67秒的假情景喜剧,一个人在家用中国视频模型做出来了

本月 Reddit 上出现了一集 67 秒的九十年代情景喜剧。里头的两个角色,长相和声音都像 Jerry 和 George,场景是一间重新搭出来的公寓,现实里从来没有过。标题里就写明了这是 AI 生成的。热评里没有人去争论它是不是生成的,大家争论的是那个笑话到底好不好笑。这一点比片子本身更值得说。
值得读的是那段制作说明。作者用的 ID 是 MandelDuck,他说自己在本地 ComfyUI 环境里跑 MiniMax H3,把整集拆成五到六秒一个镜头,每个镜头都钉住首帧和尾帧,先把人物的长相锁住,再用提示词往目标演员那边带,音频直接和画面一起生成,没有事后配音这一道工序。他讲这些的时候语气很平,像在复盘一件刚做完的家务,没有一句在推销工具。
方法就这么多。没有微调,没有角色 LoRA,没有制片厂那一套分工。一张节点图,一张消费级显卡,加上大量的耐心。整套流程摊开来,大概能写在一张便签的背面。
一致性一直是那堵墙
试过给同一个人拍第二个镜头的人,都知道这类项目死在哪里。第一个镜头看着是对的。第二个镜头鼻子差了一点,或者外套的颜色变了,或者发际线飘了两厘米。到第四个镜头,你手上就是一张穿着同样衣服的陌生脸,观众一眼就能看出不对劲,前面攒起来的那点信任全没了。放在两分钟的短片里还能糊过去,放在正片里就是致命的。
常规的修法都很贵。训一个角色 LoRA,你能在很窄的风格里拿到一致性,但打光和机位就没了灵活度。每次都喂一张参考图,模型会把它当成建议而不是指令。先生成长段再剪掉漂移的部分,算力就花在了最后要扔掉的帧上,一个下午能烧掉不少,出来的东西还不一定能用。
首尾帧钉住是同一个思路的廉价版本,它管用,靠的是这类模型的调节方式。把一个镜头的两端都交给模型,插值就有地方可以落。人物必须在某个具体时刻长成某张具体的脸,漂移能积累的空间就小了。把这些镜头串起来用,误差不会像每个镜头只从一句提示词开始时那样越滚越大,因为每一段的终点都被上一段钉住了,链子越长,这一点越明显。
代价落在接缝上。剪辑必须绕着钉住的帧来设计,于是你照着技术写内容,而不是让技术服务于内容。67 秒的片子能容忍这一点。七分钟的片子大概不行,除非镜头数量翻上很多倍,而那又走回了拼镜头的老路,成本重新压回来。
音画同出,排期就变了
把音频放进生成里,而不是先生成默片再配音,省掉了一整个环节。也省掉了一整类对不上的问题:口型变成模型自己的事,不再是剪辑台上反复对时间轴的事,对不上就整段重来。这个环节以前要单独安排一个人盯着。
交换条件很直接,改一句台词,那个镜头就得重渲一遍。对一个只靠一个笑话撑着的恶搞来说,这没什么。对任何剧本还会反复改的东西来说,这是陷阱,改到第三版的时候你会想把前面的工作全扔掉,然后从头再渲一遍。
它真正做到的,是把想法和成片之间的距离压掉了。帖子里得票最高的评论说的正是这件事:这种质量的梗图,现在几乎可以实时到货。一周之前,同样的笑话需要一个编剧、两个配音演员、一个剪辑,再加上一周的排期,现在是一个下午加几次重渲。
放大的成本
按一季来算账,画面就变了。67 秒花掉一个下午的反复试错,加上一堆五秒镜头。同样的镜头长度,22 分钟一集大约要 260 个镜头,而单个镜头的失败率不会因为熟练而下降,因为每换一个机位,一致性的问题就重置一次,前面攒的经验基本用不上。
十五个镜头一个下午,一集就是两周的全职工作。这还没算写本子,没算模型自带音效之外的声音设计,也没算有没有人真的坐下来检验笑话到底响不响。一季是另一种项目,不是同一个项目的放大版。让这次恶搞成立的技术,恰好也是给它设上限的那件东西,这一点不太好绕过去。
现在的工具就停在这么个位置上:单个场景已经算解决了,一季还差得很远,中间那段路没有人愿意免费走。
品控交给了观众
帖子里的批评很具体,这是好迹象。George 的声音还得练,Jerry 的已经很接近。头发让人出戏。有个评论说口音有点尬,然后照样给了八分。还有两个人在争某句台词到底是在拿跨性别女性开玩笑,还是在拿 George 的期待开玩笑。争到这种程度,说明大家是真的看完了。
这是一集正常电视剧会得到的待遇。没有人再问这东西存不存在,大家在争它好不好看。门槛从机器能不能做,挪到了这东西好不好笑,后者难得多,拿来演示也无聊得多,因为笑不笑没法靠参数调出来,只能一遍一遍看。
还有两个小细节,关心成本的人可以留意。帖子里有个关于渲染喝掉多少水和内存的段子,这种玩笑一般出现在账单真实存在、但还没大到让人笑不出来的时候。另外还有一句 AMD 的梗,说明作者用的不是最显眼的那套硬件,能把它跑起来本身就算一条经验。
这对做情景喜剧的人意味着什么
短期看,影响不大。67 秒的恶搞不是一季,也顶不上一次正片。难的部分是写,而笑话不是模型写的,功劳在人身上。
中期看,有意思的变化在于:一个可信的多镜头场景,技术门槛降到了一个人加一张中端显卡。这道门槛以前是一个剧组,灯光、摄影、场记,缺一样都拍不成。门槛之上的东西,品味、节奏、选角、一个让人想看的理由,仍然是人的劳动,而现在它是唯一能把产出区分开的东西。
帖子里真正让人不舒服的问题,落在数量上。肖像和版权都是真问题,只是这次恶搞明显是个玩笑,恰好绕开了它们。当一个像样的假剧集只要一个下午,像样的假剧集的数量就会涨上几个数量级,稀缺的东西从产能变成了注意力,而注意力是有上限的。
67 秒是件小事。这也是第一次,这套做法被公开写下来,写在一条 Reddit 评论里,写的人并没有特别想教别人。一种技术通常就是在这一刻,从演示变成默认,之后就没有人再解释它是怎么来的,因为大家都在用了。
相关文章
「宿命感拉满的橘子海剪影」:一句提示词把情绪拆成了参数
11 月 19 日到 20 日,小红书和抖音同时刷起「橘子海剪影」。点进去会发现多数人并没有站在落日下,他们把自己的一张照片交给豆包,出来的是一张 3:4 竖版情绪海报。这套氛围被拆成了十几个写得明明白白的参数。
ByteDance 的 SeedRealtime 每秒只取两帧,再自己决定什么时候开口
豆包 Seed-Realtime-1.0 把摄像头画面、屏幕画面和语音合成一个全双工会话,每秒最多推两帧。有意思的决定是帧率、主动说话,以及默认就开着的审核回复。
Cicada 直接听会议的系统音频,会议室里没有机器人
Cicada 是 Mac、Windows、Linux 和 Android 上的免费应用,从系统音频里写出双语字幕和结构化会议笔记。按住一个键,你能用自己克隆出来的声音,把回复用另一种语言说出去。整个过程里没有机器人加入通话。
一台 server、一个 AI 主播:夜间直播背后的代码
open-yoki 是一个每晚在 Binance Square 直播的 AI 主播的生产代码,人格、声音和跟钱有关的功能都拿掉了。headless Chrome 画帧,ffmpeg 推 RTMP,一个 Markdown 文件夹决定她的情绪和要发的东西。