法的价值。

这篇就用它讲清楚:怎样固定自己的角色,逐张修改局部动作,再合成GIF或MP4。 下面准备了参考图、动作表和生图提示词;文件整理与合成可以交给Agent,按步骤完成即可。

2.5的新能力,为什么适合用来做抽帧动画

根据OpenAI的2.5发布说明,和这件事最相关的变化有三个:参考图中的主体特征更容易保留;编辑更集中于指定对象或区域;多轮修改时,前面已经确定的内容更容易保持一致。官方也用多张图片组成的视频,展示编辑和连续修改能力。

把它放到动画里,就很好理解了。

我要角色抬手,最好只改手臂。脸、衣服、人物大小、镜头和背景都应该尽量保留。这样连续几张图放在一起,观众看到的才是“同一个人在做动作”,而不是每一张都重新设计了一个人。

这就是本篇利用2.5能力的思路:把动画拆成可检查的局部修改。 “保持一致”依然需要审图,不代表模型会锁死所有像素,也不代表写一个角度就能精确执行。

这里说的“抽帧动画”,指用AI生成一组离散状态图,再逐帧合成的定格式动画,不是从已有视频里抽取画面,也不是让图片模型直接输出视频。

为什么这次我选逐张生成,而不是4×4切图

我还试了另一种做法:让模型一次生成4×4的序列图,把16格切开,再按顺序播放。它很省请求次数,不过连续播放后的差别,比单看那张大图明显得多。

图注:左侧为逐张生成,右侧为4×4切帧。两组使用同一角色、首帧参考和16状态动作表,都按6fps播放;对比统一缩小到每组418×234,没有后期人物对齐、补帧或修图。

右边各格里的人物位置、大小存在细微差别。单看时不一定在意,切出来连续播放,差别就累积成了明显的全身跳动。左边也有颜色和线条变化,但人物整体留在原来的位置,注意力更容易落在招手动作上。

这次我优先选择人物稳定的逐张版本。 对这个固定机位的小动作,我能接受轻微填色变化,但不希望人物在原地不断挪动。这个取舍来自本次成片观看,不是逐张生成永远胜过网格图的结论,也不代表每个预设手势都准确执行了。

两条路线的代价也要放在一起看:

逐张生成:复用1张首帧,新增15次请求,得到16帧。原生单帧1672×941;图像请求累计约14分29秒。

4×4切帧:1次请求生成一张16格大图,切成16帧。原生单帧418×235或236;图像请求累计约55秒。

耗时不含准备、审图和合成,实际扣费以渠道账单为准。4×4这次切出来分辨率也更低,适合拿来快速看动作安排;若要作为最终动画,仍得先过位置稳定和播放观感这一关。两条路线的参考数量与生成上下文不同,这只是一次实际制作比较,不是严格隔离所有变量的模型测试。

第一步:选一个小动作,准备自己的参考图

第一次尝试,我建议只安排一个固定机位、一个主体、一个动作。例如人物抬手、杯盖打开、花朵舒展。先别把转身、运镜、换背景一起塞进去。这是降低检查难度的制作建议,不是模型只会做这些。

准备两类参考图就够开始:

身份或产品图:负责脸、发型、服装、配饰,或产品外形;不要继承原图背景、光晕和不需要的姿态。

画风图(可选):负责线条、色彩、材质和简洁程度;不要复制参考图里的其他角色、道具和文字。

我用的是自己的正式IP:浅绿ZHONG T恤、黑色裤子、左腕黑表;画风保持白底、简洁规整的手绘线稿和少量浅色填涂。你可以换成自己的头像、原创角色或有权使用的产品图,不必照搬我的人物。

入口需要支持参考图编辑。可以使用已开通的ChatGPT图像编辑入口,或支持对应模型的API/渠道工具;先核对可用模型、参考图数量和费用。本文给的是通用操作逻辑,实际实验使用API工作流,不是某个平台“一键生成动画”按钮的教程。

