image-blaster：一张图拆出 3D 世界、网格与音效

AI 3D建模工具： Tripo 3D | Meshy AI

一句话结论：image-blaster 不是一个"文生 3D 模型"，而是把一张图拆成"静态环境 + 动态物件 + 音效"的四个模型编排——静态环境交给 World Labs 的 Marble（出 .spz 高斯泼溅），每个动态物件交给 Hunyuan 3D v3.1（出 .glb/.obj），环境与冲击音效交给 ElevenLabs（出 .mp3），中间用 nano-banana-2 做底版清理与物件抠图。它自称"一张图到完整网格化环境 < 5 分钟"——这句话没错，但它说的是时间，不是钱：世界生成固定约 $1.34，之后每多一个物件约 +$0.46，钱全花在物件数量上。真正的坑在最后一步：导出的 .spz 与 collider 网格不带 Marble 的尺度修正，直接拖进引擎会出现尺寸与地面都不对。

披露：本文编译自该项目仓库（neilsonnn/image-blaster，MIT）的 README 与 .claude/ 下的 skill 与脚本（截至 2026-10-21 的 main 分支），以及 World Labs 官方文档（docs.worldlabs.ai）、FAL 各模型页的公开价目（2026-10-21 实查）。本文没有做端到端实测：成本数字是按管线结构与公开单价推算的账单估算，不是我们的实测账单；面数与兼容性结论来自官方文档，非我们逐项复现。作者是 World Labs 团队成员，因此对 Marble 的描述带有作者视角——这不是 World Labs 的官方产品。本站与该团队无利益关系。

一、它到底做了什么

它是一套给 Claude Code 用的 skill 包（不是一个独立 App）：你在本地 clone 仓库，在仓库目录里启动 claude，把两张图之外的东西——两把 API key——交给 Claude，然后放一张图进 input/，说一句 blast it and confirm each step with me。之后每一步由 Claude 调仓库里的脚本完成，并在每步停下来向你确认。

产物三件套——注意这三样的"性质"完全不同，这是后面所有问题的根源：

另外一个容易被忽略的产物是collider 网格：脚本会把 Marble 返回的 assets.mesh.collider_mesh_url 一起下载存成 -world.glb。它是给物理碰撞用的粗网格（官方文档：GLB、10–20 万三角面，"为简单物理计算优化"），不是给渲染用的高模。

二、管线：四个模型，一条链

从仓库脚本里读到的真实调用（比 README 细一档）：

input/ 一张图
  │
  ├─① 底版清理 / 物件抠图     fal-ai/nano-banana-2/edit         $0.08/张
  │                           （可切 openai/gpt-image-2/edit）
  │
  ├─② 静态环境               World Labs  marble-1.1             1,500 credits
  │      └→ .spz（full_res / 500k / 100k / 150k 全部下载）
  │      └→ collider 网格 .glb（10–20 万面）
  │
  ├─③ 每个动态物件           fal-ai/hunyuan-3d/v3.1/pro/image-to-3d   $0.375/次
  │                           （可切 .../rapid $0.225、fal-ai/meshy/v6 $0.80）
  │
  └─④ 音效                   fal-ai/elevenlabs/sound-effects/v2  $0.002/秒
          环境循环 2×10s + 每物件冲击音 4×1s

对应脚本：

2.1 为什么第一步是"再画一遍图"

image-blast-3d 的 skill 说明书要求：在生成任何物件之前，先为这个物件写一条抠图提示——"把这个物件从图里单独隔离出来，同样的颜色/材质/比例，白底、居中、紧裁切、棚拍光、无其他物体"。

所以一个物件的真实流程是 "1 次图像编辑 → 1 次 3D 生成"，不是"1 次 3D 生成"。这一步在设计上很合理（3D 模型只吃单一物件，混着背景只会更糊），但它是计费翻倍的隐藏项——第三节会算。

2.2 静态与动态，是"分工"不是"分离"

