一張海報給 AI，5 張會動的 IG 輪播：AI 輪播實測紀錄

欸跟你說個反直覺的。

你花很久修的那張靜態海報， 在一直往下滑的動態消息裡，很容易就被滑過去。

不是你做得不好， 是靜態圖在滑動的畫面裡，天生比較吃虧。

那就讓它動。

但你可能跟我一樣，不會做動態圖形。不會 After Effects，也不想為了一張圖學三個月。

所以這次我做了一個實驗：丟一張海報給 Claude Code，看它能不能自己做出 IG 動態輪播。

先講結果。

輸入： 一張 735×1040 的舊海報（Audrey Hepburn 的 Vogue 風格海報）。 輸出： 5 支 1080×1350 的 MP4，30fps，還附 5 張定格 PNG。第一版是無聲、每支 5.6 秒；後來我又加上音樂、讓動畫對齊節拍，重排成每支 4.8 秒（做法在文末）。

下面是完整紀錄：提示詞怎麼寫、它實際做了什麼、哪裡翻車、你要怎麼複製。

這個案例做出了什麼

輪播一共 5 張，各有一個「動作」：

成品：5 支實際輸出的影片

下面是加上音樂、節奏對拍之後的最終版，每支 4.8 秒，點開播放時記得開聲音。網頁上放的是壓縮版（每支約 0.3～0.7MB），原始輸出每支約 10～16MB。

注意一件事：我給它的只有一張圖，加上「IG」兩個字。

其他全是它自己判斷的：IG 輪播要用 4:5 的 1080×1350、要拆成幾張、每張負責什麼。

但這不代表你可以只丟一張圖就走。我後面會講，「它自己判斷」的部分，有些做得很好，有些要你補一句才會更準。

先搞懂：Claude Code 為什麼做得到

很多人以為「做動態圖」要用剪輯軟體。

Claude Code 走的是另一條路：把動畫當成程式來寫。

它做的事情是這樣：

1. 用網頁（HTML ＋ CSS）把每一張輪播「排」出來
2. 所有動畫都綁在一個時間變數上
3. 用無頭瀏覽器，一格一格截圖
4. 用 ffmpeg 把截圖合成 MP4

這個做法有個很大的好處：每一格畫面都是算出來的，不是錄出來的。

所以不會卡頓、不會掉幀，同一份程式每次輸出都一樣。想改字、改顏色、改順序，改一行再輸出一次就好。

你的電腦要有的東西（這次實際用到的）：

• Claude Code（桌面版或終端機都行）
• Google Chrome（拿來截圖）
• ffmpeg（拿來合成影片）
• Node.js 和 Python（Claude Code 會自己叫用，缺套件它會自己裝）

實際做了哪四步

這是這次 Claude Code 真正跑過的流程。

步驟 1：先「看」圖，不是直接動手

我給的路徑是桌面上的一個 JPG。

它第一件事是把圖讀進來，辨認出海報的結構：人像、直排的 VOGUE 刊頭、右下角的名字和一句引言、粉紅色的主色。

然後它確認了兩件事：

• 圖只有 735×1040，要放大成 1080 寬，會偏軟
• 海報上的字是直接印在照片上的，要讓文字動起來，就得先把它們拿掉

第二點是整個案例最關鍵的地方。

步驟 2：把圖上的字抹掉，做出「乾淨底圖」

要讓 VOGUE 一個字母一個字母落下，原圖上的 VOGUE 就必須先消失。

它的做法：

1. 這張照片本來是黑白的，所以任何有顏色的像素，就是粉紅色的字
2. 只在文字所在的區域，把「有顏色的像素」標成遮罩，往外多擴 5 個像素吃掉邊緣
3. 用影像修補（inpainting）把遮罩填回去
4. 修補完的區域再轉成灰階，避免留下粉紅色的暈

