作者 | James 尖椒

在Sora2關(guān)停之后，漫劇行業(yè)等一個(gè)“破局者”已經(jīng)等了太久。近期出現(xiàn)的API價(jià)格持續(xù)上漲、排隊(duì)時(shí)間過長(zhǎng)等問題，正讓中小AI漫劇制作團(tuán)隊(duì)不堪重負(fù)。

剛剛過去的周末，娛樂資本論對(duì)行業(yè)內(nèi)超200名一線從業(yè)者進(jìn)行的抽樣調(diào)查顯示，目前，國(guó)內(nèi)視頻生成大模型市場(chǎng)呈現(xiàn)高度集中的格局：超過95%的被調(diào)查者在日常工作中使用同樣的模型。

與此同時(shí)，“生成質(zhì)量不穩(wěn)定需多次抽卡”“人物動(dòng)態(tài)不對(duì)”“一致性差”“無法局部編輯已生成的視頻”等問題成為“久治不愈”的行業(yè)痛點(diǎn)。

甚至小娛還通過走訪得知，因?yàn)槁】傮w生成成本飆升，有些本來由真人劇轉(zhuǎn)型漫劇的承制方，已經(jīng)動(dòng)了回歸真人劇拍攝的念頭……

恰在此時(shí)，4月27日晚間，阿里“HappyHorse-1.0”視頻大模型在業(yè)界翹首以盼中開放公測(cè)，國(guó)內(nèi)版和國(guó)際版同步上線。

這匹“歡樂馬”月初曾以黑馬姿態(tài)，突然空降登頂國(guó)外權(quán)威AI視頻大模型競(jìng)技場(chǎng)，引發(fā)廣泛關(guān)注，一時(shí)間還出現(xiàn)多個(gè)仿冒“李鬼”。它是否有信心，有實(shí)力打破視頻模型當(dāng)前的一超格局，引發(fā)新一輪競(jìng)爭(zhēng)和降價(jià)，促進(jìn)行業(yè)進(jìn)一步優(yōu)化升級(jí)？

娛樂資本論第一時(shí)間登錄HappyHorse測(cè)試站，連夜測(cè)試正版“歡樂馬”的實(shí)力如何。同時(shí)，與眾多第一時(shí)間跟進(jìn)的“超級(jí)個(gè)體”類創(chuàng)作者不同，我們的測(cè)試將主要著眼于這個(gè)模型對(duì)漫劇制作流水線的作用。

HappyHorse 承載了眾多漫劇從業(yè)者的期待，娛樂資本論采訪了多位活躍在漫劇制作一線的行業(yè)人士，傾聽他們的痛點(diǎn)、期待，和對(duì) HappyHorse 的第一印象。

實(shí)測(cè)真·歡樂馬：一致性、鏡頭感、精細(xì)度“量大管飽”

一個(gè)視頻模型出爐之后，最先感到興奮和最早出結(jié)果的，是那些所謂的“超級(jí)個(gè)體”創(chuàng)作者。他們興奮地探索模型的邊界，使用提示詞工程制作出奇觀。也有一些偶然的妙手天成，就比如純業(yè)余作者做出的醬板鴨，瞬間引爆了全網(wǎng)。

但是在AI漫劇領(lǐng)域，情況則不完全相同。漫劇使用的工作流要想接入一個(gè)新模型是容易的，但是從業(yè)者需要一段時(shí)間，去摸清楚什么樣的模型適合做什么事。他們往往把最復(fù)雜的任務(wù)交給最先進(jìn)的模型，而使用平價(jià)模型去完成一些基礎(chǔ)的工作，比如變動(dòng)不大的背景板。

如上所述，今年初到3月的一段時(shí)間內(nèi)，行業(yè)普遍將Seedance 2.0，可靈3.0，谷歌veo及Sora2作為出復(fù)雜結(jié)果的第一梯隊(duì)。然而OpenAI在毫無預(yù)警之下宣布關(guān)閉Sora 2模型，本就供不應(yīng)求的Seedance 2.0還應(yīng)聲漲價(jià)，使得行業(yè)對(duì)HappyHorse 的期待值陡然拉高。特別是HappyHorse 還表明其是一個(gè)可以編輯現(xiàn)有視頻的模型，抽卡之后不能修改向來是視頻生成的痛點(diǎn)，它又如何解決這個(gè)老大難問題呢？