Marble 出的世界已经包含了整张图的内容（泼溅是把整幅画面三维化）。image-blaster 再让 Claude 把图里会动的东西（椅子、箱子、机器人、车）一个个抠出来做成真网格，叠在这个泼溅世界上。

这个思路很实用（泼溅便宜、网格贵），代价是：泼溅与网格之间的边界会露馅——泼溅是"看得见摸不着"的，网格是实的，两者在接触面上的遮挡、阴影、色彩响应不会自动一致。这一条所有介绍文都没提，而它是实际拼装时第一个会崩的地方。

2.3 "每步确认"是默认姿态

quickstart 的最后一句话是 blast it and confirm each step with me——不是可选项，是设计的一部分。每一步都是付费 API 调用，确认一次就是省一次钱；而 Claude 在"这张图里哪些算动态物件"上的判断，本来就需要人来拍板（判断错了，钱花了、东西不是你要的）。

三、四个参数，决定产物质量与成本

物件生成走 Hunyuan 的参数（README 原文）：

两个容易踩的点：

1. 50,000 是这套 skill 自己的默认，不是 API 默认。习惯 Hunyuan API 的人会以为是 500k，实际这里砍到了 1/10。好处是快、省算力；代价是近景主角一放大就露，得手动画 --face-count 重跑（重跑 = 再付一次 $0.375）。
2. Geometry 不是"低模"，是"白模"：不要贴图、只要形体时用它，配合之后在 Blender 里自己展 UV——但那样就比 Normal 多一道工序。

按场景选（经验口径，非实测）：

四、成本：世界是固定的，钱在物件上

先给价目（全部 2026-10-21 从官方页面实查）：

由此得到这次要的结构：

每次跑的固定成本 = 世界 1,264（1,500 + 80 credits） + 底版编辑 0.08      ≈ $1.34
每个动态物件     = 抠图编辑 0.08 + 3D 0.375 + 冲击音 4s × 0.002 = 0.008  ≈ $0.46

三个反直觉的地方：

1. "5 分钟"最贵的一步不是那个"世界"。Marble 出整个世界只要 $1.26，而 5 个小物件就要 $2.3。一个场景值不值，取决于物件数，不取决于画幅。
2. 官方那个 $2.80 的 HQ 网格导出，这套流程没买。脚本只取 collider_mesh_url（10–20 万面的粗碰撞网格）。所以：如果你要"能看的静态网格"，得自己回 Marble 单独导 HQ——那一步是按次 $2.80 起，且最长要等 1 小时、限每小时 4 次。这一条是本项目最容易被忽略的隐性成本。
3. 失败即付费。面数不满意重跑、抠图不满意重抠、某个物件切错了重切——每一次都是完整的一次计费。所以 skill 才强制"每步确认"。

口径：以上是按管线结构与公开单价推算的账单估算，2026-10-21 价目，不是我们的实跑账单；未计失败重试、未计 Marble 订阅计划差异（免费计划可生成但不可导出，导出需 Standard 起；HQ 网格与商用权在 Pro）。

五、产物能不能用：先修尺度，再谈引擎

这一节是全文最实用的部分，也是最容易被跳过的一步。

5.1 自带查看器是对的，导出的文件不是

World Labs 官方文档里有一条专门给第三方引擎的说明（api/rendering-spz）：

Marble 的 SPZ 文件是在"生成资产坐标系"里导出的。在 Marble 之外渲染时，必须用 assets.splats.semantics_metadata 把高斯中心与高斯尺寸换算成米制、地面贴齐的坐标。

这条元数据里有两个数，外加一个可选的朝向位：

官方给的换算就这么几行：

def to_metric_gaussian(center, linear_scale, semantics):
    scale = semantics["metric_scale_factor"]
    metric_center = center * scale
    metric_center[..., 1] -= semantics["ground_plane_offset"]
    metric_linear_scale = linear_scale * scale