先选一个动作跑通。图中的人物、杯子和花是不同选题的示意,不是同一段动画里的连续画面。

第二步:做好首帧,把不该动的部分定下来

首帧是整段动画的构图基准。先把主体放好,把接下来动作需要的空间留出来,再谈第二帧。

比如做右手抬起:人物右手在正面画面的左侧,这一侧要留白。首帧如果已经贴边,后面很容易伸出画面。人物脸太小、衣服文字太细,也会增加逐帧检查的难度。

概念示意:提前为手臂留出活动空间。相机只表示固定视角,不需要准备实体相机;本例实际首帧采用头到大腿上段取景,不照搬图中的全身框线。

下面是可替换角色的首帧模板。上传图1作为身份参考,图2作为画风参考;没有图2时,删除对应句子,直接写清画风。

[text] 请生成一张动画首帧,只输出单张画面,不要分镜网格。

参考图分工: 图1只负责人物身份:保留脸型、发型、服装及配饰特征, 不继承图1的背景、光晕或原姿态。 图2只负责线条、色彩和材质,不复制其中的角色、道具或文字。

画面要求: 横向16:9构图,白色背景,固定正面机位。 人物站立,身体朝向正前方,双手自然垂下。 画面从头顶覆盖到大腿上段,头顶以及双臂外侧留出动作空间。 人物大小适中,垂下的双手完整出现在画面内。 采用简洁规整的手绘线稿,少量浅色填涂,不增加装饰元素。

这一帧要成为后续动作的基准: 脸、发型、服装、配饰、人物比例、站立位置和画风清晰可辨。 本次只生成起始姿势,不添加动作残影、箭头、字幕或第二个人。

本文两段通用模板是根据实验整理的改写版,未按原文逐字复测,不是照抄必成的配方。示例采用头到大腿上段构图;如果要展示腿脚动作,首帧就改为全身,后续保持同一取景范围。

生成后先看身份、构图和动作空间。合适就保存为 frame-000.png,并保留这张基准图;不合适就先修首帧,不带着问题往下生成。

第三步:拆动作,每次只改一个局部

以这次“抬手、摆腕招呼、再放下”为例,先把完整动作列出来。下面是生成前的16状态规划,左右倾斜指画面方向:

这张表是目标,不是16项全部达标的成绩单。每个状态单独生成、检查和保存;有些摆腕在实际输出中幅度不够或方向偏了,后面会讲怎么判断是否影响成片。第一次也可以先做更少的关键状态,确认动作可读,再按需要增加中间姿势。

编辑时,把“固定项”和“变化项”分开写。只说“下一帧继续抬手”,既没有交代这次停在哪里,也没有说明哪些地方不能变。

我这次逐张生成时,每次都传入身份图、固定首帧和上一张已检查的图。身份图管“是谁”,首帧管“站在哪里、画成什么样”,上一帧管“动作从哪里接过来”。这样即使连续改了很多张,构图基准也一直在参考里,而不是只让模型接着最新一张往下画。它是本次使用的参考策略,不是像素锁定保证。

概念示意:三类参考分别负责身份、构图和动作衔接。图中缩略人物只表示参考分工,不是本次真实帧截图;实际生成仍传入完整参考图。

下面是下一状态的通用模板,上传顺序为图1身份、图2固定首帧、图3上一张已检查图。生成第001帧时,上一张就是首帧;入口不允许重复上传时,可以只上传前两张,并删除图3相关句子。参考图数量仍以实际入口支持为准。

[text] 请基于参考图2做一次局部编辑,只输出单张下一状态图。

参考图分工: 图1用于核对人物身份,不继承它的背景和姿势。 图2是本段动画的固定首帧,以它为构图、比例和画风基准。 图3是上一张已检查的状态图,只用于衔接右臂动作, 不要继承它相对首帧出现的无关色彩、纹理或位置变化。

整段动作安排: 000垂手;001髋外侧;002腰外侧;003胸口外侧;004脸旁。 005左倾;006回正;007右倾;008回正;009左倾;010回正; 011右倾;012回正;013降到胸口;014降到髋外侧;015垂手。 左右倾斜均指画面方向。这里只提供上下文,不要一次画完。

本次只改: 当前要生成第001帧,上一状态为000双手自然垂下。 人物自己的右臂和右手,也就是正面画面的左侧手臂。 让右手从自然垂下移动到髋部外侧,肘部轻微弯曲。 手掌仍在腰线以下,不抬到胸口或脸旁,不张开成挥手姿势。 保持正常人体结构,不添加多余手指或动作残影。