第一次的結果不夠乾淨，VOGUE 的邊緣還留著粉紅殘影。它改成「用色彩飽和度判斷」並放大遮罩範圍，第二次就乾淨了。

我自己的看法是：這一步是整個流程裡最容易被忽略的。 如果直接把整張圖丟進去縮放，文字會跟著照片一起晃，沒辦法單獨做動畫。

接著它把乾淨底圖放大到 2160 寬，再做一次銳化，給後面的特寫鏡頭用。

步驟 3：用「一個時間變數」排動畫

這是它的核心設計：整份網頁只有一個時間值 t（秒）。

• 文字升起、淡入、落下，都是 CSS 動畫，延遲時間用 t 算出來
• 鏡頭的推近、橫移，用 JS 在每一格算出位置
• 第 4 張的「IMPOSSIBLE 變 I'M POSSIBLE」，也是依 t 逐格調整撇號和空隙的寬度

為什麼要這樣設計？

因為你可以隨時跳到任何一秒。想看 t=1.9 秒那一格長什麼樣？直接跳過去截一張圖。

這也是後面能「先看定格、再輸出影片」的原因。

步驟 4：先看定格，確認了才輸出影片

這步我很堅持，也建議你一定要加進提示詞。

它先把 5 張的最後一格各截一張圖，拼成一排給我看。

這一輪就抓到兩個問題：

• 第 2 張有一個圓圈跑到額頭上，位置不對 → 直接移除
• 第 4 張文字偏上、下半部很空 → 把整組字往下移並縮小

改完，它才開始輸出。

輸出時每張 5.6 秒、每秒 30 格，每張 168 格，5 張共 840 格，逐格截圖後，用 ffmpeg 合成 H.264 的 MP4。

每支 MP4 大小約 12～19MB，IG 可以直接上傳。

這個案例的最佳提示詞（直接複製）

我整理了一份，是把這次實際做對的事情濃縮成的。

把方括號裡的東西換成你自己的：

我要把這張圖做成 IG 動態輪播。
圖片路徑：[你的圖片絕對路徑]

【輸出規格】
- 5 張，每張 1080×1350（IG 4:5）
- 每張輸出 MP4（30fps、約 5～6 秒、H.264、yuv420p、可直接上傳 IG）
- 另外每張輸出一張最後一格的 PNG
- 全部放在 [你要的資料夾]/output，不要覆蓋其他檔案

【風格】
- 沿用原圖的配色與字體氣質，不要自己換風格
- 主色：[例如粉紅 #b05d86]；字體：[例如 Playfair Display 粗斜體]
- 每張只做一個明確的動作，不要全部都在動

【每張內容】
1. 封面：[做什麼動作]
2. [第二張內容與動作]
3. [第三張內容與動作]
4. [第四張：文字動畫]
5. 結尾：[行動呼籲，帳號我先用 @yourhandle 佔位]

【做法要求】
- 如果原圖的文字是印在照片上，先把它抹掉、做出乾淨底圖，再用程式重做文字動畫
- 所有動畫都綁在單一時間變數上，要能跳到任意秒數輸出單格
- 圖片太小要放大時，先告訴我畫質會受什麼影響，不要假裝沒問題

【流程】
- 先只輸出 5 張「最後一格」的定格圖拼成一排給我看，等我說可以才輸出影片
- 輸出完告訴我：檔案在哪、每個檔案大小、哪些地方是你不確定的
- 不確定的地方（版權、字體、畫質）要直接講，不要藏起來

這份提示詞裡，我最在意的是這三個地方：

1. 「先看定格，等我說可以才輸出影片」 影片輸出要花好幾分鐘。方向錯了才發現，等於白跑。

2. 「只做一個明確的動作」 我的經驗是，每一張都塞滿特效，反而沒有重點。一張一個動作，眼睛才知道看哪。

3. 「不確定的地方直接講」 這次案例它就主動講了兩件事：圖太小特寫會偏軟，以及 VOGUE 是商標。如果你沒有要求，它不一定會講。

這次踩到的坑

我不想只講順的部分。

坑 1：原圖太小，特寫一定會軟。 735×1040 放大到 1080 寬還行，但眼睛和耳環的特寫要放大到 2 倍以上，邊緣就糊。它用「放大＋銳化＋加顆粒感」去遮，但這是遮，不是變清楚。想要清楚，請從一開始就用高解析度的原圖。

坑 2：抹字不是 100% 乾淨。 黑洋裝的區域是修補最不穩的地方，右下角留了一點模糊的殘痕。它在封面和第 5 張的底部看得到。這種殘痕，你得自己用眼睛看，AI 不一定會主動說。