关键点：这个修正是渲染时做的，.spz 文件本身不带。

那 image-blaster 有没有处理它？把仓库拉下来 grep 一遍（2026-10-21，main 分支）：

于是问题就清楚了：在自带查看器里比例是对的，因为它替你补了修正；而落进 worlds/<name>/output/ 的 .spz 和 collider .glb 里没有这个修正。 你把它们拖进 Unity / Unreal / Blender / three.js，拿到的是一套"看起来像"、但单位不是米、地面不在 y=0 的场景。

5.2 错误长什么样，怎么修

症状很好认：

• 不是米制：一扇门可能是 30 多个单位高，按 1 单位 = 1 米摆摄像机，你会在桌面高度看到地板。
• 地面不在 0：所有物件要么浮空，要么半个身子陷进泼溅地面。
• 物件与泼溅错位：两者都出自同一个世界坐标系，一个修了一个没修，接触面就必然错开——这也是后面"边界露馅"的主要成因之一。

修法三步（顺序不能反）：

1. 从世界响应里取 assets.splats.semantics_metadata。仓库脚本把 world 响应存成了 JSON（worlds/<name>/ 下），也可以直接用同一个 world_id 重新 GET 一次。
2. 按 metric_scale_factor 缩放高斯中心与尺寸，再减去 ground_plane_offset 把地面压到 y=0。
3. collider 网格用同一个 metric_scale_factor 缩放（这一步是推断：官方文档只写了 splat 的修正，没有提网格；但两者是同一个生成坐标系，不缩放就必然对不上）。

// three.js：加载完再统一修正，SPZLoader 只负责读文件，不做尺度换算
const world = await new SPZLoader().loadAsync(url);
const m = semantics.metric_scale_factor;
world.scale.setScalar(m);
world.position.y -= semantics.ground_plane_offset;

5.3 引擎支持面：这是"能不能用"的硬约束

先分清两样东西，它们的规模与兼容性完全不同：

两个容易漏的技术细节：

• 坐标系：SPZ 默认是 RUB（OpenGL 习惯的 Y-up 右手系），与 Unreal 的 Z-up 不一致——所以元数据里才有 flip_y 这种可选位。
• HQ 网格不是你想要就有：官方写明最长要 1 小时、每小时限 4 次、只能对自己拥有的世界生成、且属于 Pro 计划；Free 计划能生成世界但不能导出（导出需 Standard 起）。

上图这张全景值得单独说一句：当你的输入不是全景图时，Marble 会先由这张图生成一张全景，再从全景生成世界——这就是价目表里那笔 +80 credits 的来源，也是"一张图"和"一个世界"之间的中间产物。

5.4 十分钟验收清单（可直接抄）

拿到产物后按顺序过一遍，任何一条不过，先别进引擎：

六、四个要先知道的坑

尺度修好只是第一步。下面四个是拼装时真正会卡住人的地方，按"出现的早晚"排序。

6.1 静态 / 动态切分错了 → 重影

泼溅世界已经把整张图都三维化了，包括那些椅子、箱子、车。当你再让模型给"椅子"生成一个真网格叠上去，两把椅子就会同时存在：一把是泼溅里模糊的，一把是网格的。位置稍微差一点，就是重影。

而且这个循环很贵：物件清单是 Claude 看图像之后提的，它多算一个你不需要的物件，就是多付 $0.46；少算一个，那个东西就永远只是一团泼溅。

救法：在跑 3D 之前先拿到物件清单人过一遍（这正是 skill 默认 confirm each step with me 的意义）；被网格替换掉的那块泼溅，接受它被网格遮住，或用简单遮罩挡一下。

6.2 泼溅与网格的边界会露馅

泼溅是"看得见摸不着"的：没有几何、不参与光照、不投影。网格是实体的。两者相交的地方，接触阴影、遮挡关系、色彩响应都不会自动一致。在静帧里看不出来，一进引擎转两圈就明显。

救法（推断，无实测）：给网格物件底部加一张接触阴影贴片（AO blob），或让靠地的接触带直接用网格盖住泼溅；另外避开贴地仰拍的角度。这是所有"泼溅环境 + 生成物件"方案共同的代价，不是 image-blaster 独有的缺陷。

