Text to 3D motion（文本生成 3D 动作）把一句自然语言变成骨骼动作数据：你描述一个动作，AI 动作模型在已绑定骨骼的默认角色上生成这段动作，然后你导出一个能直接在 Blender、Unity、Unreal 中打开的动画 FBX。整个过程不需要动捕服、不需要参考视频、不需要打关键帧，也不需要上传模型。提示词是唯一的输入。
这让它成为"从一个想法到一个会动的角色"之间最快的路径。动捕需要设备，预设库需要运气，而 text to 3D motion 只需要一句写清楚的话。本指南讲清这项技术到底产出什么、流程如何运作、怎样写出能生成好动作的提示词，以及如何把结果带进你自己的项目。
要点
- Text to 3D motion 根据文字描述生成骨骼动作，并在已绑骨、已蒙皮的默认角色上播放；导出的是动画 FBX，不是渲染好的视频。
- 可靠的动作提示词遵循"角色、动作、细节"的模式，上限 128 个字符。简单英文或中文都可以。
- 时长固定为 3、5、8、12 秒四档，或选 Auto 由工具按动作匹配合适长度。每次生成 20 积分，与时长无关。
- 提示词增强默认开启：AI 会先改写并补充细节再生成。需要字面精确（比如确切出拳次数）时可以关闭。
- 想把动作用到自己的角色上，可以把 FBX 重定向到已绑骨的模型，或使用包含自动绑骨、一步到位的完整动画流程。
Text to 3D motion 是什么？
Text to 3D motion 是一种把自然语言描述的动作转换成 3D 角色动作的生成技术。你写出要做的事，比如"一个人向前走并用右手挥手"，系统就会生成执行这个动作的骨骼动画。产出物是动作数据，与一次动捕录制或动画师的手工关键帧属于同一类资产。
这一点比听起来更重要，因为"文本生成动画"的搜索结果里混着两种完全不同的产品。一类工具生成带说话头像的渲染视频，面向社交内容；text to 3D motion 生成的是包含蒙皮角色的动画 FBX 文件，面向游戏引擎和 3D 软件。如果你的目标是在 Blender、Unity、Unreal 里得到一个会动的角色，你要的是第二种；如果目标是零 3D 工作量的成片视频，第一种更合适。
以关卡设计师 Tomás 为例。他在给一个潜行关卡做灰盒验证，需要一段守卫巡逻循环：走、停、环顾、继续走。他没有动捕服，没有素材，也没有时间给占位动画打关键帧。他把动作输入 text to 3D motion 工具，选了 5 秒时长，几分钟后就在默认角色上预览到了生成的片段。这段动画不是最终成品，也不需要是。它让场景变得可评审，"守卫动作感觉太慢"这条意见因此提前两周出现。
Text to 3D motion 是如何工作的？
流程一共三步。你提供句子，其余全部由系统提供，包括角色。
1. 写动作提示词
用日常语言描述动作，上限 128 个字符。一个稳定生效的结构：先说角色，再说动作，最后补细节。"一个人向前走并用右手挥手"完全符合这个结构。用简单的英文描述效果最可预测，也支持中文。一条连贯的动作链胜过一堆不相关的动词，而 128 字符的限制恰好逼你遵守这条规则。
2. 生成动作（含增强）
动作模型读取提示词并生成匹配的动作。生成之前，提示词增强会先改写你的句子、补充细节：一个只有两个词的提示词会以更完整的描述进入模型，通常生成更自然的动作。增强默认开启，费用已包含在内。当需要字面精确时，确切的动作次数、确切的方向、精确的顺序，可以在高级设置里关闭它，让模型严格按你的原文执行。
时长也在这一步选择：3、5、8、12 秒四档，或 Auto（按描述的动作选择合适的长度）。每次生成 20 积分，无论选哪档时长、开不开增强都一样。底层由腾讯混元 3D（Tencent Hunyuan 3D）的动作生成能力驱动。
3. 预览并导出动画 FBX
确认前先在浏览器里播放结果。如果动作读起来不对，修复方式通常是改提示词，而不是重跑整个流程。预览满意后导出动画 FBX。文件包含蒙皮好的默认角色，无需组装就能进入标准 3D 工具：不用连骨骼，不用刷权重。
如果这条流程符合你的工作，text to 3D motion 工具就在浏览器里运行。
文本提示词、动捕、预设库、关键帧：该选哪条路
通往角色动作的每条路解决的是同一个问题的不同侧面。正确的问法不是"哪个工具最好"，而是"你手里已经有什么"。
| 动作来源 | 你需要提供 | 你得到的东西 | 适合场景 | 注意点 |
