告別“剪映模式”：一位前字節(jié)負(fù)責(zé)人對 AI 視頻產(chǎn)品的終極思考

短視頻平臺把創(chuàng)作門檻壓進手機屏幕，完成了一次“即創(chuàng)即消”的效率革命。

生成式 AI 的到來，則正在把視頻創(chuàng)作從“操作工具”，推向“直接表達想象”。

從“現(xiàn)實切片”走向“虛擬構(gòu)建”，創(chuàng)作范式正在換擋。站在這個轉(zhuǎn)折點上，前字節(jié)跳動智能創(chuàng)作工程與研發(fā)負(fù)責(zé)人黃嚴(yán)，給出了自己的答案。

今年10月，他創(chuàng)辦的 ArtArch 發(fā)布了首款產(chǎn)品——Skira。在Skira中，復(fù)雜的剪輯與編排被封裝成“玩法”（Gameplay）。用戶只需輸入簡單指令或素材，就能調(diào)用底層能力，一鍵生成爆款作品。

Skira 的目標(biāo)只有一個：讓 AI 創(chuàng)作真正走向平權(quán)，實現(xiàn)“所想即所得”。

2025 年初，ArtArch 已完成種子輪融資，投資方包括錦秋基金、九合創(chuàng)投和 BV 百度風(fēng)投。

從即創(chuàng)即消，到所想即所得

硅基君：Skira的核心定位是什么？

黃嚴(yán)：我們想做的是一個AI Native（AI原生）的創(chuàng)作者社區(qū)。

以前的創(chuàng)作叫 NLE（Non-Linear Editing，非線性編輯）。無論是 Photoshop，還是手機時代的剪映、快手，本質(zhì)都是NLE——基于軌道、圖層進行編輯。

NLE 時代有三個角色：需求方（甲方）、設(shè)計師（操作者）、工具。這導(dǎo)致創(chuàng)作門檻很高，你需要先學(xué)工具。短視頻時代把 NLE 搬到了手機上，同時加強了分發(fā)能力，實現(xiàn)了“即創(chuàng)即消”，大大加速了循環(huán)。

但AI Native 時代，由于 AI 拓展了從現(xiàn)實到虛擬的想象力空間，過去的創(chuàng)作更多基于現(xiàn)實，而現(xiàn)在創(chuàng)作空間可以完全基于一個想象的虛擬空間，比如爆改甄嬛。一個服務(wù)于現(xiàn)實，一個服務(wù)于想象力。

而且，現(xiàn)在我們不再需要一個專門學(xué)工具的“設(shè)計師”角色，工具可以直接服務(wù)于“想象力”。我們做的 Image Engine（想象力引擎），就是要讓創(chuàng)作平權(quán)，即所想即所得。

硅基君：具體的變革體現(xiàn)在哪里？

黃嚴(yán)：以前我們拍片子，原素材必須來自現(xiàn)實（拍攝），后期再去拼接。現(xiàn)在，任何素材都可以由AI 生成或加持。本質(zhì)變了：從“如何操作工具”轉(zhuǎn)變?yōu)椤叭绾尾鸾鈩?chuàng)意”。

為了讓創(chuàng)作更順滑，我們把創(chuàng)作過程變成了一套Workflow（工作流）。

第一步，讓AI先理解創(chuàng)作者的“語境”與“世界觀”。創(chuàng)作者心里其實有畫面、有情緒、有氛圍，但用語言說出來就困難。

AI 要解決的是：讓機器理解“創(chuàng)作者真正想表達的內(nèi)容”，而不是理解字面意思。這是整個系統(tǒng)最重要的一步。這就是他們說的 “所想即所得”。

第二步，用AI 把“想法”轉(zhuǎn)成結(jié)構(gòu)化的創(chuàng)作藍圖。比如拍一個 30 秒短片，傳統(tǒng)流程包含：劇本結(jié)構(gòu)、分鏡、主體角色、背景轉(zhuǎn)場、特效聲音、音樂節(jié)奏、剪輯。

這些原本需要專業(yè)團隊逐步完成的環(huán)節(jié)，現(xiàn)在在系統(tǒng)里是“一盤棋”編排的。你可以像編輯思維導(dǎo)圖一樣調(diào)整每個步驟。

硅基君：能不能展開講講用Skira和直接用視頻模型有什么區(qū)別？

黃嚴(yán)：區(qū)別在于表現(xiàn)力，而這背后就是“理解語境”能力的差異。大模型生成的視頻往往是“千人一面”的，它理解的是概率上的共識。

但創(chuàng)作往往需要“特異性”。比如，編劇寫劇本：“一個男人回家，快速劃掉手機屏幕。”這一句話就暗示了出軌、緊張、心虛，這是語境。

如果你直接把這句話給大模型，它可能就真生成一個男人劃手機，平鋪直敘。我們的系統(tǒng)里有導(dǎo)演Agent。它會理解這個語境，然后設(shè)計分鏡：

