AI應(yīng)用風(fēng)向標(biāo)（公眾號：ZhidxcomAI）
作者｜江宇
編輯｜漠影

智東西12月3日報道，近日，可靈AI視頻上線了全新的O1模型，把參考生視頻、文生視頻、圖生視頻、視頻編輯、動作遷移等能力收進了同一個統(tǒng)一多模態(tài)模型里。

我們嘗試的第一件事，就是拿它來拍一支“瘋狂動物城番外”。

整套流程從“在可靈里重建尼克和朱迪”，到搭建警局場景、編輯視頻、最后讓朱迪跳了一段像素風(fēng)網(wǎng)絡(luò)神曲，中間遇到的每一個細節(jié)問題，都還很典型的：既能看到統(tǒng)一多模態(tài)的便利，也能看到現(xiàn)在AI視頻在精細編輯上的邊界。

不妨先來看看最終成片，具體過程我們稍后拆解。

一、在可靈O1里重建尼克和朱迪

進入可靈AI主頁，左側(cè)工具欄最上方就是可靈O1的新模式，在同一個對話框里就可以選擇圖片生成或視頻生成。在生成區(qū)的下方，有一個“參考”模塊，分為“圖片”和“主體”兩種方式。

同時，主體既可以調(diào)用主體庫，也支持自建，而官方主體庫的覆蓋范圍比我預(yù)想得要豐富。

人物欄里，直接給了魯迅和林黛玉的影視形象，動物則有這兩年在網(wǎng)上很火的安卓貓、水豚、香蕉貓等。繼續(xù)翻，主體還延伸到了道具、服飾、場景和特效，基本把一支視頻里會需要用到的主要元素，都整理成了可復(fù)用的素材。

我這次的主角不是官方主體，而是自建的尼克和朱迪。在“我的主體”里，我上傳了兩位的圖片，分別新建了兩個主體。

可靈O1有一個專門用來保證角色一致性的設(shè)計：主體必須由多張圖片共同構(gòu)建。

創(chuàng)建時，系統(tǒng)會要求用戶至少提供一張主參考圖和一張其他視角圖，希望用戶把角色的正側(cè)面、近景遠景都喂進去。我給尼克上傳了4張圖，其中1張是主參考，其余是不同視角。

標(biāo)簽部分我選擇了“動物”，然后在主體描述欄點了一下“智能描述”，系統(tǒng)自動生成了一小段關(guān)于“狐尼克”的文字說明，補充了毛色、服飾等細節(jié)。

隨后我用同樣的方式給朱迪建了一個主體。

這一步做完之后，等于是在可靈O1里“重建”了影視版狐尼克和朱迪，后面無論是圖還是視頻，都可以直接調(diào)用這兩個主體，保證角色的基礎(chǔ)風(fēng)格統(tǒng)一。

二、從圖片到開場鏡頭，搭出瘋狂動物城夜班警局

有了主體之后，我先用圖片O1模式試了一輪靜態(tài)圖，讓尼克和朱迪先“落地”到典型場景里，我選的場景是動物城的警局辦公室。

警局的第一張效果非常理想：尼克和朱迪的角色一致性很好，比例、服飾和神態(tài)都在預(yù)期之內(nèi)，場景畫風(fēng)也統(tǒng)一在動畫電影版的“瘋狂動物城”世界觀之中。

問題出在第二張圖上。在這張圖里，警局背景里出現(xiàn)了很多“長得像朱迪的警員”，背景人物的臉和朱迪近似度過高，畫面里出現(xiàn)了一排幾乎同款的兔子臉，視覺上有點詭異。

此外，尼克后方的一張辦公桌上，兩臺電腦緊貼擺放在一起，也不大符合日常使用場景，看起來像“復(fù)制粘貼”出來的。

我們嘗試使用局部重繪功能，把背景里部分警官替換成其他小動物形象，希望能打破“同臉軍團”的違和感。

▲局部重繪后的效果

但在這種細節(jié)程度的編輯下，模型還是很難精準地對某一個角色做局部替換。

在靜態(tài)圖大致跑通之后，我們決定用第一張警局圖片作為故事開場的基調(diào)：先用O1生成一個夜晚的瘋狂動物城城市遠景鏡頭，再拉近到警局門口，最后落到尼克和朱迪同框出現(xiàn)，組成一個完整的視頻開場片段。

這條視頻在整體故事感上完成度很高：夜景街道、警局門口、內(nèi)部辦公室和主角同框的邏輯是對得上的。但細節(jié)層面，依然能看到一些“不對勁”的地方。比如部分警員的電腦是面朝觀眾擺放，而不是面朝警員自己。

另外，在警局背景中，有個別角色的臉直接變成了一團“亂碼”，輪廓在，但五官細節(jié)糊成了一塊。

三、從畫面到聲音，用“智能音效”為動物城配上BGM

在視頻生成完成后，可靈O1的進度條下方會出現(xiàn)兩個附加功能，一個是對口型，一個是音效。

對口型功能有一個前提條件：需要畫面中存在穩(wěn)定、持續(xù)可見的人臉，而且這個人臉要始終保持在畫幅之內(nèi)。

這個設(shè)定更適合真人、寫實風(fēng)格的片子，而我們這支瘋狂動物城的風(fēng)格偏動畫和多角色，所以這次沒有體驗對口型這一功能。

音效功能則是這次體驗里一個比較“驚喜”的點。我們只是在視頻生成完成后點擊了“音效”按鈕，就進入了一個新的界面。

這一塊的交互邏輯有點像“AI版音效素材庫和智能擬音師”：一方面你可以直接在多種推薦風(fēng)格中選擇自己喜歡的音效基調(diào)；另一方面，可靈會先分析視頻內(nèi)容，自動生成一段“音效創(chuàng)意描述”的指令。