坑 3：這是 Vogue 的商標，照片也有版權。 這次是練習，所以保留了原海報的刊頭。但公開發 IG 的話，有被檢舉下架的風險。要發的話，把刊頭換成你自己的品牌名，圖也換成你有授權的。

坑 4：我沒有實際上傳到 IG 測試。 我確認的是檔案規格（1080×1350、H.264、30fps），也看過定格圖。但「IG 會不會壓縮到畫質變差」，我這次沒有驗證。

怎麼換成你自己的圖

三個步驟：

1. 選一張你自己的圖。 至少 1080 寬，越大越好。有人像、有一句話、有明確的主色，最容易做。
2. 把上面的提示詞貼進 Claude Code，改掉方括號裡的內容。
3. 看定格圖，說哪裡要改。 一次只改一兩個地方，例如「第 3 張的鏡頭停在項鍊太久」「第 4 張字再大一點」。

改的次數通常不會多，因為所有東西都是程式算出來的，改一個數字就好。

這招為什麼對你的自媒體有用

回到我一開始講的。

靜態圖會被滑過去，你能做的是：讓每一次發文，都有更多停下來的理由。

但還有一個更重要的點：

這次做出來的，不只是 5 支影片。 是一份可以重複用的「動態輪播模板」。

下次換一張圖、換一句話，同一套程式再跑一次，又是一組新的。

這就是我在 aimedia 一直在講的事： 不是每次從零開始做，而是把做法存下來，讓它會自己長大。

Gift Hook：加上音樂，而且動畫貼著拍子走

無聲的輪播已經能發了。但加上音樂，停留的理由又多一個。

重點不是「貼一首歌上去」，而是讓畫面的動作踩在拍點上。字母落下、鏡頭切換，剛好都落在鼓點，看起來才像剪過的。

我是這樣做的，而且全程不用訂閱任何音樂服務。

音樂從哪來：ACE-Step，在自己的電腦生成

ACE-Step 1.5 是開源的 AI 作曲模型，可以在本機跑，輸入文字描述就生成整首歌。它支援 Apple Silicon 的 Mac。

我的環境是 M4 Pro、24GB 記憶體。安裝是這三步，我請 Claude Code 全部代勞：

brew install uv
git clone https://github.com/ACE-Step/ACE-Step-1.5.git
cd ACE-Step-1.5 && uv sync

第一次生成會自動下載模型。含環境，專案資料夾共約 11GB（模型 9.4GB、環境 1.2GB，另外安裝時的快取還會多佔約 2GB，可以事後清掉），第一首從開始到生成完成花了大約 17 分鐘，其中下載模型約 10 分鐘，之後再生成就快多了。裝之前先看一下你的硬碟空間。

第一個坑：爵士版的拍子會飄

我第一次生成的是 1960 年代爵士風，想配這張復古海報。

但程式分析它的節拍，發現速度不固定，拍點時快時慢。人類爵士樂手的律動很迷人，卻沒辦法讓動畫精準踩拍。

解法：一次生成 3 首，用程式挑拍子最穩的

我改成節拍明確的電子風格（極簡 deep house、四拍強節奏），指定 100 BPM，一次生成 3 首，再用程式比對每首的拍點是否規律：

第 1 首幾乎是一條直線，就選它。

這一步的概念是：你不用聽三首再憑感覺選，先讓程式把不合格的篩掉，你的耳朵留給最後一關。

怎麼對拍

• 每張固定 8 拍。100 BPM 的一拍是 0.6 秒，一張就是 4.8 秒，5 張剛好 24 秒，音樂從頭到尾連續，滑到下一張時接得上。
• 所有動畫事件改成「第幾拍」。例如 VOGUE 的五個字母落在第 0、0.5、1、1.5、2 拍；第 4 張的撇號在第 4 拍落地，同一拍「IMPOSSIBLE」分開、變成粉紅色。
• 每個拍點讓畫面輕微脈動，偶數拍稍強。
• 用 ffmpeg 把音樂切成 5 段，每一段都從拍點開始，混進對應的影片，結尾淡出 1.5 秒。