鏡頭A：特寫男人的汗珠。

鏡頭B：手機屏幕的特寫，手指慌亂的動作。

配合心跳聲的音效、昏暗的濾鏡。這就是我們做的：把“語境”翻譯成具有表現(xiàn)力的“視聽語言”，而不僅僅是生成一個畫面，用最大化的表現(xiàn)方式去擊中觀眾。

硅基君：聽起來很厲害，從技術(shù)上是怎么實現(xiàn)的？

黃嚴(yán)：我們底層構(gòu)建了一套Image DSL（領(lǐng)域特定語言）。你可以理解為，我們?yōu)橐曨l創(chuàng)作發(fā)明了一套編程語言。

這套語言里包含了生成類、主體類、渲染類、特效類等各種定義。通過這套語言，我們把一個感性的“劇本”，編譯成了一套可執(zhí)行的計算機程序。

在這個架構(gòu)之上，我們有執(zhí)行工作流的Agent 引擎。這里面有不同的 Agent 角色：

編劇Agent： 理解你的意圖，生成世界觀和敘事結(jié)構(gòu)。

導(dǎo)演Agent： 負(fù)責(zé)分鏡設(shè)計、鏡頭調(diào)度。

演員Agent： 負(fù)責(zé)角色的演繹和互動。

最上層是玩法引擎。玩法可以理解為一種特定剪輯方式，比如A/B Transfer（轉(zhuǎn)場特效）或者比較火AI寵物視頻。

我們把這些復(fù)雜的編排封裝成“玩法”（Gameplay），用戶只需要輸入簡單的指令或圖片，就能調(diào)用這套復(fù)雜的底層能力。

硅基君：這里的Agent，具體是如何工作的，比如編劇 Agent？

黃嚴(yán)：每個Agent 都有獨特的 ID 和背后的領(lǐng)域知識庫，不僅僅是靠 Prompt 驅(qū)動。在訓(xùn)練過程中，也會通過強化學(xué)習(xí)，根據(jù)反饋（這個生成得好不好）來更新自己的策略。

硅基君：如果未來視頻大模型（如Sora）變強了，還需要這套工程架構(gòu)嗎？

黃嚴(yán)：這涉及到一個核心判斷：大模型變強，能解決局部復(fù)雜度，但解決不了整體創(chuàng)作的復(fù)雜度。

舉個例子，主體保持（Consistency） 目前大模型做得還不夠好。為了讓一個角色在不同鏡頭里長得一樣，我需要在模型周圍打很多“補丁”，用工程化手段（比如特有的渲染引擎、LoRA等）去約束它。

如果大模型變強了，這部分工作會被簡化。但是，人的審美天花板永遠在提升。就像小時候看《大鬧天宮》覺得很牛，現(xiàn)在覺得太簡單了。當(dāng)模型能力提升，人類會要求更復(fù)雜的敘事、更精細(xì)的控制（比如希區(qū)柯克式變焦、蒙太奇剪輯）。

所以，工程架構(gòu)是連接“人類無限的復(fù)雜想象力”和“模型有限的能力”之間的橋梁。這種沉淀下來的系統(tǒng)設(shè)計能力，才是壁壘。

硅基君：所以，工程也是一種壁壘？

黃嚴(yán)：短期來看，工程不是壁壘，工程師只是負(fù)責(zé)實現(xiàn)。工具本身可以很快做出來。

長期來看，隨著時間積累，構(gòu)建起來的這套體系和沉淀會成為壁壘。只有當(dāng)系統(tǒng)跑起來，隨著服務(wù)的人群越來越廣、時間越來越長、場景越來越復(fù)雜，你沉淀下來的那套“如何支持復(fù)雜創(chuàng)作”的經(jīng)驗，才是真正的技術(shù)核心。

剪映之外：一個面向“表達”的 AI 原生創(chuàng)作社區(qū)

硅基君：Skira的用戶是誰？

黃嚴(yán)：我們把用戶分為兩層，形成一個對流：

P層（Producers，制作人）： 技術(shù)流大神、藝術(shù)家。他們懂鏡頭、懂審美、甚至懂一點技術(shù)。他們利用我們的底層工具（DSL、工作流）去創(chuàng)作“玩法”和“模版”。

C層（Creators，普通創(chuàng)作者）： 大眾用戶。他們有表達欲，但不想學(xué)復(fù)雜工具。他們直接使用 P 層創(chuàng)造的“玩法”，上傳自己的照片或素材，快速生成高質(zhì)量內(nèi)容。