|---|---|---|---|---|
| 动捕服录制 | 硬件、演员、一次录制 | 高保真动作数据 | 关键镜头级的真实动作 | 成本与档期 |
| 视频动捕 | 动作的参考视频 | 从视频中提取的动捕 | 你能拍出来的动作 | 必须先有一段视频 |
| 预设库 | 已绑骨的角色 | 固定列表里的片段 | 走、跑、待机等标准循环 | 你要的动作未必存在 |
| 文本提示词 | 一句话 | 按需生成的动作 | 定制动作、快速迭代 | 提示词模糊则动作模糊 |
| 手动关键帧 | 技能与时间 | 你摆出来的任何东西 | 最终精修、标志性镜头 | 最慢的一条路 |
预设库是大多数创作者最熟悉的路线。Adobe 的 Mixamo 把它变成了默认选项：给人形自动绑骨、浏览动捕库、免费导出 FBX。对标准走跑循环它至今仍是可靠答案，局限在于"只能选"。当守卫需要把"走、停、环顾"作为一条连续动作完成时，三个独立片段需要剪辑和混合，前提还是三个片段都存在。
Text to 3D motion 把交易反了过来：动作是按你的句子生成的，不是在目录里找的。迭代靠改词完成，比重录素材或拖时间线都快。代价是控制力。你在用语言驾驶一个生成模型，结果匹配的是你的意图，而不是你的逐帧规格。
手动关键帧仍是最终质量的路。Cascadeur 这类工具在桌面动画套件里加入了 AI 辅助摆姿和物理修正，关键镜头值得那种精细度。许多团队落地的分工是：用生成动作做预演和迭代，再给最重要的镜头打关键帧或做清理。
怎样写出有效的动作提示词
动作提示词是舞台调度指令，不是搜索关键词。模型执行的是词语所指定的内容，所以词语得真的指定了内容。
三样东西让提示词变得可靠：
- 角色： 谁在动。"一个人"就够了，工具动画的是它自带的默认角色。
- 动作链： 一条连贯序列，不是许愿清单。"向前走、停下、环顾四周"是一条链；"又跳舞又打架又跳跃"是三个提示词硬挤成一个。
- 细节： 方向、用手、速度、结尾。"用右手缓慢地挥手"告诉了模型它猜不出来的东西。
对比弱提示词和更好的版本：
| 弱提示词 | 更好的提示词 | 为什么更好 |
|---|---|---|
| "跳舞" | "拍两下手，向左转一圈，然后鞠躬" | 有计数、有方向、有结尾 |
| "打架" | "两记快速直拳，接一记回旋踢" | 顺序和速度都说清楚了 |
| "走路" | "缓慢向前走，停下，环顾四周" | 有节奏的动作链，不是单个动词 |
| "锻炼" | "做三个开合跳，然后双臂向上伸展" | 具体、可计数、有终点 |
128 字符的限制是个设计上的优点。它大约就是一条描述清楚的动作链的篇幅，逼你决定这个片段到底是什么。当你的想法塞不进去时，它多半本来就是两个片段。
简单动作的生成结果最稳定：走、跑、跳、挥手、短舞蹈。体操级别的组合可能出现四肢交叉处的轻微穿模，所以把极端动作当作实验来做，并在预览里仔细检查。
时长也值得有意选择，因为同一句提示词在不同长度下读起来完全不同：
| 时长 | 适合 | 例子 |
|---|---|---|
| 3 秒 | 单个姿态或单一动作 | 挥手打招呼、转身 |
| 5 秒 | 一条有结尾的动作链 | 向前走、停下、环顾四周 |
| 8 秒 | 组合动作或短序列 | 跑步急停、拳击连招 |
| 12 秒 | 一小段表演 | 一段短舞蹈 |
| Auto | 不确定时；按动作匹配长度 | 以上任意一种 |
短片预演师 Aisha 用一个下午学会了这条限制。她的第一句提示词想在 128 个字符里排进四个动作：走近、坐下、起立、挥手。生成的动作是一团糊，每个动作都被采样到、没有一个被完成。拆成两句提示词，"走到椅子前坐下"和"站起来挥手"，得到了两段干净的片段，剪辑起来正好按分镜走。128 字符不是约束，"一个片段装四个动作"才是。
提示词增强：什么时候开，什么时候关
提示词增强是个名字不起眼、实际影响很大的功能。开启时，AI 会在生成前改写你的提示词，补上句子没写的身体细节：重心转移、动作跟随、自然的起始姿态。像"一个人跳舞"这样的提示词会以完整得多的描述进入动作模型，而更完整的描述通常生成更饱满的动作。
因为它自动运行、不额外计费，大多数工作都值得保持默认开启：
| 场景 | 增强 | 原因 |
|---|---|---|