在與多位漫劇從業(yè)者溝通后，他們最關(guān)心的問題集中在6個(gè)方面——人物一致性、場(chǎng)景一致性、鏡頭語言理解、文本理解、細(xì)節(jié)編輯/微調(diào)能力，以及成本與可及性。

我們根據(jù)上述問題和訪談，設(shè)計(jì)了對(duì)應(yīng)的測(cè)試提示詞，逐項(xiàng)驗(yàn)證，確保呈現(xiàn)的結(jié)果能代表模型的真正實(shí)力。測(cè)試使用的提示詞部分參考了受訪漫劇制作團(tuán)隊(duì)在實(shí)際工作中使用的提示詞，力求貼近真實(shí)生產(chǎn)場(chǎng)景。

簡(jiǎn)單結(jié)論是：HappyHorse 1.0的強(qiáng)項(xiàng)是一致性，鏡頭感和畫面精細(xì)度，不過在多鏡頭調(diào)度，提示詞遵從方面有提升空間。

正如小娛遇到的一位搶先試用者飯飯（化名）所講：

“Seedance2.0強(qiáng)在導(dǎo)演系統(tǒng)，強(qiáng)調(diào)控制力，HappyHorse 1.0強(qiáng)在成片質(zhì)感，主打第一眼驚艷。這匹快樂馬現(xiàn)在的勢(shì)頭，大有要在 AI 視頻領(lǐng)域和字節(jié)‘二分天下’的架勢(shì)呀！”

（素材圖片，使用ChatGPT Images 2.0生成）

我們根據(jù)一則在實(shí)際工作中使用的提示詞，構(gòu)思了一個(gè)廢土世界觀的場(chǎng)景，盡管不盡完備，但希望從“一次成型，不反復(fù)抽卡”的角度來推測(cè)多輪生成的綜合成功率。同時(shí)，其中涉及到需要修改的部分，一律不重新抽，而是直接使用HappyHorse 1.0的視頻編輯功能。

人物一致性是視頻生成最基本的要求之一，要求面部特征、發(fā)色、體型、服裝都不能出現(xiàn)明顯變化。兩個(gè)鏡頭中人物的面部輪廓、短發(fā)造型、深色外套的磨損細(xì)節(jié)完全一致。從正面到側(cè)背面的轉(zhuǎn)換中，身形比例沒有突變，可以清晰辨認(rèn)是同一個(gè)人物，而且GPT-image-2的三視圖中，人物本來的“油光”特性也被完整保留。

場(chǎng)景一致性是指保持空間布局和視覺元素一致，不同鏡頭中的場(chǎng)景細(xì)節(jié)不能“跳變”?！靶食恰背情T口，全景鏡頭，大量勞工和傭兵正在排隊(duì)進(jìn)城，隨后切換到俯視視角；女主開始爬城門之后，鏡頭切換到腿蹬地的特寫，整個(gè)場(chǎng)景被參考圖牢牢限定，對(duì)于快速閃過的漫劇畫面來說，可以一次抽卡即成型。

多位受訪者反映現(xiàn)有模型的鏡頭語言理解，也就是在提示詞中精確描述推、拉、搖、移等運(yùn)鏡方式時(shí)的依從性一般。我們?yōu)檫@段視頻設(shè)置了4個(gè)分鏡，其中鏡頭3和4因?yàn)樘崾驹~的描述不夠準(zhǔn)確，導(dǎo)致理解出了問題，在實(shí)際制作中，應(yīng)該加入其他的參考圖重新規(guī)劃提示詞。

因此，我們對(duì)這段提示詞產(chǎn)出的視頻直接做了修改：“箭樓只有一層而不是兩層。鏡頭進(jìn)入窗縫以后在房間里轉(zhuǎn)一個(gè)彎，從房間里面看房門，房門本來關(guān)著，然后短發(fā)女性從通道跑進(jìn)門的時(shí)候，一下把門推開。鏡頭迅速向前移動(dòng)到短發(fā)女性面部特寫的時(shí)候，她是面向房間里，背對(duì)著敞開的房門并可見她身后的城墻通道?！?/p>