6.3 默认 50k 面，近景会糊

如第三节所说，50,000 面是这套 skill 自己的默认，Hunyuan API 的默认是 500,000。背景道具完全够用，但玩家会走到跟前的东西一眼能看出是生成的。重跑不便宜（每次 $0.375），所以先估好哪些物件会被走近，再一次性把 --face-count 调对。

6.4 音效只是"素材"，不是"音频系统"

看它的默认参数（SKILL.md 原文）：环境音 --loop --count 2 --duration-seconds 10，每个物件 --count 4 --duration-seconds 1。也就是说：

• 环境音是 2 条 10 秒的循环，而且脚本对循环输出保留原始音频（不剪静音，为了接缝），接缝好不好要你自己听；
• 物件音是 4 条 1 秒的冲击声，只有"撞一下"，没有持续声、没有滚动声、没有材质变化；
• 非循环输出会被 ffprobe/ffmpeg 剪掉首尾静音并做响度归一化——这是好事，但也意味着你拿到的已经不是模型原始输出的动态范围。

救法：把这 4 条当占位素材，上线前自己配；或者只用环境音，物件音自己录。

七、什么时候别用它

这套流程解决的问题很窄：快速拿到一个"能进去看"的场景原型。下面这些需求它不合适：

反过来说，它真正好用的场景只有一个：你手上有一张图（概念图、剧照、实拍房间、场景设计稿），想在五分钟内拿到一个能进去走两圈的原型——对齐空间感、定构图、给甲方看 Demo。做这个，它比你从头摆场景快太多。

八、相关阅读

如果你在评估"图片 / 文本 → 3D"这条路，下面几篇能接着看：

更多 AI 3D 内容在专题页：AI × 3D / 生成式 AI 完全指南

九、来源与边界

来源（均为 2026-10-21 访问）：

1. 仓库 neilsonnn/image-blaster（MIT）：README.md；.claude/skills/image-blast-3d/SKILL.md；.claude/skills/image-blast-sfx/SKILL.md；.claude/scripts/world/generate-world.mjs；.claude/scripts/asset-pipeline/{nano-banana-edit,gpt-image-2-edit,hunyuan-3d,meshy-3d,generate-single-asset}.mjs；.claude/scripts/sfx/fal-elevenlabs-sfx.mjs；app/src/components/WorldViewer.tsx
2. World Labs 官方文档：api/pricing（额度与 usage events）、marble/export/specs（spz/ply/collider/HQ 网格规格）、marble/export/gaussian-splat（导出计划限制）、api/rendering-spz（尺度修正）
3. FAL 模型页：fal-ai/hunyuan-3d/v3.1/pro/image-to-3d（$0.375）、.../rapid/image-to-3d（$0.225）、fal-ai/meshy/v6/image-to-3d（$0.80）、fal-ai/nano-banana-2/edit（$0.08）、fal-ai/elevenlabs/sound-effects/v2（$0.002/s）
4. 格式规范：Niantic spz（约比 PLY 小 10 倍、默认 RUB 坐标系）、three.js examples/jsm/loaders/SPZLoader.js
5. 示例图：Marble 官方示例导出（wlt-ai-cdn.art/example_exports/*_pano.png）；image-blaster 官方演示动图（GitHub）

边界（请当真的边界看）

• 本文没有做端到端实测：没跑过真实 blast，没有自己的账单；所有金额是按管线结构与官方单价推算的估算。
• 面数、引擎兼容性、许可证限制来自官方文档与仓库代码，未逐项复现（尤其各引擎的 splat 插件支持度变化很快，以你用的版本为准）。
• 标注为"推断"的两处（collider 网格需同比例缩放、边界露馅的救法）没有官方文档背书，属于经验外推。
• 项目归属：作者是 World Labs 团队成员，但不是 World Labs 官方产品；本文对 Marble 的描述相应带有作者视角。
• 价格会变：尤其是 FAL 的模型单价与 World Labs 的 credits 表；商用前请以当日官网价目与你自己的账单为准。

本文由 BimAnt 编译整理，转载请注明出处。