Nick Saraev · 15:14 · 发布 2026-07-06 · 7108次观看(截至抓取) · 观看原视频 · 全文中译
主旨
用 video-to-video 模型对已拍好的真实素材做局部改写(换装、变光线等),而非从零生成视频,并靠遮瑕剪辑与并行选优把这条流水线做到可用于广告与内容创作。
核心论点
- 好的 AI 视频效果不是”生成出来的”,而是”改出来的”——在已录制的真实素材上做局部修改,比从零生成一段全新视频容易得多。(→ 详解1、详解2)
- 超具体的”触发-变化”prompt 是这套流水线成败的关键,模糊的描述必然失败。(→ 详解1)
- 当前 video-to-video 模型的输出质量(720p)配不上真实素材,必须用转场剪辑把这道瑕疵藏起来,否则整条流水线看着都廉价。(→ 详解3)
- 单次生成成功率只有约两成,必须批量并行生成再选优,这是被大多数人忽略的真实成本。(→ 详解5)
- 这套流程本质是一份可写成清单的确定步骤,因此可以用 Claude Code 之类的 agent 配合 MCP 连接器整体自动化。(→ 详解6)
知识点详解
1. 三要素:源视频、触发-变化式 prompt、video-to-video 模型 01:29 译
整条流水线只有三个必要输入:一段约 10 秒左右的源视频、一个”超具体”的 prompt,以及一个 video-to-video 模型。视频强调,大多数人把 prompt 写砸的原因是没有拆成”触发+变化”两部分——“you have a trigger over here, which is the moment that the model watches for. And then you have a change, which is exactly what is meant to happen next”(01:52 译)。触发可以是画面里的一个动作(打响指)、也可以绑定到某句台词的特定时间点。
这个结构之所以重要,是因为它把一个开放式的创作任务(“让它变酷”)收窄成一个模型能可靠执行的判断题(“这一帧发生了 X,之后切换到 Y”)。视频里反复强调,越具体越好,含糊的描述基本注定失败。
2. 为什么必须是 video-to-video,而不是文生视频 02:33 译
关键限定是模型类型必须是 video-to-video,而非常见的从文字直接生成视频的模型:“it needs to be video to video, which is different from like your typical run-of-the-mill video generators”(02:33 译)。这类模型统称 Video-to-Video模型——输入已有的真实视频,输出对其局部修改后的版本,而不是凭空造出一整段新画面。
理由很直接:从零生成要求模型同时把像素、光照、连贯性在时间维度上全部”凭空造对”,这是极难的任务;而在已录制的素材上做修改,像素、光照、运动全部已经存在,模型只需要”往这个已经存在的世界里插入一个变化”——“rather than generate from total scratch… we’re actually going to like feed in that the pixels, the lighting, everything’s already going to be there”(03:02 译、03:17 译)。这也是为什么很多人试过 AI 视频后觉得效果失望——多数人在用文生视频的思路,而不是这套改写思路。
3. 720p 瑕疵与遮瑕剪辑 04:05 译
当前这类模型的输出被限制在 720p 左右,明显低于现在大多数社交平台视频的分辨率。如果把 AI 改写过的 720p 镜头直接剪回原始高清素材,画质落差会非常突兀,一眼假。视频给出的解法不是等模型进步,而是用剪辑手法主动”藏”这道瑕疵:“you need to hide the 720p seam with an intelligent cut to a different scene”(04:05 译)。
具体做法是不要从”正脸说话”直接切回”正脸说话”,而是从 AI 镜头切到一个性质完全不同的画面(比如切到一段屏幕录制),再切回真实素材。这样观众无法通过”画质突变”察觉到中间发生了 AI 处理,是一个用剪辑结构掩盖模型能力短板的实用技巧。
4. 模型聚合器与实操上传流程 06:37 译
视频用 Gemini Omni(Google 出品)演示,也提到 Kling 是同类可选模型。但作者实际不直接用官方界面,而是通过 Higgsfield 这类第三方平台操作——“essentially what they are are model aggregators that just slam together all available current video models”(06:37 译)。模型聚合器 的价值主张是省去挑模型、搭串行流水线(模型 A 处理完接模型 B 再接模型 C)的麻烦,一个平台内搞定。
实操上很简单:上传素材、把它拖进 prompt 框、输入超具体 prompt(视频示例是”当这个人说到某句台词的第 2.9 秒时,把他的外套换成一件带链条的卫衣”),点生成。整个操作门槛不高,真正的难点在 prompt 设计,而非平台操作。
5. 成本现实与并行生成选优 08:19 译