結(jié)果雖仍然差強(qiáng)人意，但可以看到最后的鏡頭按要求做了修改，說明每次修改視頻，以說明秒數(shù)，并每次只修改一處問題為宜?？磥硇首鳛槌鯇W(xué)者，似乎還應(yīng)該掌握更多的提示詞技巧，不過把前后兩段拼到一起，應(yīng)該就差不多了。

接下來的提示詞包含“臉上的表情怔住，嘴唇緊抿，眼神里交織著擔(dān)憂、不解和一絲難以察覺的異樣情緒”，“表情仍然怔住，但似乎有眼淚要奪眶而出，然后一咬牙，轉(zhuǎn)身堅(jiān)毅地跑回去”等抽象提示。這個(gè)場(chǎng)景試圖考察模型能否還原高難度的微表情和動(dòng)作細(xì)節(jié)。

由于參考圖的信息量大，在保持一致性的前提下，情緒感染力似乎略有折扣。不過，對(duì)稍縱即逝的漫劇畫面來講，講清楚故事，分清楚人物仍然是所有要求中第一位的。

最后我們決定再測(cè)試一次編輯功能：把女主的頭改成貓頭。

提示詞是在看到空房間之后改為貓頭，不過成品在空房間里加了一只貓。好在如果搭配上一段內(nèi)容剪到一起，并沒有違和感?？梢钥吹?，當(dāng)指令清晰明確時(shí)，單點(diǎn)修改并不會(huì)“牽連”到同鏡頭里的其他元素。這種“指哪改哪”的微調(diào)能力，可以說正是漫劇從業(yè)者夢(mèng)寐以求的功能。

在測(cè)試準(zhǔn)備結(jié)束時(shí)，小娛還收到有社群的從業(yè)者說，他們苦惱的是漫劇場(chǎng)景中人物口型可能對(duì)不上。為此我們又加測(cè)了一個(gè)口型測(cè)試，臺(tái)詞大家可能都很熟悉了——“我是醬板鴨”。

從結(jié)果來看，人的口型比貓的要好不少，即使是繞臉一周拍攝也沒問題，不用只是過肩的“對(duì)臉打”，相信大可以放心使用。

目前HappyHorse的生成效率很高，視復(fù)雜度，每條大約1-2分鐘。當(dāng)然，Seedance2.0在用量劇增之前，也是挺快的。不過鑒于阿里的基礎(chǔ)設(shè)施更完善，而且qwen其他模型也做了不少“壓力測(cè)試”，相信之后排長(zhǎng)隊(duì)抽卡的情形會(huì)得到不小的緩解。

而說到價(jià)格方面，國(guó)內(nèi)版網(wǎng)站（www.happyhorse.cn）提供標(biāo)準(zhǔn)版（Standard）和專業(yè)版（Pro）訂閱方案，連同免費(fèi)（Free）均支持每日登錄贈(zèng)送積分。并行生成方面，免費(fèi)2路，標(biāo)準(zhǔn)版10路，專業(yè)版無限；付費(fèi)用戶可批量視頻生成、優(yōu)先隊(duì)列、去除品牌水印及1080P高清視頻生成。

720P和1080P的視頻生成刊例價(jià)分別為0.9元/秒及1.6元/秒，專業(yè)會(huì)員包月價(jià)格疊加限時(shí)折扣后為0.44元/秒和0.78元/秒。

眾所周知Seedance2.0的官方定價(jià)是“一元一秒”，各模型目前都對(duì)國(guó)內(nèi)用戶有限時(shí)優(yōu)惠價(jià)格。但毫無疑問，HappyHorse 1.0在國(guó)內(nèi)主流 AI 視頻生成模型中極具價(jià)格競(jìng)爭(zhēng)力。

據(jù)了解，HappyHorse 的API調(diào)用成本也是為0.9元/秒及1.6元/秒，顯著低于目前市面上的頭部閉源模型，且企業(yè)級(jí)客戶通過阿里云調(diào)用API接口沒有門檻限制，不需要一次性預(yù)繳千萬級(jí)費(fèi)用。這意味著中小企業(yè)和個(gè)人開發(fā)者不必受制于單一供應(yīng)商的定價(jià)策略，讓更多人“用得起”好模型。

