文|阿爾法工場
在當下的AI賽道上，AI聊天、繪畫一類的應用，早已枝繁葉茂。
然而，在此類同質化應用扎堆的情況下，一類頗有技術難度，也較少被人提及的方向，正在悄然崛起。
這就是最能調動人感官的視頻AI領域。
根據twitter上的作者Will 郎瀚威統(tǒng)計的圖表，今年8—9月，各大文生圖類AI網站的訪問量均開始呈現(xiàn)下降趨勢。
然而，就在這種情況下，國外知名視頻AI網站HeyGen的訪問量上升了92%，流量躍居各大獨立AI網站之首。
那么，為何此前一直默默無聞的視頻AI，最近突然異軍突起，蓋過了風頭正盛的文生圖類AI應用？
而在GPT-4V發(fā)布，多模態(tài)技術不斷取得突破的情況下，這一微妙的變化，又預示著什么？
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)高歌猛進背景下的一個插曲。
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AI巨頭，似乎都將下一階段競爭的焦點放在了多模態(tài)上。
那為何多模態(tài)成了巨頭眼中關鍵的“突破點”？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，如果缺乏相應的美術知識，以及各種專業(yè)的提示詞，也難以用AI畫出出色的作品。
而一個畫師如果沒有受過專業(yè)的寫作訓練，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。
根據知乎上一位視頻剪輯方面的從業(yè)者介紹，一個完整的視頻剪輯流程，包括了調色、整理素材、配字幕等一系列工作，要想熟練地進行剪輯，必須掌握PR、Edius、剪映等多種剪輯軟件，同時還需熟悉各種轉場、調色、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轉場、字幕遮罩、坡度變速等復雜的操作。
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，素材就會很不好找。有時盡管遇到了好的素材，也可能由于版權問題難以使用。
正是由于上述原因，視頻剪輯，注定不是一個簡單的、易于掌握的技能。
以國內知名網站B站為例，據一位B站上百萬粉絲的UP主團隊透露，為了保證視頻更新的效率、質量，這些賬號往往會配備數(shù)名較為熟練的剪輯人員，輪番進行剪輯。
那么，倘若有一種智能化的AI剪輯應用，能根據創(chuàng)作者想表達的思路，自動、高效地完成整個視頻的制作，視頻制作領域，又會發(fā)生怎樣的顛覆呢？
實際上，這樣的技術早已出現(xiàn)。
下面這兩張圖片，分別來自兩段不同的視頻片段。
你能分辨出哪個是真人，哪個是AI生成的嗎？
答案是：這兩個視頻都是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，就能達到和真人一樣的效果，即使是像手勢、面容和口型這種“細微肢體語言”也能調整。
而這類效果的實現(xiàn)，正是當下多模態(tài)技術發(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AI人像視頻的工具，主打的就是一個超逼真。
而實現(xiàn)這樣真實的視頻效果，步驟也非常簡單，只需完成選形象—寫文本—輸出三個步驟即可。
如果要論HeyGen與其他同類視頻AI應用最大的區(qū)別，就是它可以利用現(xiàn)有數(shù)據來創(chuàng)造全新和從未有過的內容。
以往的類似應用，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，更多是基于復制或處理已有的內容的AI技術。
這些技術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更多的時間和精力來準備和上傳素材，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、新聞等一應俱全，也可以自己編輯PPT生成。
同時，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、精簡地制作出各種適用于多種場景的視頻。
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自己的想法。
除了HeyGen之外，在視頻AI領域，許多正在蓄勢待發(fā)的類似應用，也已經在悄然崛起。
例如能直接將腳本轉化成視頻的Pictory.AI就是其中之一。
Pictory 允許用戶僅通過幾次點擊，就能將腳本轉化為配有逼真的AI語音、匹配的素材和音樂的專業(yè)質量視頻。
具體來說，在制作視頻時，用戶可以從Pictory 提供的多種模板中選擇一種，來設置視頻的樣式。
之后，Pictory 會根據用戶輸入的文本和選擇的模板和比例，自動地生成一個故事板。故事板是一個由多個場景組成的視頻序列，每個場景包含了文字、圖片、AI語音和一段音樂。
最后，用戶可以在故事板上預覽視頻的效果，并進行一些編輯和調整。
如此一來，團隊不需要昂貴的攝影師、剪輯師，也能制作出專業(yè)的、高質量的視頻。
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應用之一。
Wonder Studio 是一個基于網頁的視頻平臺，它可以讓用戶輕松地將任意的計算機生成的角色（CGI character）添加到任何場景中，使用AI技術來實現(xiàn)無縫的融合。
用戶只需要拍攝自己想要的場景，并上傳到網站上，Wonder Studio 的AI引擎就會自動分析場景中的演員的表演，包括他們的動作和面部表情，并將這些信息轉換成運動數(shù)據，然后用這些數(shù)據來驅動用戶選擇的CGI角色。
這樣，用戶就可以完美地用3D CGI角色替換真人演員，無需使用復雜的3D軟件或者昂貴的制作設備，例如動作捕捉服。
03 趨勢及國內現(xiàn)狀
從以上視頻AI的技術特點中，我們至少可以總結出目前視頻AI技術的兩大趨勢：
1、制作流程極大簡化
利用生成式AI技術，人們能夠以自動化、智能化的方式，將文本、圖像、音頻、視頻等多模態(tài)數(shù)據重新組合，來創(chuàng)造全新和從未有過的內容，在降低成本的同時，也打破了各個模態(tài)（或專業(yè)）之間的“技術壁壘”。
而這一壁壘的打破，正是生成式AI走向通用化、普及化的關鍵。
2、內容的多樣性和定制性
利用多模態(tài)AI的技術，人們能夠處理和關聯(lián)多種信息模態(tài)，從而在內容創(chuàng)作過程中，更好地表達自己的個性和風格，并適應不同的場合和目的。
這是以往受限于已有素材的單一模態(tài)技術難以實現(xiàn)的。
在上述兩大趨勢中，目前國內的視頻AI應用，只勉強做到了“簡化”這一步。
雖然國內目前也有一些與HeyGen類似的AI視頻應用，例如騰訊智影、一幀秒創(chuàng)、萬彩微影等。這些應用也利用了AI技術來簡化視頻創(chuàng)作過程，并提供了文本配音、文章轉視頻、數(shù)字人播報等功能。
然而，在具體的生成效果方面，國內應用的視頻清晰度、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，這類應用仍舊只能在平臺提供的素材庫內，選擇有限的元素進行創(chuàng)作，并且在某些類別（如數(shù)字人視頻）上，國產應用生成的視頻，也未達到HeyGen視頻那樣流暢、逼真的標準。
如果說，在本輪AI革命中，國內視頻AI技術僅僅止步于“降本”這一環(huán)節(jié)，從長遠來看，是遠遠不足以征服智能化時代的觀眾的。
從當下觀眾的態(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，是一種偷懶、不負責，且廉價的制作方式。
究其原因，是因為當下國內的部分AI技術，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技術的視頻，打上了“營銷號”的標簽。
面對這樣的環(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技術了，因為生怕被人當成“營銷號”，扣上“粗制濫造”的帽子。
生成式AI的進步，確實極大簡化了視頻制作的流程，但在已經到來的智能時代，觀眾們已經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”標簽，真正地讓作品具有感情和靈魂，除了一個勁兒地“降本”之外，在個性化、擬真度，以及素材豐富性方面，國產視頻AI還有很長的路要走。