九步换掉视频里的人,审批绑在文件哈希上

一个叫 Genjustsu 的仓库 10 月 6 日出现,1454 星,标题就是一句话:你的场景,新角色。
它是一个本地 UI 加一条代理工作流,用来换掉视频里的主体。彩色深度、SAM 3 遮罩,再通过 Enhancor 调用 Seedance Edit 或 Omni。先出草稿,1080p 之前要审批,最终导出还原整条原始音轨,而不是模型生成的任何音频。
最后那句值得读两遍。
这条流水线到底做什么
README 列了九步,具体得少见,所以能被检验,而不是只能向往。
原片原样保存。用 Replicate 上的 Demucs 抽音频,把人声和音乐分开。把人声升三个半音,用 Rubber Band 保持时长不变。工作视频统一到 24 fps、最长边 960 像素。从 `lucataco/depth-anything-video` 取彩色深度,保留它返回的颜色。跑 SAM 3 在这层深度上产出原始 PNG 遮罩,再检查对齐、覆盖和背景溢出。把深度主体合成回原背景。
然后是闸门。整段片子的遮罩必须目视复核,审批绑定当前产物的哈希。上游任何东西一变,审批即失效。
合成后的 MP4 带着升高的人声。它送给 Seedance,附角色参考,不带独立音轨——这里做过一个决定:给视频模型一条干净的人声,等于给它可以模仿的东西。Edit 处理图像参考,Omni 和多参考处理视频身份参考。默认草稿。轮询、下载、丢掉生成的音频、把完整原声贴回去。满意了,批准 1080p 那一遍,再还原一次音轨。
那三个半音
升调是最有意思又没解释的一步,README 没解释。
更可能是推理出来的而不是写明的设计,那就按推理看:人声升三个半音、时长不变,得到的音轨和口型对得上,又没有把原始音高的人声交出去。口型同步靠时长保持不变。模型听到的东西足够像,又不够干净到能当声音样本。
不管意图是什么,成品上的效果很明确。原始音轨最后整条贴回。输出保留源音频,换掉画面,这与通常的取舍相反。多数视频工具为生成的帧生成配套音频;这个把音频当作不变量。
这个选择有技术形状,也有法律形状。声音是某个人的,工作流被设计成模型从不干净地拿到它,导出也从不使用生成的替代品。
哈希绑定的审批才是真正的贡献
强制复核遮罩不算新鲜。新鲜的是审批绑在产物哈希上。
看后果:审批不是一种心态,是对一组具体文件的签名。换遮罩、换深度、换合成,签名作废。生成不会带着过期审批往下走。
跑过带人工复核环节的生产流水线的人都知道这防的是什么。复核者批准了第四版。有人修了一处,第五版渲染出来,然后第五版上线了,因为队列往前走了。哈希绑定把「已批准」指向字节而不是某个瞬间,堵上了这个缺口。
还有两个细节同理。草稿比成片便宜,所以审批做两次,960 像素一次,1080p 一次。审批绑产物而不是 job id,意味着同一个 job 不能在旧签字下换新输入重跑。
跑起来要什么
Python 3.12 以上、Rubber Band CLI、cloudflared。macOS 上 `brew install rubberband cloudflared`。Ubuntu、Debian 或 WSL 上 `sudo apt install rubberband-cli python3-venv`,再加 cloudflared。然后:
bash setup.sh
它会建一个隔离的 virtualenv,装依赖,生成空的 `.env`,检查依赖。你填自己的 `ENHANCOR_API_KEY` 和 `REPLICATE_API_TOKEN`。然后 `./start.command` 在 `127.0.0.1:8770` 打开 UI,`doctor.py --require-keys` 告诉你还缺什么。
cloudflared 这个依赖不是装饰。Enhancor 需要一个 webhook URL,所以没配自己的时候,启动器会起一个只收回调的 Quick Tunnel。UI 和媒体留在 localhost,隧道只用来接回调。原生 Windows 用户被告知用 WSL2。
默认的托管方案不需要本地权重,也不需要 GPU。这是主要的架构决定:重活是别人的 API,仓库是编排、复核闸门和音频手术。
还有一条代理路径。用编码代理打开文件夹,指向 `docs/SETUP-AGENT.md` 和 `.agents/skills/tein-video-workflow/SKILL.md`,它会识别系统、装前置、建环境、跑本地测试、启动应用、验证就绪。README 里有现成的提示词,结尾一句值得注意:不要提交付费生成。
漏斗是看得见的,这没问题
仓库是 MIT。横幅里也链到一个 TEIN AI 候补名单,和一个自称市场上最便宜的 Enhancor API 页面。工作流是这个形状,一部分原因是它需要一个托管的换主体模型,而作者在卖这个访问权。
对读者来说,这改变了项目是什么。你不能完全离线跑,所以你拿到的是一份围绕付费 API 的工作流的详细参考实现。文档质量是值得读的理由,买不买 API 都一样。
能迁移的部分是顺序:保护源片、分离音频、在生成前切断身份链接、给遮罩加人工闸门、把审批绑到文件、生成两遍、还原原始音轨。没有一样只属于 Seedance 或 Enhancor。
这件事会走到哪
视频里的主体替换技术上早就能做。缺的是一个品牌或工作室能在评审里自辩的生产形状:源片完好、审批带哈希、声音没变。
这个仓库是个带商业尾巴的小开源项目,读它的人大概多半不会真跑。九步仍然值得读,因为它们描述的是当模型只是众多组件之一、而不是产品本身时,可追责的视频剪辑长什么样。
相关文章
一份社区维护的点击表,关掉了国产 Android 系统里的广告
它不动系统,不解锁,不刷机,只把厂商本来就留出来的开关一个个拨过去。代价是这份名单得一直有人续写。
GPT Image 2.6 守住 token 价格,账单却涨了
GPT Image 2.6 沿用了 2.5 的全部 token 费率,单张图却更贵,因为更多的活现在花在输出 token 上。上线十一天,定价结构说的比排行榜更多。
有人从外部重建了 IDM,并写下了自己没有碰过的部分
Mister Download Manager 用 Rust 重写了 Internet Download Manager 的下载流程,声称速度快 5 倍、支持 86 种语言。更值得细读的,是它解释如何在不复制任何代码的前提下完成重写的那一段。
Rune 是一个 Rust UI 框架,设计初衷是让 agent 能检查自己的工作
Rune 能无头渲染、导出元素树并接受脚本化输入,这让编码 agent 拿到截图永远给不了的东西,一个可 diff 的信号。这个框架仍是预发布版本,不接受 pull request。