67秒的假情境喜劇,一個人在家用中國影片模型做出來了

本月 Reddit 上出現了一集 67 秒的九〇年代情境喜劇。裡頭的兩個角色,長相和聲音都像 Jerry 和 George,場景是一間重新搭出來的公寓,現實裡從來沒有過。標題裡就寫明了這是 AI 生成的。熱評裡沒有人去爭論它是不是生成的,大家爭論的是那個笑話到底好不好笑。這一點比片子本身更值得說。
值得讀的是那段製作說明。作者用的 ID 是 MandelDuck,他說自己在本地 ComfyUI 環境裡跑 MiniMax H3,把整集拆成五到六秒一個鏡頭,每個鏡頭都釘住首幀和尾幀,先把人物的長相鎖住,再用提示詞往目標演員那邊帶,音訊直接和畫面一起生成,沒有事後配音這一道工序。他講這些的時候語氣很平,像在複盤一件剛做完的家事,沒有一句在推銷工具。
方法就這麼多。沒有微調,沒有角色 LoRA,沒有製片廠那一套分工。一張節點圖,一張消費級顯卡,加上大量的耐心。整套流程攤開來,大概能寫在一張便條紙的背面。
一致性一直是那堵牆
試過給同一個人拍第二個鏡頭的人,都知道這類專案死在哪裡。第一個鏡頭看著是對的。第二個鏡頭鼻子差了一點,或者外套的顏色變了,或者髮際線飄了兩公分。到第四個鏡頭,你手上就是一張穿著同樣衣服的陌生臉,觀眾一眼就能看出不對勁,前面攢起來的那點信任全沒了。放在兩分鐘的短片裡還能糊過去,放在正片裡就是致命的。
常規的修法都很貴。訓一個角色 LoRA,你能在很窄的風格裡拿到一致性,但打光和機位就沒了靈活度。每次都餵一張參考圖,模型會把它當成建議而不是指令。先生成長段再剪掉漂移的部分,算力就花在了最後要丟掉的幀上,一個下午能燒掉不少,出來的東西還不一定能用。
首尾幀釘住是同一個思路的廉價版本,它管用,靠的是這類模型的調節方式。把一個鏡頭的兩端都交給模型,插值就有地方可以落。人物必須在某個具體時刻長成某張具體的臉,漂移能累積的空間就小了。把這些鏡頭串起來用,誤差不會像每個鏡頭只從一句提示詞開始時那樣越滾越大,因為每一段的終點都被上一段釘住了,鏈子越長,這一點越明顯。
代價落在接縫上。剪輯必須繞著釘住的幀來設計,於是你照著技術寫內容,而不是讓技術服務於內容。67 秒的片子能容忍這一點。七分鐘的片子大概不行,除非鏡頭數量翻上很多倍,而那又走回了拼鏡頭的老路,成本重新壓回來。
音畫同出,排程就變了
把音訊放進生成裡,而不是先生成默片再配音,省掉了一整個環節。也省掉了一整類對不上的問題:嘴型變成模型自己的事,不再是剪輯台上反覆對時間軸的事,對不上就整段重來。這個環節以前要單獨安排一個人盯著。
交換條件很直接,改一句台詞,那個鏡頭就得重渲一遍。對一個只靠一個笑話撐著的惡搞來說,這沒什麼。對任何劇本還會反覆改的東西來說,這是陷阱,改到第三版的時候你會想把前面的工作全丟掉,然後從頭再渲一遍。
它真正做到的,是把想法和成片之間的距離壓掉了。貼文裡得票最高的留言說的正是這件事:這種品質的梗圖,現在幾乎可以即時到貨。一週之前,同樣的笑話需要一個編劇、兩個配音員、一個剪輯,再加上一週的排期,現在是一個下午加幾次重渲。
放大的成本
按一季來算帳,畫面就變了。67 秒花掉一個下午的反覆試錯,加上一堆五秒鏡頭。同樣的鏡頭長度,22 分鐘一集大約要 260 個鏡頭,而單個鏡頭的失敗率不會因為熟練而下降,因為每換一個機位,一致性的問題就重置一次,前面攢的經驗基本用不上。
十五個鏡頭一個下午,一集就是兩週的全職工作。這還沒算寫本子,沒算模型自帶音效之外的聲音設計,也沒算有沒有人真的坐下來檢驗笑話到底響不響。一季是另一種專案,不是同一個專案的放大版。讓這次惡搞成立的技術,恰好也是給它設上限的那件東西,這一點不太好繞過去。
