Meitu zerlegt die Marken-IP in zwei Knöpfe: einer für das Gesicht, einer für die Bewegung

Vom 29. Oktober bis 1. November lief in Xiamen die 17. Messe für Kulturindustrie über die Taiwanstraße. Im Fujian-Pavillon zeigte Meitu seine KI-Bildplattform RoboNeo, und der Schwerpunkt lag auf drei eher unspektakulären Dingen: eine eigene Figur anlegen, um diese Figur herum fortlaufende Geschichten schreiben, die Bewegungen dieser Figur in neue Bilder übertragen.
Die Anfrage am Stand kam von einem Lebensmittelhändler. Er wollte eine wiedererkennbare Markenfigur, wollte bei jedem Trend sofort nachliefern, aber ein professionelles Team war zu teuer, und selbst machen konnte er es nicht. Diese Beschreibung trifft ziemlich genau das Kundenprofil, das die chinesische KI-Videobranche tatsächlich hat: keine Filmstudios, sondern kleine Händler ohne Budget, die aber jeden Tag etwas posten müssen.
Gleich aussehen ist der schwierige Teil
Ein einzelnes Bild zu erzeugen ist längst kein Problem mehr. Schwierig wird es beim zweiten, fünften, zwanzigsten Bild, wenn es dieselbe Person sein soll.
RoboNeo nennt die Lösung „IP-Figuren-Stil-Lock“: Der Händler legt eine Figur an und produziert danach in Serie Sticker, Poster und Produktbilder. Laut Hersteller ist die Konsistenz von Gesicht und Kleidung über mehrere Bilder deutlich besser geworden. Das klingt unspektakulär, entscheidet in der Praxis aber, ob daraus ein Geschäft wird. Wenn die Katze von heute nicht dieselbe ist wie die von letzter Woche, merkt sich das niemand, die Figur trägt nicht, und der Account lebt von einzelnen Ausreißern.
Das Problem der Figurenkonsistenz liegt nicht im „ähnlich genug aussehen“, sondern darin, wohin die Information wandert. In einem Bild stecken gleichzeitig Identität (wer ist das), Stil (womit gezeichnet), Pose, Licht und Bildaufbau. Wer das bei der Generierung nicht trennt, dessen Modell rät die Identität in jedem Durchlauf neu und verändert mit jedem Fehlgriff das Gesicht. Üblich ist, Identitätsmerkmale separat als Bedingung herauszuziehen, etwa per Referenzbild plus Identitäts-Encoding oder über einen Bereich im Latent Space, der nur Identität enthält. Der Name ist egal; wichtig ist, dass Identitätsinformation härter sitzt als Stilinformation.
Die Bewegung ist der eigentlich interessante Teil
Die Bewegungserfassung, die RoboNeo zeigt, funktioniert anders als das übliche Video-zu-Video. Das System extrahiert aus dem Referenzvideo die Körperproportionen, die räumlichen Beziehungen und die Kamerabewegung und schwächt gleichzeitig die äußeren Merkmale des Originals ab.

Der Satz hat mehr technischen Gehalt, als er auf den ersten Blick zeigt. Bewegungsübertragung aus Video hat zwei alte Schwächen:
Erstens das Durchschlagen der Optik. Die eigene Cartoonfigur soll den Tanz aus dem Referenzvideo übernehmen, am Ende trägt sie das Shirt aus dem Video und hat dessen Gesicht. Das Modell kann nicht unterscheiden, ob die Bewegung gefragt ist oder das ganze Video.
Zweitens die Strukturdrift. Bei großen Bewegungen verschieben sich die Proportionen, Hände zu lang, Beine zu kurz; bewegt sich die Kamera, kippt das Verhältnis von Vorder- und Hintergrund. Der Grund: Im Bedingungssignal stecken keine klaren Skelett-, Tiefen- und Kameradaten, das Modell muss sie aus Pixeln raten.
Die Information des Referenzvideos nach Struktur und Optik zu trennen und nur die Struktur als Bedingung zuzulassen, ist seit zwei Jahren der Hauptweg: Skelett für die Gelenke, Tiefenkarte für Verdeckungen, Kamerafahrt für die Bewegung. Klingt einfach, ist technisch schmutzig, weil die drei Signale sich widersprechen und Prioritäten austariert werden müssen. RoboNeo packt das in Knöpfe, die ein Händler drücken kann. Das ist der Wert auf Produktebene, nicht auf Paper-Ebene.
Der Skript-Arbeitsplatz löst eine andere Drift
Die dritte Funktion ist ein Skript-Arbeitsplatz auf Basis von „Skriptknoten plus Projektgedächtnis“: Autoren klären im Dialog, was sie wollen, zerlegen die Handlung und arbeiten dann mit derselben Figur weiter, für Episodenformate und Kurzserien.