视频给出一个很少被提及的现实数字:单次生成的成功率大约只有 20%,意味着平均要跑五次左右才能拿到满意结果——“This is going to work like 20% of the time… Nobody’s telling you this right now because they want you to think that this is way cheaper than it actually is”(08:19 译)。因此正确做法不是串行地”生成-看效果-不满意再来一次”,而是一次性并行生成多条(视频里是 5 条左右),再从中挑最好的一条,这就是 并行生成选优。
成本上,视频给出粗略预期:单条 8-10 秒素材、生成 4-5 次,总花费大约 50 美分到 1 美元;省钱的办法是缩短源视频时长、选更小的画幅比例、或换用更便宜的模型。作者也坦诚展示了生成结果里常见的幻觉(意外多次换装、平白多出一支话筒),说明选优这一步是硬性必需的,不是可选优化。
6. 剪辑缝合与流程自动化 13:41 译
选出满意的生成结果后,还需要把它精确对齐拼进 Premiere Pro 之类的剪辑软件里的原始素材——AI 改写后视频的时长/音轨会有轻微偏移,需要手动微调对齐,再用前述的转场手法接入下一场景。
作者提到这整条流程(源视频→写触发-变化 prompt→并行生成→选优→剪辑对齐)可以用 Claude Code 或 Codex 之类的编码 agent 配合 MCP 整体跑通:“The cool thing is you can actually proceduralize this with Claude”(13:41 译),具体靠的是第三方平台提供的 MCP——“which is just a series of eight API connectors essentially that you can call”(13:54 译)。也就是说这套流程本质上是一份可枚举的确定步骤清单,天然适合被 agent 接管重复执行,人只需要在最后选优时把关。
可执行步骤
- 挑一段 8-10 秒的真实素材,先写清楚一个”触发(什么时刻/什么动作)+ 变化(具体变成什么)“的 prompt,而不是笼统描述效果。
- 选一个 video-to-video 模型或模型聚合器(如 Higgsfield、Gemini Omni),同一 prompt 一次并行生成 4-5 条,而不是串行反复重试。
- 从生成结果里挑最接近预期的一条,注意排查幻觉(意外的多次变化、多余物体)。
- 剪辑时把 AI 生成的低分辨率镜头前后接一个性质不同的场景(如屏幕录制),不要让它直接与高清正脸镜头相邻,避免画质落差穿帮。
- 若要跑量,把”上传—写 prompt—并行生成—选优—剪辑对齐”这几步固化成一份步骤清单,交给 Claude Code/Codex 配合平台 MCP 自动化执行。
关联
- 印证:MCP 视频末尾把 MCP 用在视频剪辑自动化这个非编码场景,呼应 MCP”标准化把工具/数据暴露给 LLM 调用”的定义——说明 MCP 的适用面不限于写代码。
- 印证:步骤清单可自动化判据 整条”源素材→触发变化 prompt→并行生成→选优→剪辑对齐”流水线本身就是一份可枚举的有序步骤清单,呼应该概念”能列成清单的流程就能自动化”的判据。
术语
- video-to-video model(基于既有视频做局部改写的模型,区别于文生视频)
- Trigger / Change(触发/变化,超具体 prompt 的两段式结构)
- model aggregator(模型聚合器,把多个视频模型接入统一界面/流水线的平台)
- Higgsfield(视频中使用的第三方模型聚合平台)
金句
“This is going to work like 20% of the time… Nobody’s telling you this right now because they want you to think that this is way cheaper than it actually is.” → 大多数宣传 AI 视频廉价高效的说法都在回避真实成功率,实操前先按五次重跑的成本预期规划,比信任宣传更可靠。 “basically nobody’s doing it right now which is wild.” → 稀缺性判断本身要打折扣看待——博主既在展示技巧也在为自己的社区/课程造势,“没人在做”更像是营销话术而非可验证的市场事实。
立场与利益
作者展示的第三方平台(Higgsfield)、剪辑软件(Premiere Pro)均为需付费的外部工具,视频未披露是否存在联盟关系。视频结尾明确导流到作者自己的免费社区 Maker Zero,声称内含本视频用到的全部资源(prompt、素材)以及更完整的付费课程与工作流,这是典型的内容引流转化结构,“没人在做这个”的稀缺性话术也服务于这一导流目的。
价值定位
面向做广告创意或内容营销、需要低成本视觉特效但不追求电影级效果的实操者,提供了一套具体可执行的 video-to-video 流水线(prompt 结构、遮瑕剪辑、并行选优),操作门槛不高。主要认知增量在于纠正”AI 视频便宜又好使”的错误预期——单次成功率仅两成、需要真实预算与重跑成本,以及”从零生成”与”局部改写”两条路子的本质差异。整体偏实操细节科普,深度自动化(MCP 接管全流程)部分只是点到为止,没有给出可复现的具体配置。
自检问题
- 为什么视频强调必须用 video-to-video 模型,而不是常见的文生视频模型? 答案:文生视频要求模型在时间维度上把像素、光照、连贯性全部凭空生成,难度极高;video-to-video 是在已录制的真实素材基础上做局部修改,像素/光照/运动已经存在,模型只需插入一个变化,更容易做对。03:02 译
