美图把品牌 IP 的活拆成两个按钮:一个管脸,一个管动作

10 月 29 日到 11 月 1 日,第十七届海峡两岸文化产业博览交易会在厦门办。福建馆里,美图把 AI 影像创作平台 RoboNeo 摆了出来,重点落在三件更笨的事上:建一个自己的角色、围绕这个角色写连续的故事、把这个角色的动作搬到新画面里。
展会现场提需求的是个卖食品的商家。他想要一个有辨识度的品牌 IP,想跟热点一直出内容,但请专业团队太贵,自己又不会做。这个描述几乎就是中国 AI 视频真正的客户画像:不是影视公司,是没有预算、但必须每天发东西的中小商家。
长得像同一个人才是最难的部分
生图模型出单张早就不难了。难的是第二张、第五张、第二十张还是同一个人。
RoboNeo 给的解法叫「IP 形象风格锁定」:商家先建一个角色,之后围绕它批量出表情包、海报、商品图,官方说跨图的五官和服饰一致性有明显提升。这话听起来平淡,但在实际生产里,它决定了一件事能不能做成生意。你今天发的小猫和上周发的小猫不是同一只,观众记不住,IP 就不成立,账号只能一直靠单条爆款。
角色一致性的难点不在「画得像」,在「信息去哪了」。一张图里同时有身份(这是谁)、风格(用什么画的)、姿态、光照、构图。多轮生成时,如果不把这些拆开,模型每次都会重新猜一遍身份,猜错一点,脸就变了。业界的做法是把身份特征单独抽出来做成条件,比如参考图加身份编码,或者在潜空间里保留一块只放身份的区域。名字不重要,重要的是身份信息必须比风格信息更「硬」。
动作那一块,才是这次真正有意思的
RoboNeo 展示的动作捕捉,逻辑和一般的「视频转视频」不一样。它提取的是参考视频里的**人物比例、空间关系和镜头运动**,同时弱化原视频的外观特征。

这句话技术含量比它看起来高。视频驱动的动作迁移有两个老毛病:
一是**外观泄漏**。你想让自家卡通角色跳参考视频里那段舞,结果生成出来的人穿着参考视频那件衣服、长着参考视频那张脸。因为模型分不清「我要的是动作」还是「我要的是这段视频」。
二是**结构漂移**。动作幅度一大,人物比例就走形,手长脚短;镜头一动,前后景关系就乱。原因是条件信号里没有明确的骨架、深度和相机轨迹,模型只能从像素里猜。
把参考视频的信息按「结构」和「外观」分流,只让结构进条件,是这两年的主流方向:骨架给关节,深度图给前后遮挡,相机轨迹给运镜。听起来直白,工程上很脏,因为三路信号互相打架的时候,谁优先得靠调。RoboNeo 把这一套封进了商家能点的按钮里,这是产品层面的价值,不是论文层面的。
剧本工作台解决的是另一个漂移
第三个功能是剧本工作台,靠「剧本节点 + 项目记忆」:创作者用多轮对话把创作意图理清、把剧情拆开,再围绕既定角色往下推,做单元剧、微短剧。
这个功能看着像写剧本的工具,实际上管的是**跨集一致性**。一部短剧拍到第八集,人物的性格、关系、说过的话、去过的场景,全都得记得住。没有项目记忆,模型每一集都从零开始理解「这两个人是什么关系」,出来的东西必然前后打架。记忆层做得好不好,直接决定能不能做连续内容,而不只是做单条素材。
门槛降了,要求没降
文博会同期还有一件事可以对照着看。11 月 4 日央视在乌镇峰会的「直通乌镇」赛道里,报道了苏州相城的创业者秦文山:一个人带七个 AI 数字员工,执行总控、编剧、导演、分镜师、资产制作师、视频制作师、剪辑师,串成一条 AIGC 内容生产线。他的作品里,一部 AIGC 动画长片《一掌熊猫》入围了第十六届北京国际电影节,历史神话题材的《字圣仓颉》也宣布今年上线。相城已经布局了 36 个 OPC 社区,100 多家 OPC 企业完成备案。
「一人一公司」听起来很爽,但它对能力的要求其实更高了。以前你有摄影、灯光、剪辑、美术各一个人替你兜着,现在这些判断都得你自己下。工具把执行的门槛砍掉了,把审美的门槛留在了原地。
这也解释了为什么这类产品的竞争点正在从「能不能生成」挪到「能不能稳定地产出同一个东西」。一个商家要的不是一张惊艳的图,是三百张能用的图,而且这三百张里的人物得是同一个人,动作得符合他要卖的东西。
三个还没答案的问题
第一,动作精度的上限在哪。参考视频里如果是复杂的手部交互、快速转身、遮挡频繁,结构信息本身就不完整,再好的解耦也补不回来。
第二,镜头语言的物理合理性。提取了运镜不等于理解了运镜。真实的推拉摇移是有空间逻辑的,生硬地套到新场景里,观众会觉得晕。这块目前所有工具都还在凑。
第三,批量品控。单条能看和一百条都能看之间隔着一套流程:谁定标准、谁抽检、不合格的重做几次、成本怎么算。这一环不上工具,前面再漂亮也落不了地。
对中小商家来说,RoboNeo 这类平台真正的意义,是把「做一个 IP」从项目变成流水线。至于流水线能不能一直转,还得看它扛不扛得住上面这三个问题。