現在的工具就停在這麼個位置上:單一場景已經算解決了,一季還差得很遠,中間那段路沒有人願意免費走。
品管交給了觀眾
貼文裡的批評很具體,這是好跡象。George 的聲音還得練,Jerry 的已經很接近。頭髮讓人出戲。有個留言說口音有點尬,然後照樣給了八分。還有兩個人在爭某句台詞到底是在拿跨性別女性開玩笑,還是在拿 George 的期待開玩笑。爭到這種程度,說明大家是真的看完了。
這是一集正常電視劇會得到的待遇。沒有人再問這東西存不存在,大家在爭它好不好看。門檻從機器能不能做,挪到了東西好不好笑,後者難得多,拿來演示也無聊得多,因為笑不笑沒法靠參數調出來,只能一遍一遍看。
還有兩個小細節,關心成本的人可以留意。貼文裡有個關於渲染喝掉多少水和記憶體的段子,這種玩笑一般出現在帳單真實存在、但還沒大到讓人笑不出來的時候。另外還有一句 AMD 的梗,說明作者用的不是最顯眼的那套硬體,能把它跑起來本身就算一條經驗。
這對做情境喜劇的人意味著什麼
短期看,影響不大。67 秒的惡搞不是一季,也頂不上一次正片。難的部分是寫,而笑話不是模型寫的,功勞在人身上。
中期看,有意思的變化在於:一個可信的多鏡頭場景,技術門檻降到了一個人加一張中階顯卡。這道門檻以前是一個劇組,燈光、攝影、場記,缺一樣都拍不成。門檻之上的東西,品味、節奏、選角、一個讓人想看的理由,仍然是人的勞動,而現在它是唯一能把產出區分開的東西。
貼文裡真正讓人不舒服的問題,落在數量上。肖像和版權都是真問題,只是這次惡搞明顯是個玩笑,恰好繞開了它們。當一個像樣的假劇集只要一個下午,像樣的假劇集的數量就會漲上好幾個數量級,稀缺的東西從產能變成了注意力,而注意力是有上限的。
67 秒是件小事。這也是第一次,這套做法被公開寫下來,寫在一條 Reddit 留言裡,寫的人並沒有特別想教別人。一種技術通常就是在這一刻,從演示變成預設,之後就沒有人再解釋它是怎麼來的,因為大家都在用了。
相關文章
ByteDance 的 SeedRealtime 每秒只取兩張影格,再自己決定什麼時候開口
豆包 Seed-Realtime-1.0 把攝影機畫面、螢幕畫面和語音合成一個全雙工工作階段,每秒最多推兩張影格。有意思的決定是影格率、主動說話,以及預設就開著的審核回覆。
一台 server、一個 AI 主播:夜間直播背後的程式碼
open-yoki 是一個每晚在 Binance Square 直播的 AI 主播的生產程式碼,人格、聲音和跟錢有關的功能都拿掉了。headless Chrome 畫幀,ffmpeg 推 RTMP,一個 Markdown 資料夾決定她的情緒和要發的東西。
Pinky 讓 agent 開你的手機,並且一直按著傳送鍵,直到你按下允許
Pinky 把任何 MCP agent 接到真的 iPhone 或 Android 手機上,審批在自己的閘道裡執行,不寫成 prompt。銀行類 App 對 agent 不可見,密碼欄位碰不到,在 Android 13 上 agent 還能拿到一塊隱藏的第二螢幕。
有人把全世界的法律放進了 git,於是你可以 blame 一條法條
global-law 把每個國家的法令存成一個 git 儲存庫,每次 commit 就是一部在某個已知日期生效的法律。你可以對一條法規跑 log、blame、show 和 diff,查某一天各國在施行什麼法,並透過 MCP 把整份語料交給助理。