調(diào)查：244個(gè)一線從業(yè)者最想要什么

娛樂資本論長(zhǎng)期關(guān)注AI漫劇產(chǎn)業(yè)的發(fā)展，也同行業(yè)多個(gè)頭部機(jī)構(gòu)與創(chuàng)作者有保持密切的聯(lián)系。從年初CEIS的路演專場(chǎng)開始，我們連續(xù)又在北京舉辦2場(chǎng)線下活動(dòng)，吸引大批不同行業(yè)的觀眾參加，包含專業(yè)人士、在校影視藝術(shù)專業(yè)學(xué)生等。目前我們已經(jīng)擁有了多達(dá)11個(gè)活躍的漫劇人微信社群，每天討論以及資源對(duì)接十分活躍。趁著周末，小娛在群內(nèi)也同步開展了一個(gè)小調(diào)查，想要問一問這些一線漫劇從業(yè)者，對(duì)一個(gè)物美價(jià)廉的新模型最期待的是什么。

截至27日上午，本次調(diào)研共回收244份有效問卷。受訪者覆蓋漫劇產(chǎn)業(yè)鏈各環(huán)節(jié)，在說明職業(yè)的填寫人當(dāng)中，導(dǎo)演和制作人最多，占比26.2%。接下來編劇和運(yùn)營(yíng)發(fā)行崗各占比14.3%。漫劇行業(yè)最近大量缺人，身兼多職的情況非常普遍，產(chǎn)業(yè)鏈上的每一個(gè)人都有機(jī)會(huì)與視頻生成模型打交道。

超六成說自己是導(dǎo)演/制作人的受訪者每天高頻使用視頻模型，即使是運(yùn)營(yíng)商務(wù)等非技術(shù)崗位也有占總受訪者43%的人“偶爾”使用，以便理解模型輸出的效果與局限。

超過95%的受訪者將 Seedance 列為主要使用模型，幾乎等同于“全員覆蓋”。排名第二的可靈占31%，Vidu以19%位居第三。

辛鑫（化名）是一家頭部漫劇公司的負(fù)責(zé)人，他向我們證實(shí)了這一格局：“我們現(xiàn)在主要在操作的模型是 Seedance 2.0，但事實(shí)上所有的模型我們都沒有放棄去測(cè)試、去觀察，甚至是一些C端的工具我們也在看。”

在他看來，持續(xù)關(guān)注所有模型不是“三心二意”，而是職業(yè)本能。“一些Agent我們甚至能從它呈現(xiàn)出什么樣的效果，倒推出它用了什么模型，這對(duì)于我們?nèi)ネ晟谱约旱墓ぷ髁饕彩怯袔椭??！?/p>

概括當(dāng)前用大模型的核心痛點(diǎn)，簡(jiǎn)單說就是三個(gè)關(guān)鍵詞：不穩(wěn)、太貴、排大隊(duì)。選擇了“生成質(zhì)量不穩(wěn)定需多次抽卡”“價(jià)格貴”“排隊(duì)等待時(shí)間過長(zhǎng)”的受訪者分別為76.2%、71.3%、64.3%。

幾乎每一個(gè)受訪者都會(huì)提到模型太貴的問題。特別是在最近大模型普遍漲價(jià)后，規(guī)?；谱髀〉膱F(tuán)隊(duì)成本至少漲了三倍。

陳華（化名）是福州一家中小型漫劇制作團(tuán)隊(duì)的負(fù)責(zé)人，他對(duì)模型價(jià)格的上漲格外敏感：“早期 Seedance 2.0 的會(huì)員，最低的時(shí)候可以做到每秒0.2到0.4元，現(xiàn)在都要每秒1元左右了?！彼a(bǔ)充道，不同時(shí)期注冊(cè)的會(huì)員權(quán)益不同，“2月份、3月份、4月份注冊(cè)的都不一樣，越遲注冊(cè)越接近1秒1元?！?/p>

簽約用戶可以通過火山引擎獲得更穩(wěn)定的服務(wù)和排隊(duì)優(yōu)先權(quán)，陳華的團(tuán)隊(duì)簽約后“基本上都是幾分鐘就出來了”。但對(duì)于未簽約的團(tuán)隊(duì)，高峰期等待數(shù)十分鐘仍是常態(tài)。大量中小團(tuán)隊(duì)無奈地看著自己與頭部模型漸行漸遠(yuǎn)。

另有57.0%的受訪者選擇了“無法只調(diào)整具體細(xì)節(jié)，保持其他部分鎖定”。這個(gè)選項(xiàng)的占比雖不如前三個(gè)高，但在從業(yè)者口中的提及頻率卻極高。