- “超具体 prompt”具体指什么结构? 答案:拆成触发(模型监听的特定时刻/动作)+变化(触发后应该发生的具体效果)两部分,而非笼统描述想要的效果。01:52 译
- 为什么不能直接把 AI 生成的 720p 镜头剪回原始高清素材?应该怎么处理? 答案:画质落差会让镜头切换显得突兀失真;应该在两者之间插入一个性质完全不同的场景(如屏幕录制)作为过渡,而不是让 AI 镜头与正脸高清镜头直接相邻。04:05 译
- 视频给出的单次生成成功率是多少?这对操作方式意味着什么? 答案:约 20%;意味着不能只生成一次就下判断,应该一次并行生成多条(如 4-5 条),再从中挑选最佳结果,而不是串行反复重试。08:19 译
- 视频提到用 Claude Code 自动化这条流水线时依赖的是什么机制? 答案:第三方平台提供的 MCP,本质是一组可调用的 API 连接器,把”上传-写prompt-生成-选优-剪辑对齐”这份步骤清单交给 agent 执行。13:54 译
💬 热门评论 top-14 主 + 6 回(抓取 2026-07-07)
[1] @guistetelle:一个大幅降低每次生成50美分成本的方法是用严格的遮罩/修复工作流，而不是把整个16:9画面都丢给模型。如果你只遮住你的上半身和卫衣，只针对那个区域提示修改，模型就不用浪费算力在背景上了。 👍 15 [3] @RandomQs-iw9om:人们不知道要做出一个连贯的AI视频需要多少次迭代和多少成本。很高兴你分享了现实和成本。虽然我做了很多视频，但大部分都不能用。 [5] @in2biz160:谢谢。我还以为我做错了什么。最终的制作阶段才是质量所在。我觉得把最后一部分外包给人做是规模化的关键。 [6] @bradenalmeida733:这个想法是不是来自X上的那条评论？ 👍 4 ↪ @nicksaraev(UP):差不多！ 👍 2 [7] @itisfranz:20%的问题是真的。幸运的是Flow允许你生成4段10秒的片段。不过，Nick，我觉得你忽略了Omni和Omni Flash模型中最有价值的资产：头像功能。它完全民主化了用户生成内容，让没有制作经验的个人也能充分利用和扩展他们的内容营销。另外，值得注意的是，当视频到视频不可行时，故事板到视频是一个高效的替代方案。图像到视频功能让你可以用复杂的故事板作为精确的提示和关键帧。 [10] @MaximilianLesek:太疯狂了！让我看清了我们所处的现实。我记得上周看到一个LinkedIn创作者发布10分钟以上的视频，介绍最新的AI更新，我当时想，天哪，帖子真多（甚至每天多个！）。然后我意识到那全是AI做的……我一直以为我能看出来。直到我自己也被骗了。 👍 1 ↪ @nicksaraev(UP):事情变得异常快，异常好。谢谢Maxi。 [14] @Arman_KB:与其试4到5次，你也可以写一个Claude技能，根据带时间戳的转录中的关键词甚至视频中的声音来剪辑视频，然后把视频分块喂给HiggsField，每块带具体的操作指令，最后再拼接起来。 ↪ @madingerl:下次把视频看完吧😂 ——其他 6 条:感谢/夸赞([2]@FatmaYousuf、[4]@BlueBeanExplainsAI、[8]@ANNA_family_explains、[9]@FilmRigz、[12]@Czjubonek、[13]@nagar_7);1 条 spam 已略
英文原文
[1] @guistetelle:One way to drastically reduce that 50-cent-per-generation burn rate is to use a strict masking/inpainting workflow rather than passing the entire 16:9 frame through the model. If you only mask your torso/hoodie and prompt the change just for that specific region, the model doesn't have to waste compute on the background 👍 15
[2] @FatmaYousuf:dude naturally flexing with his editing skills 👍 4
[3] @RandomQs-iw9om:People don’t know how much iterations and cost to create a good cohesive ai video. Great for you to share the reality and costs. Even though I make a lot of videos, most are not usable.
[4] @BlueBeanExplainsAI:What do you know? Nick is putting out a video with value. Who would have thought? LOL. Awesome video as usual, brother. happy to see when you're posting again.
[5] @in2biz160:Thank you. I thought i was doing something wrong. That final production phase is where the quality comes from. I reckon getting that last part done by an outsourced human is the key to scale
