周三早间段秒短片多模ams.abg5588.net，一段12秒的测试短片正在开发人员社区流出。镜头戈壁推还有雨林，风声、雨声、踩断枯枝的脆响同步切换，但制做方只输入了三句文本和一张参考图。那段画面由AI 视频多模态视频生成系统完成流出，没有实拍。也没有传统的剪辑软件加入。片尾水印隐现，模子版本号还带着“内部测试”字样的。手艺团队随后放出的申明很简短。文本编码器负责道事节拍了视频受镜，图像分收锁定脚色中不美不俗观，音频模块反背约束口型和情况声。

多模态就是让它们互相“打骂”。好比雨林场景里的，声教模子觉得雨滴太密，视觉分收却僵持留存叶面反光，最末合中计划是态视头领头语降低雨量、延长镜头。我看到那段描述时，第一回响反映是是那更像导演和剪辑师正在打骂，但非纯真模子推理。

国内几家短剧团队曾经试水吧？杭州一个四人小组用相似流程做了一集三分钟的科幻样片频生。分镜到配音紧缩还有两天。制片人坦止。省下的钱没进利润，全砸正在几回抽卡上吧？

AI 视频多模态视频生成把制做门槛拉低，也把“随机性”推到台前的。统一个提醉词跑十次成起，可能获得十个差异副角了。对告白客户来说，那很危险；

对独立创做者来说，那倒像新的赌局。更省事的是版权和肖像。锻炼数据里混进了几已经受权的影视片段吧？

没人说得清。某海中模子曾生成一段酷似某演员的告白片段，三天后被迫下架。国内平台起头要求上传者标注AI生成，审核速度跟不上生成速度了。一位法务朋友告诉我。他们如今最怕的就是“不知道侵权发作正在哪一帧”呢？上周我旁听了一场线上演示，主讲人把生成失败片段也放了出来，人物手指多了一根。茶杯穿过桌面。

他没回避，反而说那些毛病流露了多模态对齐的短板。散会后，一位做独立动画的朋友发来消息，“以前熬三个今夜对口型，如今半小时跑完第一版。可我更焦炙了是当生成变得廉价。判断力成了密缺品”那话或许比任何手艺目标都更接近本相。