保持不变: 脸、表情、发型、衣服文字、配饰及其左右位置。 左臂、身体朝向、双腿和脚的位置。 头顶位置、脸部中心、肩线高度、身体中心线和人物占画面比例。 人物大小、相机位置、画幅、背景、线条和填色方式。 只允许为这次右臂动作做必要的局部衔接,不重构整个场景。

只生成这一张状态图,不补后续动作,不输出拼图或视频。

下一张,替换当前帧编号、上一状态和“本次只改”里的目标位置,更新图3,固定项和完整动作安排保留。比如第005帧应该写“右手留在脸旁,掌心和肘部位置基本保持,只让手腕向画面左侧轻倾”,不要只写“继续挥手”。更换参考图顺序时,也要同步改编号。

如果手必须指向某个物件,可以在参考图中标出目标区域,再用文字说明。标记是帮助表达目标,不是精度保证;输出里也应去掉辅助标记。不要直接把别人的坐标复制到自己的构图上。

把要保留的部分和要修改的区域分开说明。图中圈线只是表达编辑意图,不代表模型能锁定像素。

第四步:边生成边检查,把质量留在图片阶段

两张图单看都好看,交替播放时却可能明显跳变。这次比较后,我会把人物位置是否稳定放在检查的前面,再看动作和细节:

我会先把新帧与首帧对照,再与上一帧交替看,尤其盯住本来不该动的头部和躯干。可以把两张图放在同一画布上切换可见性:若人物轮廓整体跳动,先处理位置问题;若身体稳定、只有手臂在变,再判断动作节奏。这里是在检查,不是把所有帧重新对齐后掩盖原始结果。

概念示意:先并排核对头顶、肩线和身体中心,再按需要叠到同一画布检查。图中是人工观察的方法,不表示软件已自动对齐。

明显换脸、位移或手部结构错误的帧应停下来修,别继续当成合格参考。只出现轻微颜色差异时,可以按用途决定是否接受;如果动作方向不符,即使保留用于诊断,也要记下偏差,不能把它标成目标通过。需要修正时,从固定首帧或最后合格状态重新说明动作,重生成次数放在自己的预算里。

这次逐张版本的整体观感我认可,但对照动作表,仍能找到回正不明显、左右摆动方向偏差,以及第014帧提前接近垂手的问题。成片看着流畅和每一项动作指令精确执行,是两件事。如果你的动画是在教操作、要求明确向左或向右,就不能只凭“看着顺”放过这些错误。

两组对照没有删除坏帧或挑选重试结果。旧的12帧角度测试和两张关键姿态测试也保留在实验资料里;它们不是本次16帧招手的控制组,不混在一起计算效果。

实验日期为2026年9月9日,渠道是chaojitudou。按我掌握的渠道信息,默认已路由到2.5;实际请求仍使用 gpt-image-2 别名,响应没有回显底层型号。因此这些是渠道实测,不是对某个官方2.5变体的认证。本轮逐张与4×4对照共新增16次请求,无重试或换渠道;实际账单金额未返回,不能据此承诺价格或成功率。

第五步:排好顺序,先看动作节奏

让Agent把通过检查的图片集中整理到一个文件夹,按照动作表统一编号,从000到015,保留原图,不覆盖已有文件。请它核对图片数量、尺寸和顺序,遇到漏帧或尺寸不一致先指出,不要混入失败图凑数。

本例使用16张图,每秒播放6张,所以时长是:

16张 ÷ 6张/秒 ≈ 2.67秒。

这是本例的参数,不是模型要求。相同16张图以更低帧率播放,时间会变长,但并不会多出动作细节。想让过程更连贯,需要合理安排相邻姿势,必要时增加有效中间帧,而不是只把视频导出帧率调高。

短循环还要检查最后一张回到第一张是否突兀。要做无缝循环,应把返回起点的动作也纳入规划;勾选“循环播放”不会自动生成回程。

第六步:短动作导出GIF,长内容导出视频

我的选择是:时间短、帧数少、无需声音的小动作,优先试GIF;时间更长、步骤更多,或要配旁白,优先MP4。

GIF适合把一个动作直接放进图文里反复看,分享时容易理解;视频更适合完整叙事和声音。这里没有“超过几秒必须换格式”的硬分界,还要看目标平台是否支持、文件大小和实际画质。

