文|阿爾法工場(chǎng)
在當(dāng)下的AI賽道上，AI聊天、繪畫一類的應(yīng)用，早已枝繁葉茂。
然而，在此類同質(zhì)化應(yīng)用扎堆的情況下，一類頗有技術(shù)難度，也較少被人提及的方向，正在悄然崛起。
這就是最能調(diào)動(dòng)人感官的視頻AI領(lǐng)域。
根據(jù)twitter上的作者Will 郎瀚威統(tǒng)計(jì)的圖表，今年8—9月，各大文生圖類AI網(wǎng)站的訪問量均開始呈現(xiàn)下降趨勢(shì)。
然而，就在這種情況下，國外知名視頻AI網(wǎng)站HeyGen的訪問量上升了92%，流量躍居各大獨(dú)立AI網(wǎng)站之首。
那么，為何此前一直默默無聞的視頻AI，最近突然異軍突起，蓋過了風(fēng)頭正盛的文生圖類AI應(yīng)用？
而在GPT-4V發(fā)布，多模態(tài)技術(shù)不斷取得突破的情況下，這一微妙的變化，又預(yù)示著什么？
01 多模態(tài)的前奏
從AI發(fā)展的大格局上來說，HeyGen的這波流量上升，或許只是多模態(tài)高歌猛進(jìn)背景下的一個(gè)插曲。
從谷歌宣布Gemini具有多模態(tài)功能的消息，到OpenAI發(fā)布GPT-4V，各個(gè)AI巨頭，似乎都將下一階段競(jìng)爭(zhēng)的焦點(diǎn)放在了多模態(tài)上。
那為何多模態(tài)成了巨頭眼中關(guān)鍵的“突破點(diǎn)”？原因或許就在于，其具有打破“專業(yè)壁壘”的意義。
在多模態(tài)尚未取得突破之前，不同模態(tài)、領(lǐng)域之間，存在著巨大的鴻溝。
寫文案，做編輯的人，即使再妙筆生花，如果缺乏相應(yīng)的美術(shù)知識(shí)，以及各種專業(yè)的提示詞，也難以用AI畫出出色的作品。
而一個(gè)畫師如果沒有受過專業(yè)的寫作訓(xùn)練，缺乏謀篇布局的思路，也難以憑借AI寫出上乘的文章。
類似的“壁壘”，在視頻剪輯方面，也同樣存在著。
根據(jù)知乎上一位視頻剪輯方面的從業(yè)者介紹，一個(gè)完整的視頻剪輯流程，包括了調(diào)色、整理素材、配字幕等一系列工作，要想熟練地進(jìn)行剪輯，必須掌握PR、Edius、剪映等多種剪輯軟件，同時(shí)還需熟悉各種轉(zhuǎn)場(chǎng)、調(diào)色、粒子特效等插件的使用。
如果想讓視頻呈現(xiàn)更豐富的效果，還要掌握b-roll轉(zhuǎn)場(chǎng)、字幕遮罩、坡度變速等復(fù)雜的操作。
此外，素材的搜集和整理，也是剪輯工作中的一大“苦活”，倘若題材較為冷門，素材就會(huì)很不好找。有時(shí)盡管遇到了好的素材，也可能由于版權(quán)問題難以使用。
正是由于上述原因，視頻剪輯，注定不是一個(gè)簡(jiǎn)單的、易于掌握的技能。
以國內(nèi)知名網(wǎng)站B站為例，據(jù)一位B站上百萬粉絲的UP主團(tuán)隊(duì)透露，為了保證視頻更新的效率、質(zhì)量，這些賬號(hào)往往會(huì)配備數(shù)名較為熟練的剪輯人員，輪番進(jìn)行剪輯。
那么，倘若有一種智能化的AI剪輯應(yīng)用，能根據(jù)創(chuàng)作者想表達(dá)的思路，自動(dòng)、高效地完成整個(gè)視頻的制作，視頻制作領(lǐng)域，又會(huì)發(fā)生怎樣的顛覆呢？
實(shí)際上，這樣的技術(shù)早已出現(xiàn)。
下面這兩張圖片，分別來自兩段不同的視頻片段。
你能分辨出哪個(gè)是真人，哪個(gè)是AI生成的嗎？
答案是：這兩個(gè)視頻都是100%由AI生成的人像視頻。
而它們均出自此前提到的HeyGen之手。
在HeyGen上，用戶只需要用上傳一段2分鐘的小視頻，就能達(dá)到和真人一樣的效果，即使是像手勢(shì)、面容和口型這種“細(xì)微肢體語言”也能調(diào)整。