陳華向我們描述了一個(gè)典型場(chǎng)景：生成一個(gè)鏡頭，其中90%的內(nèi)容滿意，只想修改某個(gè)手勢(shì)或某件衣服的顏色?！斑@種情況很多，但經(jīng)常很難做到?！?/p>

辛鑫同樣期待在某個(gè)局部做微調(diào)的顆粒度。“這個(gè)和抽卡的概念不一樣，抽卡依然是概率性事件，可能再抽一次依然抽不對(duì)，微調(diào)指的是98%都不變，就這2%調(diào)整。”

“生成質(zhì)量不穩(wěn)定需多次抽卡”成為當(dāng)前最大的痛點(diǎn)。具體來看，當(dāng)說一個(gè)模型生成質(zhì)量不穩(wěn)定時(shí)，大家在意的點(diǎn)是什么？

其中，“人物動(dòng)態(tài)不對(duì)”和“一致性差”分別以68.9%和66.8%高居榜首，兩者相加，幾乎覆蓋了所有反映質(zhì)量問題的受訪者。

漫劇從業(yè)者小林告訴娛樂資本論，他經(jīng)常在做漫劇的過程中遇到風(fēng)格一致性問題，“比如我想生成3D風(fēng)格的漫劇，在生圖的階段還很好，到了圖生視頻的階段，模型跑著跑著就變成真人風(fēng)格了。"

辛鑫認(rèn)為，解決一致性的關(guān)鍵在于使用“多參流”的模型，相當(dāng)于是每次都固定參照物，幾個(gè)錨點(diǎn)錨定了，理論上變化就少了。小娛在自己測(cè)試HappyHorse1.0期間也在每次提示詞都配上固定參考圖，使得長(zhǎng)程穩(wěn)定性有很大保證。

參考生不同于圖生或者首尾幀，不需要把分鏡圖做出來，“我直接把幾個(gè)人物的形象參考放進(jìn)去，場(chǎng)景放進(jìn)去，甚至人物站位的參考放進(jìn)去——放完了之后它就能生成視頻?！比绱艘粊恚r(shí)又穩(wěn)定，更有助于在工作流中批量設(shè)定提示詞，自動(dòng)化抽卡。

59.4%的受訪者選擇了“鏡頭運(yùn)動(dòng)不符合預(yù)期”。陳華告訴我們，他的團(tuán)隊(duì)經(jīng)常遇到的難點(diǎn)在于“鏡頭語言不符合預(yù)期，經(jīng)常出現(xiàn)鏡頭穿幫、人物站位不對(duì)等問題，一些鏡頭會(huì)出現(xiàn)與我們理解的有偏差”。

另有43.0%的受訪者選擇了漢字生成混亂。模型在招牌、字幕、書信等漢字生成上仍存在嚴(yán)重缺陷——字形歪斜、筆畫缺失、甚至生成無意義的“偽漢字”。海外模型問題尤為突出，即便是國(guó)產(chǎn)模型，中文生成的穩(wěn)定性也不如英文。當(dāng)前，從業(yè)者一般用指定參考圖的方法解決。

HappyHorse為行業(yè)帶來新選擇與新可能

綜合以上數(shù)據(jù)，我們可以勾勒出一幅漫劇從業(yè)者的“需求畫像”：他們需要的是一個(gè)價(jià)格合理、生成穩(wěn)定、能理解導(dǎo)演意圖、能在長(zhǎng)線制作中保持人物和場(chǎng)景一致性的工具。這些需求并非針對(duì)某個(gè)特定模型，而是對(duì)整個(gè)行業(yè)的期望。HappyHorse 的出現(xiàn)，恰好站在了這些需求的交匯點(diǎn)上。

從一線漫劇從業(yè)者的調(diào)查問卷與采訪來看，當(dāng)下AI視頻生成大模型的能力，與業(yè)界需求之間，仍然有極大的缺口存在。

“人物一致性非常重要”“角色一致性穩(wěn)定”“無穿幫鏡頭”，“價(jià)格便宜”“費(fèi)用低”“價(jià)格再優(yōu)惠些”，“可以修改細(xì)節(jié)”“可以點(diǎn)選或者劃區(qū)域精準(zhǔn)修改”……在問卷最后的填空題，回答里密密麻麻的都是這類關(guān)鍵字。

