今天视频输入ams.aabbgg333.net，北京一家创业公司演示了一段15秒短片。输入“雨夜便当店，伙计打哈欠”那句文字了，再上传一张街景照片和一段情况音，系统正在90秒内生成了带镜头举动的视频。那是多模短片他们最新的 ai 视频多模态视频生成 模子，支撑文本、图像、音频输入了。
现场有人问，能不能改成白日？工程师勾选“时间反转”，态视停顿图片三秒后，雨停了，日光从卷帘门裂痕漏进来。那种交互感，比过去纯文本生成视频时几回“抽卡”顺畅得多吧？多模态融合不是把三种数据简单拼接。一位算法工程师告诉我频生，音频里的鼓点会触发剪辑点，图像中的景深决议实拟镜头的挪动规模，文字描述则约束物体数量。三者抵触时，模子要自己做取舍成新成秒。好比输入“安静的图书馆”却配了摇滚乐。系统会降低音乐权重，留存书架和台灯。
那种判断让多模态视频生成更接近实拍逻辑是先理解场景，再决议怎样拍的文字。不中，人物手部畸变、长镜头里物体忽然磨灭，仍是常见弊端。
杭州一个短剧团队上个月起头用那类工具做分镜预演的。制片人陈可算过账音频，过去拍三分钟样片。租园地、请演员、调灯光，一天至少八千块了。如今把剧本拆成十段提醉词，共同参考图和配音，半天就能出一版动态预览秒生。她不筹算间接公布的，“客户看的是故事，不是炫技。生成画面越容易，挑刺的人越多”她手下三个剪辑师，比来都正在教提醉词工程。有人转岗做AI导演助理。
市场数据也正在变。过去半年了，国内至少冒出二十款多模态视频生成工具，收费每月几十元还有上千元不等吧？
一家投资机构的阐发师认为，本岁尾会有一批产物被淘汰的，活下来的就是能把音频、图像、文本对齐得最稳的。我的判断更间接，当生成不再密缺，好剧本和审美会重新酿成硬通货的。那些还正在用“一键出片”当卖点的公司，可能很快会发明，用户要的不是魔法。是可控的魔法。