而這類效果的實(shí)現(xiàn)，正是當(dāng)下多模態(tài)技術(shù)發(fā)力的開端。
02 視頻AI之力
上面所有這些視頻都出自HeyGen的Joshua Avatar 2.0，一款A(yù)I人像視頻的工具，主打的就是一個(gè)超逼真。
而實(shí)現(xiàn)這樣真實(shí)的視頻效果，步驟也非常簡(jiǎn)單，只需完成選形象—寫文本—輸出三個(gè)步驟即可。
如果要論HeyGen與其他同類視頻AI應(yīng)用最大的區(qū)別，就是它可以利用現(xiàn)有數(shù)據(jù)來創(chuàng)造全新和從未有過的內(nèi)容。
以往的類似應(yīng)用，例如D-ID，雖然也能讓用戶從照片或者AI形象中生成視頻，但是這樣的技術(shù)，更多是基于復(fù)制或處理已有的內(nèi)容的AI技術(shù)。
這些技術(shù)雖然也可以制作視頻，但是需要用戶提供自己的照片或錄音，或者從D-ID提供的一些固定的AI形象中選擇。這樣就需要用戶花費(fèi)更多的時(shí)間和精力來準(zhǔn)備和上傳素材，也限制了用戶的選擇和定制空間。
而相較之下，HeyGen的技術(shù)則可以讓用戶從文本中直接生成視頻，并使用多種不同的AI形象和聲音。
目前，HeyGen提供超過100+數(shù)字人素材和模板，廣告、電商、新聞等一應(yīng)俱全，也可以自己編輯PPT生成。
同時(shí)，HeyGen還支持300+不同音色和40+語言，以及視頻翻譯功能。用戶可以一鍵將視頻無縫地翻譯成其他語言，這對(duì)于跨國和多語言的溝通非常有用。
通過這種定制化的、排列組合的方式，HeyGen可以快速、精簡(jiǎn)地制作出各種適用于多種場(chǎng)景的視頻。
而這樣的高自由度，也讓HeyGen使許多不精通視頻剪輯的人，打破了以往“技能邊界”，可以恣意地用視頻表達(dá)自己的想法。
除了HeyGen之外，在視頻AI領(lǐng)域，許多正在蓄勢(shì)待發(fā)的類似應(yīng)用，也已經(jīng)在悄然崛起。
例如能直接將腳本轉(zhuǎn)化成視頻的Pictory.AI就是其中之一。
Pictory 允許用戶僅通過幾次點(diǎn)擊，就能將腳本轉(zhuǎn)化為配有逼真的AI語音、匹配的素材和音樂的專業(yè)質(zhì)量視頻。
具體來說，在制作視頻時(shí)，用戶可以從Pictory 提供的多種模板中選擇一種，來設(shè)置視頻的樣式。
之后，Pictory 會(huì)根據(jù)用戶輸入的文本和選擇的模板和比例，自動(dòng)地生成一個(gè)故事板。故事板是一個(gè)由多個(gè)場(chǎng)景組成的視頻序列，每個(gè)場(chǎng)景包含了文字、圖片、AI語音和一段音樂。
最后，用戶可以在故事板上預(yù)覽視頻的效果，并進(jìn)行一些編輯和調(diào)整。
如此一來，團(tuán)隊(duì)不需要昂貴的攝影師、剪輯師，也能制作出專業(yè)的、高質(zhì)量的視頻。
同樣地，用3D CGI角色替換真人演員的Wonder Studio，也是旨在提高視頻制作效率的AI應(yīng)用之一。
Wonder Studio 是一個(gè)基于網(wǎng)頁的視頻平臺(tái)，它可以讓用戶輕松地將任意的計(jì)算機(jī)生成的角色（CGI character）添加到任何場(chǎng)景中，使用AI技術(shù)來實(shí)現(xiàn)無縫的融合。
用戶只需要拍攝自己想要的場(chǎng)景，并上傳到網(wǎng)站上，Wonder Studio 的AI引擎就會(huì)自動(dòng)分析場(chǎng)景中的演員的表演，包括他們的動(dòng)作和面部表情，并將這些信息轉(zhuǎn)換成運(yùn)動(dòng)數(shù)據(jù)，然后用這些數(shù)據(jù)來驅(qū)動(dòng)用戶選擇的CGI角色。