受訪者寫下對(duì)下一代視頻生成模型的期望，經(jīng)分類統(tǒng)計(jì)，排名前三的改進(jìn)方向?yàn)椋喝宋镆恢滦?，降低成本，?xì)節(jié)編輯/微調(diào)能力。

漫劇團(tuán)隊(duì)負(fù)責(zé)人靈茜表示，“我們希望模型價(jià)格和生成質(zhì)量是匹配的。而不是價(jià)格上漲了，質(zhì)量不穩(wěn)定，這會(huì)造成低質(zhì)和廉價(jià)的產(chǎn)品出現(xiàn)?！?/p>

同時(shí)，模型的能力也會(huì)影響新人培養(yǎng)的成本，“AI隨機(jī)性導(dǎo)致抽卡試錯(cuò)成本高，新人需要熟手?jǐn)?shù)倍的生成次數(shù)才能上手，這是必不可少的剛需費(fèi)用，也給團(tuán)隊(duì)擴(kuò)建帶來了成本壓力?！?/p>

辛鑫希望，視頻大模型能在自然語言理解能力上持續(xù)進(jìn)步，這對(duì)漫劇團(tuán)隊(duì)拓展規(guī)模、招募更多非影視科班出身者意義重大。

辛鑫反復(fù)對(duì)小娛強(qiáng)調(diào)一個(gè)觀點(diǎn)，對(duì)于漫劇團(tuán)隊(duì)來說，幾秒甚至一分鐘的片段都測(cè)試不出真正模型的實(shí)力，“必須以劇集為單位去做測(cè)試，你才能以穩(wěn)定性、制作成本為考慮，去做最終的模型選擇?！?/p>

作為大型漫劇團(tuán)隊(duì)，還要考慮模型穩(wěn)定性、并發(fā)數(shù)等關(guān)乎規(guī)模化生產(chǎn)的關(guān)鍵問題。辛鑫回憶說：“那個(gè)時(shí)候 Sora 2 出來，我們也覺得太牛了，顛覆世界?？山Y(jié)果真的在做劇的時(shí)候，我們發(fā)現(xiàn)穩(wěn)定度并不能夠很好地保持。當(dāng)我們以100人的規(guī)模，同時(shí)生產(chǎn)AI漫劇時(shí)，模型的穩(wěn)定性是否依然存在？”而并發(fā)數(shù)解決的則是生產(chǎn)效率的問題，同一模型能同時(shí)生產(chǎn)多條視頻，才能適配漫劇極短的生產(chǎn)周期。

與追求極致的超級(jí)創(chuàng)作者不同，漫劇從業(yè)者在意的是規(guī)模化生產(chǎn)的效率與穩(wěn)定性，在乎的是生產(chǎn)一整部漫劇所需要的人力、算力成本以及最后的成片效果。

所以，今日HappyHorse開啟內(nèi)測(cè)還只是一個(gè)開始，當(dāng)它真正深入到漫劇的生產(chǎn)鏈條中時(shí)，其優(yōu)勢(shì)與競(jìng)爭(zhēng)力才會(huì)逐漸顯現(xiàn)。

陳華正準(zhǔn)備好“第一時(shí)間去測(cè)試” HappyHorse，對(duì)他而言，測(cè)試只關(guān)乎“合不合適”，“主要是科幻類的場(chǎng)景我們生成量特別大，到時(shí)候用同樣的提示詞測(cè)一遍就知道了?！?/p>

辛鑫認(rèn)為，在AI工具側(cè)的競(jìng)爭(zhēng)中，很難出現(xiàn)某個(gè)獨(dú)一無二的功能，或者某個(gè)模型占據(jù)壟斷地位。對(duì)從業(yè)者而言，新模型的出現(xiàn)不是“替代”敘事，而是“選擇”敘事，各個(gè)制作團(tuán)隊(duì)都會(huì)選擇最適合自己的大模型。

至少，漫劇從業(yè)者都很樂意看到HappyHorse的出現(xiàn)：“大廠出新模型的意義是挑戰(zhàn)現(xiàn)有格局，我們有了更多選擇，對(duì)團(tuán)隊(duì)、對(duì)行業(yè)來說都是好事?！?/p>