| 提示词很短或很笼统 | 保持开启 | 改写会补上你省略的细节 |
| 想要自然、有表现力的动作 | 保持开启 | 跟随和重心的观感更好 |
| 在乎确切的动作次数 | 关闭 | "两拳"就应该还是两拳 |
| 在乎精确的方向和顺序 | 关闭 | 左就是左，顺序由你说了算 |
关闭开关在高级设置里。经验法则：增强是在"解释"，所以想要解释时开着，想要服从时关掉。
从导出的 FBX 到你的制作流程
导出物是一个动画 FBX，同时包含动作和执行动作的蒙皮默认角色。对 Blender、Unity、Unreal 和大多数 3D 工具来说，这是一次标准的 FBX 导入：进来时检查缩放和向上轴，确认动画数据随网格一起到位。Blender 的 FBX 导入文档 讲清了导入角色过大、旋转或丢动画时最该检查的设置。
从那里出发，有两条路通向你自己的角色。
第一条是重定向（retargeting）。动作数据在骨骼之间迁移的效果很好，每个主流 DCC 和引擎都有为此准备的重定向工具。前提是目标已绑骨：你的角色需要先有一副骨骼才能接收动作。如果模型还是静态网格，可以先用 AI 自动绑骨工具 生成骨骼和蒙皮权重，重定向就有了落点。
第二条路省去组装步骤。AI 3D 角色动画生成器 在一个流程里对你上传的 FBX 或 GLB 完成自动绑骨和动作生成，动作直接落在你的角色而不是默认角色上。当目标角色已经存在、而动作本身比打草稿的速度更重要时，它是更合适的工具。
独立开发者 Ken 走的第一条路带了个插曲。他在默认角色上生成了一段拳击连招，想重定向到自己游戏里的低模格斗家，结果发现没有重定向的落点：模型没有骨骼。一次自动绑骨之后，重定向顺利完成，这趟弯路花的时间仍比手工给连招打关键帧少。教训不是重定向难，而是"骨骼是前提"这件事没人提前告诉你。
常见错误
一句提示词塞进太多动作。 128 字符不是要用满的配额。一条链一个片段、剪辑台上拼接，永远好过一个拥挤的片段。
只写一个词。 "跳舞"给模型的是一个类别，不是指令。有计数、有方向、有结尾的动作才能生成可用的结果。
期待逐帧级别的编排。 Text to 3D motion 匹配的是意图，不是关键帧编号。当时间必须精确到帧时，那个镜头属于关键帧，可能还要关掉增强再做一轮清理。
跳过预览。 浏览器预览存在的意义，就是让穿模、手腕折叠、滑步在导入往返之前被发现。看两分钟，省一小时。
把 Auto 时长当赌博。 Auto 读取描述的动作并匹配长度。当你真的不知道一条链要 5 秒还是 8 秒时，Auto 是有依据的默认值，不是抛硬币。
常见问题
Text to 3D motion 是什么？
Text to 3D motion 是把动作的文字描述转换成 3D 角色动作数据的技术。你写一句"一个人向前走并挥手"，AI 动作模型就在已绑骨的默认角色上生成这段动作，并导出为面向 3D 软件和游戏引擎的动画 FBX。
文本生成的动作能有多长？
时长有 3、5、8、12 秒四档，另有 Auto 选项按描述的动作匹配合适长度。需要更长的序列时，分段生成再剪辑拼接。
用 text to 3D motion 需要先准备绑好骨的角色吗？
不需要。工具动画的是自带的默认角色，已绑骨、已蒙皮。你只需要写提示词，没有上传这一步。
可以把动作用到我自己的角色上吗？
可以，两种方式。把导出的 FBX 重定向到你的角色上，前提是你的角色已有骨骼；或者使用完整动画流程，直接在你上传的模型上绑骨并生成动作。
导出的文件包含什么？
一个动画 FBX 文件，同时包含动作和执行动作的蒙皮默认角色。可直接导入 Blender、Unity、Unreal 以及其它支持 FBX 动画的工具，无需额外组装。
Text to 3D motion 要花多少积分？
每次生成 20 积分，与时长和提示词增强设置无关。
从一句话到一个会动的角色
Text to 3D motion 把"描述一个动作"和"看到它被演出来"之间的距离压缩到最短。写一句包含角色、动作链和一两个细节的清楚的话，选一个时长或交给 Auto，带着挑剔的眼光预览，然后导出一个在所有支持 FBX 的地方都能用的动画 FBX。探索时开着增强，求精确时关掉，并记住：想让动作上自己的角色，骨骼就是那张门票。
当下一个动作想法还只是一句在你脑子里的话，去用文本生成 3D 动作，看它动起来。用赠送积分开始，提示词写得具体些，让第一个片段替你的项目开个头。