這樣，用戶就可以完美地用3D CGI角色替換真人演員，無需使用復(fù)雜的3D軟件或者昂貴的制作設(shè)備，例如動(dòng)作捕捉服。
03 趨勢(shì)及國內(nèi)現(xiàn)狀
從以上視頻AI的技術(shù)特點(diǎn)中，我們至少可以總結(jié)出目前視頻AI技術(shù)的兩大趨勢(shì)：
1、制作流程極大簡(jiǎn)化
利用生成式AI技術(shù)，人們能夠以自動(dòng)化、智能化的方式，將文本、圖像、音頻、視頻等多模態(tài)數(shù)據(jù)重新組合，來創(chuàng)造全新和從未有過的內(nèi)容，在降低成本的同時(shí)，也打破了各個(gè)模態(tài)（或?qū)I(yè)）之間的“技術(shù)壁壘”。
而這一壁壘的打破，正是生成式AI走向通用化、普及化的關(guān)鍵。
2、內(nèi)容的多樣性和定制性
利用多模態(tài)AI的技術(shù)，人們能夠處理和關(guān)聯(lián)多種信息模態(tài)，從而在內(nèi)容創(chuàng)作過程中，更好地表達(dá)自己的個(gè)性和風(fēng)格，并適應(yīng)不同的場(chǎng)合和目的。
這是以往受限于已有素材的單一模態(tài)技術(shù)難以實(shí)現(xiàn)的。
在上述兩大趨勢(shì)中，目前國內(nèi)的視頻AI應(yīng)用，只勉強(qiáng)做到了“簡(jiǎn)化”這一步。
雖然國內(nèi)目前也有一些與HeyGen類似的AI視頻應(yīng)用，例如騰訊智影、一幀秒創(chuàng)、萬彩微影等。這些應(yīng)用也利用了AI技術(shù)來簡(jiǎn)化視頻創(chuàng)作過程，并提供了文本配音、文章轉(zhuǎn)視頻、數(shù)字人播報(bào)等功能。
然而，在具體的生成效果方面，國內(nèi)應(yīng)用的視頻清晰度、素材豐富度，以及定制化功能方面，仍與HeyGen等應(yīng)用有著較大差距。
騰訊智影的數(shù)字人視頻，可選素材比較有限
從總體上來說，這類應(yīng)用仍舊只能在平臺(tái)提供的素材庫內(nèi)，選擇有限的元素進(jìn)行創(chuàng)作，并且在某些類別（如數(shù)字人視頻）上，國產(chǎn)應(yīng)用生成的視頻，也未達(dá)到HeyGen視頻那樣流暢、逼真的標(biāo)準(zhǔn)。
如果說，在本輪AI革命中，國內(nèi)視頻AI技術(shù)僅僅止步于“降本”這一環(huán)節(jié)，從長(zhǎng)遠(yuǎn)來看，是遠(yuǎn)遠(yuǎn)不足以征服智能化時(shí)代的觀眾的。
從當(dāng)下觀眾的態(tài)度來看，AI制作的視頻仍處于一種“不受待見”的狀態(tài)，很多觀眾仍然覺得，在視頻中使用AI技術(shù)，是一種偷懶、不負(fù)責(zé)，且廉價(jià)的制作方式。
究其原因，是因?yàn)楫?dāng)下國內(nèi)的部分AI技術(shù)，仍未突破一種感官上的閾值，仍然讓人明顯覺察到“這不是人做的”。
于是就給人造成了一種“沒有感情”、“粗制濫造”的印象。
更有甚者，甚至將那些使用了AI技術(shù)的視頻，打上了“營(yíng)銷號(hào)”的標(biāo)簽。
面對(duì)這樣的環(huán)境，任何珍惜自己羽毛的視頻創(chuàng)作者，都不敢輕易使用AI技術(shù)了，因?yàn)樯卤蝗水?dāng)成“營(yíng)銷號(hào)”，扣上“粗制濫造”的帽子。
生成式AI的進(jìn)步，確實(shí)極大簡(jiǎn)化了視頻制作的流程，但在已經(jīng)到來的智能時(shí)代，觀眾們已經(jīng)不想再看到那些批量的、流水線式的“低劣”視頻了。
而要想摘掉這樣的“低劣”標(biāo)簽，真正地讓作品具有感情和靈魂，除了一個(gè)勁兒地“降本”之外，在個(gè)性化、擬真度，以及素材豐富性方面，國產(chǎn)視頻AI還有很長(zhǎng)的路要走。