写 HTML，出 MP4：HyperFrames 把视频变成 Agent 能直接做的东西

写 HTML，得到一个 MP4

HeyGen 这个月开源了 HyperFrames，宣传语平实得几乎有点硬：写 HTML，渲染视频，专为 Agent 打造。里面没有扩散模型，没有任何东西是被想象出来的。你写一个网页，页面在无头 Chrome 里加载，每一帧都从你指定的时间戳抓下来，FFmpeg 再把它们拼成一个文件。

在视频模型能用一句话生成一条以假乱真的街景的年头，这听起来像是倒退。其实正好相反。HyperFrames 解决的是生成模型最不擅长的那一半：同一个东西必须两次都长一样。

项目是 Apache-2.0，到十月中旬大约 63,900 星，一天之内涨了一千多，截至 10 月 12 日那一周的 npm 下载量约 811,000。它远远是 Agent 做视频这个品类里被采用最多的东西，而它做到这一点，没有生成过一个原创像素。

确定性到底买到了什么

视频扩散模型是一个采样过程。同一个提示词问两次，你得到两个不一样的视频——探索的时候没问题，交付的时候很要命。

HyperFrames 反着来。每个合成就是一个 index.html。片段是普通元素，用 data 属性标注开始时间、时长和轨道序号。动画来自 GSAP 时间线、CSS keyframes、Lottie、Three.js、Anime.js 或 Web Animations API。渲染器加载页面，靠 seek 跳到每一帧而不是实时播放，抓图，然后把序列交给 FFmpeg。同样的输入，同样的帧，每次都是。

这个特性很无聊，直到你把 Agent 放进流程里。一个 Agent 改了一行文案，它需要知道视频的其他部分没有动。用生成模型，改完文字重渲染等于整条重摇一遍，还得祈祷节奏没跑。用确定性渲染器，改一次就是改一次。

还有一层对团队比个人更重要的好处：视频变成了可以 diff 的产物。你能看到第三版和第四版之间改了什么，因为它是 HTML。

技能包才是真正的产品

渲染器是简单的部分。更难的是教一个写代码的 Agent 写出一个不像网页里塞了个视频的合成。

HyperFrames 自带 21 个 agent skill，其中 /hyperframes 作为路由，读你的请求再挑工作流。目录是按真实活儿而不是按功能列的：从一个 URL 或一份 brief 做产品发布片，从文本做无脸解说，把音乐对上剪辑点做卡点视频，内嵌字幕，口播重剪，还有给 logo 音效和数字卡用的短动态图形。这些 skill 支持 Claude Code、Codex、Cursor 和 Gemini CLI。

最聪明的一处是 frame.md。现在不少品牌都在维护 design.md——颜色、字号阶梯、间距规则，让 Agent 读。问题是这些规则是给屏幕写的。拿去套视频，Agent 会很听话地做出 14 像素的正文和一条导航栏，因为规则就是这么写的。frame.md 把同一套品牌系统按视频的尺度重写一遍：一臂距离也读得清的字，扛得住 16:9 裁切的构图，有地方可去的运动。图库里还带了十几个起步系统，其中一个复古体育杂志风格，全靠一个高饱和的红撑起来。

就是这种不体面的细节，决定了 Agent 做的视频看起来专不专业。一个能生成漂亮画面的模型，不知道你的品牌有指定的那一种红。一个 skill 文件知道。

跟 Remotion 的比较，说实话

HyperFrames 明说了是受 Remotion 启发，那个基于 React 的视频框架。团队在生产环境用过 Remotion，在源码里保留了署名注释，标注它开创的那些模式，然后押了一个不同的注：Remotion 让你写 React 组件，HyperFrames 让你写 HTML。

这笔交换很清楚。Remotion 给你一套真正的编程模型和一个构建步骤。HyperFrames 完全没有构建步骤，index.html 直接就能跑，它押的是语言模型对 HTML 和 CSS 极其擅长，对 React 只是还行。对一个 Agent 优先的工具来说，这个注押对了，因为你要防的失败模式，就是 Agent 写出一堆看着像那么回事、但根本编译不过的 JSX。

要求不高：Node 22 或更新、FFmpeg、Chrome。每个渲染 worker 大约吃 256 MB 内存。不需要 GPU。渲染可以跑在本地、AWS Lambda，或者 HeyGen 的托管服务上——钱就在这儿：本地渲染除了自己的机器不花钱，托管渲染按 credit 计费，4K 按 1.5 倍算。

10 月 10 日发布的 0.8.145 版，在 HyperFrames Studio 里加了 GPU 导出，修了一个让长导出卡在 90% 的 bug——一条小小的更新日志，说明了这个项目现在到底在什么位置。这不是研究 demo。这是一个有 bug tracker、有用户会在进度条撒谎时发现的工具。

老实的局限

HyperFrames 造不出素材。如果你需要一个人群、一条瀑布、或者一张脸做出某个特定表情，那这就是错的工具，你该去用视频模型。它渲染的是你用代码描述的东西：排版、图表、UI 走查、下三分之一条、动态字体、你手上已有的 3D 物体、你已经拍好的视频。

产出也完全取决于 Agent 为它写的 HTML 有多好。弱的 Agent 会给你一个带淡入淡出的幻灯片。skill 把下限抬了不少，但它们替代不了品味，也救不了一个从没说清楚这视频是干嘛用的提示词。

另外 Studio 桌面版现在要求用 HeyGen 账号登录，这是个合理的商业决定，也顺便提醒你：免费的是引擎，不是整个产品。

为什么这比又一个视频模型更重要

过去一年的 AI 视频是在同一条轴上赛跑：更长的片段、更好的物理、更一致的角色。这些都是真进步，也全都是关于生成。

但专业视频里有很大一块不是生成。是一张必须正确动起来的图表，是一条必须在 0:03 出现的下三分之一条，是一个在手机上必须看得清的标题。这些活儿从来不是在等一个更好的模型。它们在等一种方式，把活儿交给一个不会腻、也不会漂的东西。

HyperFrames 就是这次交接，而它最硬的主张跟质量无关。它说的是：确定性是一个功能。一个同样的输入给同样输出的工具，才是你能在上面搭流水线的工具。其他的，都只是一台非常惊艳的老虎机。