图片转三维场景：费用与引擎接入实测

一张图，五分钟内变成能走进去的 3D 场景，image-blaster 的演示很容易让人心动。但真正决定它能否进入工作流的，是生成一次花多少钱，以及导出的资产能不能正确放进引擎。原文给出的结论是：固定成本约 1.34 美元，每个动态物体再加约 0.46 美元，接入引擎还要处理坐标修正。

这份分析的价值在于拆开了脚本、计费和资产格式。不过作者明确没有完整跑通流程，价格来自公开单价，部分接入建议也是推断。它适合帮助你评估原型方案，不能当作效果和成本的实测报告。

一张图生成的，其实是三类不同资产

image-blaster 是 Claude Code 的技能包，由 World Labs 团队成员开发，并非 World Labs 官方产品。原文记录它有 11.8k stars，采用 MIT 许可证，曾在 2026 年 5 月登上 Hacker News 首页。

使用方式是克隆仓库，在仓库里运行 claude，提供 World Labs 和 FAL 两个 API key，把图片放进 input/，再输入 blast it and confirm each step with me，让 Claude 逐步执行并请求确认。

它把几个服务串了起来，下面是原文按脚本整理的实际流水线：

input/ image
  ├─① clean plate / object cut-outs   fal-ai/nano-banana-2/edit          $0.08/img
  ├─② static environment             World Labs marble-1.1              1,500 credits
  │     └→ .spz (full_res + 500k + 100k + 150k downloaded)
  │     └→ collider mesh .glb (100–200k triangles)
  ├─③ each dynamic object            fal-ai/hunyuan-3d/v3.1/pro/...     $0.375/call
  │                                  (or .../rapid $0.225, fal-ai/meshy/v6 $0.80)
  └─④ SFX                            fal-ai/elevenlabs/sound-effects/v2 $0.002/sec

要看的是第二步：静态环境同时输出 .spz 和碰撞网格，后者只有 10 万至 20 万个三角形，不等于完整的可见场景模型。

.spz 保存高斯泼溅数据，用来呈现环境外观；碰撞网格负责让角色别穿墙；独立生成的物体网格负责可移动道具。声音则是另外一组素材。画面看起来连成一体，不代表这些资产已经具备统一的几何、光照和交互行为。

成本主要跟物体数量走，失败也要付钱

按截至 2026-10-21 的公开价格，作者把费用拆成两部分：

固定费用是世界生成与相关费用，1,500 + 80 credits 折合 1.264 美元，再加一次 0.08 美元的背景清理，合计约 1.34 美元。原文没有单独解释其中 80 credits 的构成。

每个动态物体则需要一次抠图编辑、一次 3D 生成和碰撞音效：0.08 + 0.375 + 4 × 0.002 = 0.463 美元，约 0.46 美元。只看 Hunyuan 的调用价格，会漏掉前面的图像处理。

音效走 FAL 的 fal-ai/elevenlabs/sound-effects/v2，不能直接套 ElevenLabs 自有积分表。默认环境音参数是 --loop --count 2 --duration-seconds 10，每个物体则是 --count 4 --duration-seconds 1。

因此，控制预算首先要控制独立物体数量。重新生成网格再付 0.375 美元，重做抠图再付 0.08 美元；逐步确认有实际的成本意义。

还有一笔容易漏算：generate-world.mjs 只下载 assets.mesh.collider_mesh_url。要拿适合展示的静态 HQ mesh，需要另行导出，费用约 2.80 美元。它包含约 60 万个带纹理三角形，或约 100 万个带顶点颜色的三角形，最长可能等一小时，限制为每小时 4 次，并要求 Pro 计划。

这些都是结构估算，不是账单。作者没有计入重试和套餐差异；原文列出的权限区分是 Free 可生成但不能导出，Standard 支持 splat 和碰撞网格导出，Pro 增加 HQ mesh 与商业使用权。仓库的 MIT 许可也不能直接代替服务与资产的授权条件。

为什么内置查看器正常，放进 three.js 却可能错位

另一个关键问题是坐标。World Labs 文档说明，Marble SPZ 使用生成资产自身的坐标系，外部渲染时需要读取 assets.splats.semantics_metadata，把高斯中心和大小转换到以米为单位、与地面对齐的坐标。

文件能加载，不代表尺寸和地面位置已经正确。

原文称内置查看器会做修正，但导出流程没有替外部引擎完成这一步。可能出现的现象包括门高达 30 多个单位、场景悬空或下沉，以及道具对不上背景。下面是原文给出的 three.js 修正示例：

// three.js：加载器读取文件，不会修正坐标系
const world = await new SPZLoader().loadAsync(url);
const m = semantics.metric_scale_factor;
world.scale.setScalar(m);
world.position.y -= semantics.ground_plane_offset;

注意 metric_scale_factor 和 ground_plane_offset 两行；接入时还需要取得对应的 semantics 数据。作者建议碰撞网格也应用同样的比例，但明确承认这是推断，文档只直接说明了 splat。

坐标之外，还有几处接缝。背景若保留了一把椅子，再生成椅子网格，就会出现重影。按原文描述，splat 与网格的投影、受光和接触遮挡也不会自然一致；作者提出用 AO 贴片或网格覆盖接触区域补救，同样没有给出实测验证。

面数和声音也有边界。技能默认使用 50k 面，Hunyuan API 自身默认却是 500,000 面，近景主角物体需要单独检查。音效只提供环境循环与短促碰撞，没有滚动、持续发声或材质变化。非循环声音会经过 ffmpeg 裁剪和响度归一化，循环音则保留原样。

我的判断

我认同它的定位：用已有图片快速搭空间原型，检查构图、行走视角，或者向客户展示空间关系。把用途限定在这里，混合使用 splat、碰撞体和道具网格是合理取舍。

但「五分钟」是项目宣传，「比手工搭建快很多」是原文判断。作者没有端到端运行，也没有提供与手工搭建、现成资产拼装的耗时对照，所以目前只能视为经验判断。

原型生成速度和可交付资产质量，需要分开验收。 一旦要求可编辑模型、统一光照、可靠碰撞与明确商用权限，额外导出、修正和返工就会进入成本。原文把这些问题找了出来，但还没有证明解决它们需要多少时间。

能拿来做什么

• 做 three.js 空间原型时，先用一张图和少量动态物体验证流程，把约 1.34 美元固定费用、每物体约 0.46 美元增量和重试费用分别记账。
• 接入前保存 assets.splats.semantics_metadata，先核对尺寸、地面和道具位置，再继续写交互；碰撞体是否使用相同修正需要实际验证。
• 在 AI 执行抠图和生成前，先确认哪些物体留在静态背景、哪些需要独立交互，减少重影和无效调用。
• 验收时分别检查环境外观、碰撞、近景物体与声音。如果目标是传统网格资产，再单独评估 HQ mesh 的导出费用、等待时间和权限。