做完我用程式檢查：把影片裡的聲音抽出來，比對動畫關鍵時刻和音訊節拍的差距，大約是 8 到 14 毫秒，小於一格畫面（33 毫秒）。

要老實講：這個檢查不嚴格，因為這首歌的節拍點很密，最近的鼓點本來就不會太遠。音樂好不好聽、踩得順不順，最後還是要你用耳朵和眼睛確認。

提示詞 1：把無聲輪播加上音樂並對拍（直接複製）

我已經有 5 張無聲的動態輪播（用網頁動畫做的，所有動畫由單一時間變數驅動）。
請幫我加上音樂，並讓動畫對齊節拍。

【音樂】
- 用本機的 ACE-Step 1.5 生成純演奏背景音樂（還沒安裝的話，先告訴我會下載多大、佔多少硬碟，我同意再裝）
- 風格：[例如 極簡 deep house、四拍強節奏、溫暖和弦，適合時尚編輯風]
- 速度：[例如 100 BPM]；長度：比 5 張總長多 8 秒以上
- 一次生成 3 首。用程式分析每首的節拍穩定度，挑誤差最小的，並把分析數字給我看

【對拍】
- 每張長度設成整數拍（例如 8 拍），5 張接起來音樂要連續
- 所有動畫事件（文字進場、轉場、關鍵動作）改成用「第幾拍」計時
- 重要動作對在重拍上，每個拍點讓畫面輕微脈動

【輸出】
- 另存新資料夾，不要覆蓋無聲版
- 輸出後用程式比對「音訊節拍」和「動畫事件」的時間差，回報數字，並說明這個檢查的限制
- 我還沒聽過成品，不要說「聽起來很棒」這類你沒辦法驗證的話

提示詞 2：生成音樂時的描述（給 ACE-Step）

風格：chic minimal deep house, steady four-on-the-floor kick drum, crisp hi-hats,
warm Rhodes chords, elegant fashion runway mood, tight quantized electronic groove
歌詞：[Instrumental]
速度：100 BPM
長度：32 秒

幾個小技巧：

• 歌詞欄寫 `[Instrumental]`，才會是純演奏，不會冒出人聲。
• 想要踩拍準，描述裡要寫 tight、quantized、steady kick，也就是用節奏明確的風格。
• 一次多生成幾首，讓程式幫你篩。

常見問題

Q1：我完全不會寫程式，可以做嗎？ 可以。這次整個過程，我只做了三件事：給圖、看定格圖、說哪裡要改。程式是 Claude Code 寫的。但你要會看畫面、說清楚哪裡不對，這部分 AI 替你做不了。

Q2：一定要用 Claude Code 嗎？ 這次的做法需要 AI 能「讀圖、寫程式、在你的電腦上執行、讀回結果」。Claude Code 剛好可以。只會聊天、不能在你電腦上跑程式的工具，做不出這種逐格輸出的流程。

Q3：輸出的 MP4 可以直接上傳 IG 嗎？ 規格上可以：1080×1350、H.264、yuv420p、30fps。但我這次沒有實際上傳，所以 IG 壓縮後的畫質我不能保證。上傳前建議先用私人帳號或限時動態測一次。

Q4：我可以直接用別人的海報做嗎？ 不建議公開發。這次案例的海報含有商標和有版權的照片，所以只能當練習。公開用之前，請換成你自己的圖和品牌名。

Q5：想要更清楚的特寫，怎麼辦？ 用更高解析度的原圖。這次的限制就出在原圖只有 735×1040。放大和銳化只能降低「看起來糊」的程度，沒辦法補回沒有的細節。

Q6：本機生成的音樂可以商用嗎？ ACE-Step 的程式碼是 MIT 授權，允許商用。但專案自己也提醒：要確認生成作品的原創性、標明有 AI 參與，改編受保護的風格要先取得授權。MIT 只管程式碼，生成的歌會不會碰到別人的版權，仍然要你自己判斷。

Q7：我的電腦跑得動 ACE-Step 嗎？ 官方說明支援 Windows、Linux（需要顯卡），以及 Apple Silicon 的 Mac。顯存或記憶體越大，能用的模型越大；6GB 以下只能跑精簡版。我是在 M4 Pro、24GB 的 Mac 上跑，其他機型我沒有測。