我們作為平臺，連接這兩端,讓大家的思想、創(chuàng)意流轉(zhuǎn)起來。

硅基君:怎么實現(xiàn)這種流轉(zhuǎn)？

黃嚴(yán)：核心在于平臺如何分配利益，我們通過“收益流轉(zhuǎn)”來解決這個問題。

平臺會給制作人提供收益：越多人使用你開發(fā)的“玩法”，你就能拿到越多的收益。

1. 經(jīng)濟收益：包括平臺的基礎(chǔ)點數(shù)（Credit），以及未來的分傭分成。

2. 聲譽歸屬：這個玩法是屬于該制作人的，他的 Profile（個人主頁）會展示這些成就。

所以，無論是制作人還是C 端用戶，他們都在同一個社群里。制作人通過提供玩法獲得分成和聲譽，大眾通過使用玩法獲得流量和表達。平臺則作為一個放大器，讓熱點和創(chuàng)意在兩者之間高效流轉(zhuǎn)。

硅基君：目前，這個創(chuàng)作者群體夠大嗎？

黃嚴(yán)：AI硬核創(chuàng)作者是小眾的，但“泛創(chuàng)作者”（發(fā)抖音、做號的人）體量已經(jīng)很大了。這些泛創(chuàng)作者沒有平臺忠誠度，哪里能幫他們“快、好、追熱點”，他們就去哪里。

硅基君：Skira的付費模式是什么？

黃嚴(yán)：C端為算力付費，為高級玩法付費。P 端則為創(chuàng)作工具付費，但目前更多是不僅不付費，我們還會給他們分成，因為他們是生態(tài)的供給方。

硅基君：在Skira上，有哪些內(nèi)容會比較火？

黃嚴(yán)：從我觀察來說，目前主要有三類內(nèi)容比較火：

一類是AI萌寵類：擬人化的寵物內(nèi)容；第二類是AI Me（AI自我）： 平行世界的變裝、風(fēng)格化，展示“外人眼中的我”；第三輪是虛幻/IP共創(chuàng)：基于某種IP或意識形態(tài)的延展（比如基于《甄嬛傳》或《三國》改出的幽默/奇怪劇情）。

硅基君：這些火了的“玩法”，如果大平臺復(fù)刻，我們的護城河在哪？

黃嚴(yán)：第一，供給的多樣性，比如“瘋狂動物城”熱點，抖音上可能只有 2-3 種官方玩法，但我們平臺上有海量制作人提供各種不同的風(fēng)格。

第二，交互形式的演進。“玩法”不僅僅是模板，還在進化出新的交互形式。比如，用戶與 AI IP 的互動（@某個角色）、合拍、共創(chuàng)。這些帶有社交屬性的新玩法，大平臺不一定能迅速兼容或覆蓋。

第三，定位的不同。大平臺需要關(guān)注最廣大基數(shù)用戶的基本訴求（如剪輯工具的易用性）。而我們可以作為一個創(chuàng)作社區(qū)，專注于創(chuàng)作范式和玩法的獨立演變，把我們作為“生產(chǎn)端”，大平臺作為“分發(fā)/消費端”。我們是連接的橋梁，不完全沖突。

硅基君：市面上很多AI公司也在做“一站式創(chuàng)作平臺”，Skira和他們的差異在哪里？

黃嚴(yán)：“一站式”是行業(yè)趨勢，大家都在往自動化方向走。但我們的本質(zhì)區(qū)別在于對“創(chuàng)作”本身的理解深度。

我們不僅僅是做自動化，而是深入到創(chuàng)作者語境、元素拆解、表現(xiàn)力合成。如果只是單純的工程自動化，做出來的東西往往“牛頭不對馬嘴”，缺乏靈魂。

硅基君：作為一個AI產(chǎn)品，您最關(guān)心的指標(biāo)是什么？

黃嚴(yán)：是創(chuàng)作量，或者叫Creation DAU（日均創(chuàng)作用戶數(shù)）。這是一個基于工具演化出的創(chuàng)作社區(qū)，最核心的是大家來這里產(chǎn)生創(chuàng)作行為。如果用戶來了只是看而不創(chuàng)作，那他們應(yīng)該去消費社區(qū)（如抖音/小紅書）。

硅基君：關(guān)于用戶心智（User Mindset），比如提到剪映大家就想到“剪輯”。你們希望占據(jù)什么樣戶心智？

黃嚴(yán)：如果用一句話概括，Skira 是一個以“表達”為起點的 AI 原生創(chuàng)作社區(qū)。

當(dāng)用戶腦子里出現(xiàn)一個畫面、一個情緒、一個想法，卻不知道該怎么把它變成內(nèi)容時，他會想到 Skira。Skira核心的Slogan就是“Worlds in your mind”

文/林白

PS：如果你對AI大模型領(lǐng)域有獨特的看法，歡迎掃碼加入我們的大模型交流群。