开头展示的是逐张生成的16帧GIF,同一序列也已导出为MP4。两种格式保留相同动作,没有为了视频另生一套图。尾首仍有细微变化,不标为无缝循环。

把合成工作交给Agent

整理图片、准备合成工具和导出文件,都可以交给能读取本地文件、运行工具的Agent完成。你只需要提供图片文件夹,说明动作顺序、播放速度和要交付的格式。普通聊天窗口如果没有这些权限,就无法直接操作电脑里的文件。

让Agent先检查本地是否已有可用的合成工具,例如FFmpeg;缺少工具时,按所用环境的要求完成安装与授权。图片已经生成好了,这一步只做本地合成,不需要再调用生图模型。

同一组图片可以交付两种格式。图中的文件和电脑是流程示意,实际仍需Agent具备本地工具权限。

导出GIF

  1. 把检查通过的图片文件夹交给Agent,确认使用全部16张图,并按已核对的动作顺序合成。
  2. 先按每秒6张、循环播放导出。本例约2.67秒;如果节奏不合适,再调整播放速度。
  3. 输出宽度先设为640像素,保持原图比例,不拉伸人物。原图不足640像素宽时,不要求放大;让Agent处理GIF颜色转换,并保留原始图片。
  4. 将结果另存为新文件,避免覆盖已有版本,然后实际打开,看动作节奏和颜色是否能接受。

本次实际导出为640×360、16帧、2.67秒,约1.80MB。它并没有比视频更小:同一组图的MP4保留更高分辨率,约1.20MB。所以我推荐短动作尝试GIF,理由是展示和分享方式合适,不是“GIF一定省体积”,也不是保证传播量更高。

导出MP4

  1. 继续使用同一组16张图,按相同顺序、每秒6张导出无声MP4,不为换格式再生成图片。
  2. 尽量保留原图分辨率。让Agent处理视频编码需要的尺寸兼容问题,必要时只补边,不拉伸或裁掉人物。
  3. 这次要看原始逐帧效果,不增加光流补帧、淡入淡出或自动人物对齐。输出另存,保留原图和已有版本。
  4. 较长内容可以先把各段合格镜头导出,再交给Agent或剪辑工具安排停顿、旁白和声音。

我的原图为1672×941,实际MP4为1672×942,只在底部补了一行白像素,没有拉伸人物。视频同样是16帧、6fps,实测约2.67秒,约1.20MB,无声音、补帧或淡入淡出。

本篇的GIF和MP4已经实际合成并检查。上面整理的是可交给Agent的操作步骤,不代表每个Agent都已具备本地工具,也不保证换一台电脑无需配置就能完成。

最后检查交付文件

让Agent列出最终文件的位置、格式、尺寸、帧数、时长和体积,并检查文件能否完整读取。本例应使用16帧、时长约2.67秒,两种格式的动作顺序一致。

接着自己打开GIF和视频,看看有没有漏帧、跳变,停顿是否合适,最后一张接回第一张是否突兀。准备发布时,再检查目标平台的播放效果。本次两个文件均能完整解码,但合成工具不会替你修正原图里的动作错误。

从自己的第一张图开始

如果你已经有一个喜欢的角色,先给它设计一个两三秒的小动作就够了。用一张首帧固定身份和构图,把动作拆成几个状态,再逐张做局部修改。

制作时把注意力放在那些应该保留的细节上:同一张脸、同一件衣服、同一个站位。它们越稳定,相邻帧里的动作才越容易被看见。最后按用途选GIF或视频,没必要为了换个交付形式再生一套图。

上面的动作表和两段通用Prompt可以直接替换成自己的角色与动作。它们是根据实验整理的通用改写版,不是照抄必成的配方。

这条方法来自对2.5官方编辑能力的理解,以及自己的小规模尝试。相关社区灵感包括Higgsfield的像素动作规划、转台时间点规划和小互的局部编辑提示词整理。

关于我

我是钟师傅,一名拥有10年+视觉设计经验的设计工程师。

持续分享 AI 工具实测、实用 Skill、美学 Prompt 和可复用的工作流,把想法做成看得见、用得上的作品。如果这篇对你有帮助,欢迎在 X 关注 @drmrzhong,一起把 AI 用进真实的设计和创作。

联系:drmrzhong@gmail.com