智能音效的優(yōu)勢，則在于它能和畫面產(chǎn)生一些“預(yù)判式的配合”。

比如在這條警局開場視頻里，有一個明顯的開門動作，音效會主動把金屬門被推開的聲音放進去，和畫面同步，加上遠處的環(huán)境聲，整體的空間感比單純的BGM要完整得多。

從這個階段開始，畫面和聲音才真正拼成了一段“完整的開場鏡頭”。

四、用“嘴改視頻”，在警局門口加一塊胡蘿卜飲料廣告牌

有了一個可用的開場畫面之后，我開始嘗試O1“擅長的編輯操作”，用自然語言去調(diào)鏡頭、改細節(jié)。

先是增加元素。我們給模型下的指令是：在瘋狂動物城警局門口添加一塊電子廣告牌，播放胡蘿卜飲料的廣告。

視頻生成后，廣告牌本身融入得比較自然，亮度、位置和整體畫風(fēng)都對得上，確實像警局門口墻面的一部分。

但如果只看畫面，很難一下子認出這是“胡蘿卜飲料”，胡蘿卜元素本身的視覺特征表現(xiàn)得不夠清晰，更像是一塊普通飲料廣告燈牌。

然后是刪改元素。我在同一段警局畫面里，嘗試讓模型“只保留尼克和朱迪，刪掉其他路人和警員”。最終的結(jié)果是：確實刪掉了大部分背景角色，但系統(tǒng)還是保留了一位靠近主角團最近的警員。

可靈O1目前還沒有掌握逐幀、逐人可控的能力。

再往下，我們嘗試對鏡頭本身做一些調(diào)整。

街景部分，我們把鏡頭拉得更遠一些，變成可以俯瞰整個動物城的全景，遠處有不同種類的小動物在城市里活動。警局內(nèi)部，則要求更多一些近景和特寫，把尼克、朱迪和辦公區(qū)域的細節(jié)交代得更清楚。

在這些指令下，O1可以按照“遠景、近景”的邏輯重新生成鏡頭。同時，我們也會發(fā)現(xiàn)一個明顯的問題：鏡頭之間的切換節(jié)奏和元素添加偏“死板”，鏡頭并不流暢，也沒有初版視頻的活靈活現(xiàn)。

五、讓朱迪跳舞，再把她變成像素游戲角色

在場景和細節(jié)編輯之后，我們開始嘗試可靈O1的動作參考能力：用一段網(wǎng)絡(luò)舞蹈視頻，驅(qū)動尼克和朱迪跳舞。

這次我們選了一段很火的網(wǎng)絡(luò)舞蹈，把它作為動作參考，希望讓尼克和朱迪兩人同步跳同一支舞。

實際體驗下來，目前O1在多主體同步動作上還沒有完全放開：經(jīng)過幾輪調(diào)參和不同指令嘗試，我們始終只能穩(wěn)定地生成“朱迪獨舞”的版本，沒辦法讓尼克和朱迪兩個人在同一畫面中，完成整支舞蹈。

但在單主體的表現(xiàn)上，這一條舞蹈的效果可以用“幾乎完美”來形容：動作復(fù)刻的節(jié)奏、幅度和重心變化都高度貼合參考視頻，朱迪的形象在大幅運動中也保持了很好的穩(wěn)定性，沒有出現(xiàn)明顯的臉部崩壞或身體扭曲，耳朵、尾巴這類擬人動物的特征在動作里也被自然保留了下來。

在這個基礎(chǔ)上，我們又給這支舞蹈上了一道“風(fēng)格濾鏡”，把整段視頻重繪成像素游戲風(fēng)。

這一次，可靈O1也比較順利地完成了任務(wù)。

如果把前面的警局夜景、辦公室開場和這支像素風(fēng)舞蹈拼在一起，就已經(jīng)是一支很完整的“瘋狂動物城番外小短片”了。

這次圍繞瘋狂動物城的完整體驗下來，我對可靈O1的直觀感受是：它把原來散落在不同工具里的事情，組合成了一條相對順暢的工作流。

從主頁點進O1開始，建主體、調(diào)圖、文生視頻、參考視頻、用嘴改畫面、加音效、做動作遷移、改風(fēng)格，一路下來基本都在同一個對話界面里完成。

對創(chuàng)作者來說，這種“一應(yīng)俱全”的狀態(tài)，意味著試錯成本被顯著壓低了，你可以沿著同一個故事線往前推，不用頻繁切換不同產(chǎn)品和插件。

但同樣明顯的是，只要講到具體鏡頭和具體元素，可靈O1目前還沒到“想什么就一定能還原什么”的程度。在這些細節(jié)上，它更多是在給出一個可用的草稿，而不是直接替代專業(yè)后期。

朝這個方向繼續(xù)迭代下去，當(dāng)角色一致性、局部編輯和鏡頭邏輯再繼續(xù)精進，或許有望實現(xiàn)：從一句話到一支能直接上線的短片。