先給大伙看個視頻吧。

很酷炫的大片場景對吧，特效和氛圍都很上頭。

但如果我告訴你，這片子是純 AI 生成的呢？AI 的飛速發展，讓肉眼好像已經分不清，特效和 AI 的區別了。

但估計大多數人跟我一樣，都是光看不練，或者說練過，但《從入門到入土》。

原因就一句話：這玩意太容易勸退了。

想要完成度高一點，就得自己部署個模型，搞點穩定可控的 Workflow 。但那一堆密密麻麻的參數，普通人是調不明白的。

想隨便玩玩的，可以上在線網站，但效果相當于抽卡，每抽一發就要花錢。像之前網上大家刷到的 ASMR 切水果，大多都是谷歌的 Veo 之類生成的，國內的大伙也很難用上。

被折磨了許久后，世超最后的答案，是一個大伙耳熟能詳的東西——豆包。

你別不信，這濃眉大眼的豆包悄悄進化了。最近，它的視頻模型更新到了 Seedance 1.5 pro，而且支持了音畫同步，效果媲美谷歌。用完后我只想說，想自己搓 AI 視頻的朋友們，好日子來了。

具體有多強，還是看世超表演吧。

大伙都知道，以前國內大部分視頻模型只能演默片，而現在，豆包的聲音和畫面已經配合得出神入化了。

而且我感覺最突出的特征，是它的理解力，就是不用寫什么詳細提示詞，它會自動理解畫面和文字，生成你想配的聲音。

首先出場的是我們的老演員，火鍋。

我們丟給它一張火鍋近照，并直接跟豆包講：“讓圖中的金毛進入水坑跑一圈?！?/p>

它很好地理解了我的需求，畫面里的金毛和水的效果都沒啥問題，還很好地區分了在地上和水里的腳步聲，甚至知道是戶外，配上了鳥叫，整個一生機勃勃萬物競發，理解力沒得說吧。

然后我們用同樣的提示詞，發給谷歌的 Veo 來做了個對比。講真，世超是覺得大差不差的，二者的物理效果和音效都很逼真，甚至俺覺得豆包更還原了手機麥克風的錄音感。

為了證明不是詐胡，我又傳了一張雙人演奏的圖，我也沒告訴它哪個是吉他，哪個是貝斯。

結果出來，還真是兩種動靜都有，甚至還加上了鼓點。差友們可以測一下自己的聽力和耳機的表現，看看能不能聽見貝斯。

除了圖生視頻，咱還可以直接不給圖，讓豆包文生視頻，這考驗的就是豆包的想象力了。

我讓它生成了一段像素風格游戲畫面，哥們小的時候巨愛玩。

結果效果真的很逼真，甚至感覺比我記憶里的游戲還好，起飛和落地的碰撞粒子效果都做出來了，背景音樂也是經典的 8-bit 風格。

8-bit 像素藝術風格，勇者在夕陽背景下從左往右奔跑跳躍，帶著泥土的粒子特效，畫面帶有復古 CRT 顯示器的掃描線效果。動作流暢，配合復古 8-bit 電子游戲音樂（Chiptune）與跳躍音效，音畫節奏緊密協同，完美還原紅白機時代的經典游戲畫面質感。

2D 游戲有了，3A 大作呢？世超也試了一下，傳給它一張黑神話的游戲截圖。

結果不僅畫面不錯，一致性也保持得很好。我們讓猴哥乘上了筋斗云向天上飛去，猴哥的模型我目測來看是沒怎么崩，而且還有加分項，配上了史詩級的音樂，豆老師在音樂細胞這塊可真沒得說啊。。。

為了考驗豆包的對人臉的一致性，我們又請出了鬼畜區頂流，跟諸葛亮對噴的王朗，不過這次演的是王朗認錯人的戲碼。

這人物的小表情和小動作都刻畫得很有味道啊，看見對方卻不認識的短暫遲疑，短暫思索，還有認錯人之后的尷尬解圍，表演得都非常自然，臉部的一致性也保持得很好。

王朗眉頭一皺，發現事情并不簡單。

所以呢，整了這么多活，意思是只能發發小視頻咯，能不能真有專業電影級的用途呢？

能的，能的。眾所周知，影片不僅要畫面精致，還得有鏡頭語言和臺詞吧。

而這些，豆包真的都能拿下。

我找了張廢墟中的男人的圖，讓它 Cos 一下面壁者羅輯，然后讓攝像頭繞著羅輯轉，模擬智子視角。

豆包的鏡頭還是很穩的，人物的臉也保持了原有的特征，再加上這性感氣泡音，三體人真的不是被顏值折服的嗎？

而且，你也不需要有大導演級別的用詞，什么推拉搖移跟升甩降，你甚至直接可以說，我就想要個有故事感的鏡頭。。

于是，它就把鏡頭緊緊鎖在金毛身上了，因為它清楚，這是主角兒。

而世超最喜歡的，其實是這次模型的面部情感表達。我嘰里咕嚕瞎敲了一堆提示詞給它，什么心酸勞累，什么重燃希望，全喂給它了。

都市風格，中年東亞女性，特寫捕捉她的臉上的勞累苦楚，隨著夕陽灑在臉上，神情轉為充滿希望的微表情變化。人物皮膚具備真實膠片質感，淺景深背景虛化。比例 16:9，時長 10s，模型 1.5 Pro。

結果它居然表達得很好，真就給我了一種鏡頭里的人活了的感覺，眼里充滿了這些年的辛酸與淚水。

之前說外國人的 AI 很難駕馭中文，那豆包的外語怎么樣呢？

我管你這那的，先發一張美少女試試。

于是我發過去這張圖片，然后讓她說了一句 “ 組一輩子的樂隊吧 ”。

然后復刻得非常成功，BGM 也是很有日本動漫的風格。

最讓我驚艷的是，它甚至還能生成，帶對話，全外語，且對上口型的動畫片段。

更恐怖的是，連音色都大差不差，如果忽略后面有些 bug 的文字，我很難不認為這是原片。

幫我生成一個視頻：Shot 1：中景 蟹堡王廚房海綿寶寶雙手緊握鏟子，眼神充滿決心。海綿寶寶（聲音發顫）：“i want to bring joy to others”Shot 2：特寫 章魚哥半側臉他斜眼看著海綿寶寶，嘴角下撇。章魚哥（低沉譏諷）：“you can't even fool yourself”。比例 16:9，時長 10s，模型 1.5 Pro。

啥意思，老二次元的春天真的來了？以后想看什么番外都能自己搓，那叫什么旮旯 game 的還得自己攻略，不好不好。

講道理，世超上網的時候，經常看見豆包，覺得它已經夠火夠強了，結果這次，憋了個更大的。測完這一圈，我甚至感覺，這是豆包給自己加冕的冠軍拼圖了。

文字能寫、圖片能畫、音樂能搓，現在再加上個音畫同步的視頻模型，也算是進化成六邊形戰士了。

之前咱總覺得國外的月亮圓，Sora、Veo 啥的遙遙領先，現在看來，豆包不僅趕上來了，還更懂咱們中國人的點。

以后，咱們樂子人爽了，評論區到處都是會動會說話的表情包。打工人估計也笑了，以前自己親自拍的樣片，現在給AI發幾句指令就能做。

所以趁著人還不多，大伙可以趕緊去試用起來了，有什么抽象的案例，歡迎大伙給世超發過來，我倒要看看差友的腦子里裝的都是什么。。