Das sieht nach einem Drehbuchwerkzeug aus, steuert aber die Konsistenz über Episoden hinweg. Bei Folge acht einer Kurzserie müssen Charakter, Beziehungen, gesagte Sätze und besuchte Orte alle präsent sein. Ohne Projektgedächtnis versteht das Modell in jeder Folge neu, wie die beiden zueinander stehen, und das Ergebnis widerspricht sich zwangsläufig. Wie gut die Gedächtnisschicht ist, entscheidet direkt, ob serieller Content möglich ist oder nur einzelne Clips.
Die Hürde ist gefallen, die Ansprüche nicht
Parallel zur Messe gab es einen Fall zum Vergleich. Am 4. November berichtete CCTV im Rahmen des Wuzhen-Gipfels über Qin Wenshan aus Xiangcheng in Suzhou: eine Person mit sieben digitalen KI-Mitarbeitern, Gesamtsteuerung, Drehbuch, Regie, Storyboard, Asset-Produktion, Videoproduktion und Schnitt, zusammengeschaltet zu einer AIGC-Produktionslinie. Zu seinen Arbeiten gehört der Animationsfilm „一掌熊猫“, der es in die 16. Ausgabe des Pekinger Internationalen Filmfestivals schaffte, und „字圣仓颉“ zum historischen Mythos, der dieses Jahr starten soll. Xiangcheng hat inzwischen 36 OPC-Communities aufgebaut, mehr als 100 OPC-Unternehmen sind registriert.
„Eine Person, eine Firma“ klingt verlockend, verlangt aber mehr Können, nicht weniger. Früher haben Kameramann, Licht, Schnitt und Ausstattung dir den Rücken freigehalten; heute triffst du diese Entscheidungen selbst. Die Werkzeuge haben die Hürde der Ausführung gesenkt und die Hürde des Geschmacks stehen lassen.
Das erklärt, warum sich der Wettbewerb dieser Produkte von „kann es überhaupt generieren“ zu „kann es dasselbe Ding stabil produzieren“ verschiebt. Ein Händler will nicht ein beeindruckendes Bild, sondern dreihundert brauchbare, und in allen dreihundert dieselbe Person, mit Bewegungen, die zum Produkt passen.
Drei Fragen ohne Antwort
Erstens: Wo liegt die Obergrenze der Bewegungsgenauigkeit. Bei komplexen Handinteraktionen, schnellen Drehungen und häufigen Verdeckungen im Referenzvideo ist die Strukturinformation selbst unvollständig; keine noch so gute Trennung holt das zurück.
Zweitens: die physikalische Plausibilität der Bildsprache. Kamerabewegung extrahieren heißt nicht, sie zu verstehen. Ein echter Push-in, Schwenk oder Zoom folgt räumlicher Logik; grob in eine neue Szene kopiert wird den Zuschauern schwindelig. Daran basteln derzeit alle Werkzeuge.
Drittens: Qualitätskontrolle in Serie. Zwischen „ein Clip sieht gut aus“ und „hundert sehen gut aus“ liegt ein Prozess: Wer setzt die Standards, wer prüft Stichproben, wie oft wird nachgearbeitet, wie werden die Kosten gerechnet. Ohne diesen Schritt landet auch das schönste Ergebnis nicht in der Praxis.
Für kleine und mittlere Händler liegt der eigentliche Wert von Plattformen wie RoboNeo darin, aus „eine Figur bauen“ ein Fließband zu machen. Ob das Fließband dauerhaft läuft, hängt davon ab, ob es diese drei Fragen aushält.
Verwandte Artikel
Google hat Coding-Agenten vom Laptop geholt, und der Berechtigungsdialog bleibt der Engpass
Die Leitungen sind fast gelöst. Der Berechtigungsdialog bleibt der menschliche Engpass.
NVIDIA gibt vier 16B-Weltmodelle frei, und der Teil ohne Benchmark ist Policy-Learning
NVIDIA sagt, es sei ungemessen, ob diese Modelle Policy-Learning tragen. Der Satz gehört in jede Geschichte über offene Weltmodelle.
Vier der Top-Repos auf GitHub sind heute Skill-Bibliotheken, und jetzt haben wir ein Packaging-Problem
Die Verbreitung läuft. Das interessante Scheitern sind vier nicht kompatible Wege, dasselbe Objekt zu installieren.
Thinking Machines liefert ein 594B-Modell und schiebt die Gewichte auf nächste Woche
Ein starkes Modell, ein dokumentiertes Rezept, eine unterschätzte Fähigkeit und ein Termin, den das Labor nicht zugesagt hat.