[6] @bradenalmeida733:Didn't this idea come from that one comment on X? 👍 4
↪ @nicksaraev(UP):Pretty much! 👍 2
[7] @itisfranz:The 20% issue is real. Luckily Flow allows you to generate 4x10-second clips. However, Nick, I think you overlooked the most valuable asset within the Omni and Omni Flash models: the avatar feature. It completely democratizes user-generated content, empowering individuals with zero production experience to fully leverage and scale their content marketing. Additionally, it's worth noting that when video-to-video isn't possible, storyboard-to-video is a highly effective alternative. The image-to-video capability allows you to use complex storyboards as precise prompts and keyframes.
[8] @ANNA_family_explains:I built something like this with your help already, I knew you would have something like this coming to us soon!! 🧐Thank you thank you Nick! 🤗 👍 2
↪ @nicksaraev(UP):My pleasure Anna!
[9] @FilmRigz:Always amazing videos brother 👍 3
↪ @nicksaraev(UP):Thank you my man.
[10] @MaximilianLesek:Insane! Opened my eyes to the reality we are currently in I remember seeing a LinkedIn creator last week making 10min+ videos going over new AI updates, and I was like, damn, that's a lot of posts (even multiple per day!). Then I realized it was all with AI... I always thought I would know. Until I myself got fooled 👍 1
↪ @nicksaraev(UP):Things are getting remarkably good remarkably fast. Thanks Maxi.
[11] @DanielFoster-v6i:What’s truly crazy is that “The Manifestation Code” by Alexander Pierce is so underrated. It’s the one book that changed everything for me. Why isn’t anyone talking about it? It completely shifts your perspective…..
↪ @AidenClarke-q7g:Such a powerful book, but sadly most people are too lazy to read and just assume everything is a scam. Prove me wrong. It’s honestly kind of sad.
[12] @Czjubonek:Thanks for this video and for other ones ! 👍 2
[13] @nagar_7:bro this was really helpfull, thnx
[14] @Arman_KB:Instead of 4 or 5 tries you could also perhaps write a Claude skill that cuts the video based on keywords from a timestamped transcription or even sounds in the video, and feed the video to HiggsField one chunk at a time, each with specific surgical instructions, and then stitch them back together.
↪ @madingerl:Watch the video the whole way through next time 😂