跳到正文

#視訊/影片

RSS
今日 2 則
11月18日週三
  1. Dev.to Top Tech53

    FreeClipping 如何把長影片剪成好用的直式短片

    把 40 分鐘的訪談剪成幾段好看的短片,難處常在找出值得保留的片段,也要避免每段都剪到同一段內容。FreeClipping 會替候選片段排序,再挑出彼此不重疊的內容,並依逐字稿把片段邊界調到句子附近。它也會把 16:9 影片轉成 9:16 MP4,直接加上字幕;音訊素材則會搭配波形做成影片。處理進度和下載都放在同一個工作頁面,原始素材與逐字稿會在 7 天後刪除,成品則保留 30 天。免費試用可處理一段最多 10 分鐘的錄影;付費方案為每月 $9 處理 150 分鐘,或每月 $19 處理 500 分鐘。

  2. NVIDIA Newsroom Press Releases76

    NVIDIA 推出 RTX Spark 小型桌機,可在本機執行 AI 模型與創作工作

    想在本機跑 AI 模型、處理創作工作,又不想讓筆電一直忙著執行任務,可以考慮專用桌機。ASUS、Dell 和 MSI 的 NVIDIA RTX Spark 小型桌機已開賣,搭載最多 128GB 共用記憶體,可在本機執行支援的模型、AI 助理、圖片與影片生成,也能微調模型。NVIDIA 表示,在本機處理程式碼和檔案可避免這些工作產生雲端 API 費用;桌機也能在筆電外出時繼續執行常駐 AI 助理和排程任務。文中另介紹 Adobe、Blender 和 ComfyUI 等創作工具在 RTX Spark 上的更新。

    推薦理由:RTX Spark 桌機把本機模型、常駐 AI 助理與創作工具放在同一臺電腦,文中也列出記憶體規格與適用工作流程。

  3. Dev.to Top Tech57

    Pavo AI 分享把指令碼做成直式短片的 9 個步驟

    把文字變成短片看起來很簡單,但要讓多個鏡頭接得起來、角色長得一致,還要讓配音和畫面合拍,常會花很多時間重做。Pavo AI 分享一套 9 步驟流程:先把指令碼剪短、列出分鏡,再依畫面選擇生成方式;文字、介面和商標則用錄影或後製處理。接著先做配音再剪畫面,設計字幕,檢查鏡頭是否連貫、字幕與商標是否正確,以及旁白說的內容是否有畫面佐證。最後製作不同尺寸和開場版本,再看觀眾在哪裡離開。文中也提醒,多角色對話和精細的手部動作仍容易出問題。

  4. The Verge · AI65

    Suno 推出 Visuals,讓 AI 音樂搭配影片和封面圖

    Suno 的 AI 音樂現在也能搭配影片和圖片。新功能 Visuals 可把歌曲片段做成會跟著歌詞對嘴的影片,也能依文字描述生成圖片,拿來當縮圖或專輯封面。使用者可挑最多 15 秒的歌曲片段,選擇 Suno 提供的角色圖片、上傳自己的圖片,或用提示詞生成參考圖;影片還能加上歌詞文字,並用時間軸把片段接在一起。Visuals 使用另外計算的點數,和製作歌曲的點數分開。Suno 表示,功能加入文字與影像過濾措施,目的是阻擋生成特定藝人、公眾人物、受著作權保護作品及智慧財產的肖像或內容。

  5. Dev.to Top Tech42

    Curify 如何檢查 ASL 影片翻譯是否真的看懂手語

    英文翻譯得很順,不代表 AI 助理真的看懂了 ASL 手語。Curify 開發影片翻譯工具時,曾發現模型其實是讀到畫面上的字幕,才說出看似正確的英文;因此,他們會檢查模型實際收到哪些畫面,以及翻譯和參考答案是怎麼來的。在一項 12 段影片的測試中,加密取樣畫面、平均取樣和重疊分批都沒讓意思翻對。這提醒我們,英文看起來通順、分數變好,都不能單獨證明翻譯正確;還需要熟悉 ASL 的人檢查意思有沒有漏掉、改變,或該不該表示不確定。

  6. Dev.to Top Tech50

    本週科技新工具:AWS Emulator、Vercel 影片生成與 Gradio 工作流程

    這週有幾項新工具,能讓開發者在本機測試服務,或把多個步驟串成一條工作流程。AWS Emulator 可在本機模擬 200 多種 AWS 服務,讓程式用 AWS CLI 或 SDK 測試,不必真的建立雲端資源;Vercel AI Gateway 則能透過 Seedance 2.5 Flash 產生 4–30 秒、附有同步音訊的影片。 另外,Vercel CLI 可以讓新建的專案在指定時間後自動刪除,Gradio Workflow 則能把多步驟的 AI 流程做成可呼叫的 REST 服務。這些工具能省下測試和串接工作的時間,但使用前要看清限制:例如 AWS Emulator 不支援 IAM 測試,影片生成功能需要 AI SDK 7。

  7. Dev.to Top Tech68

    Pavo AI 短劇工作流程:讓 AI 影片不同鏡頭的人物保持一致

    用 AI 拍短劇時,常會遇到同一個角色拍到後面,臉、衣服或燈光都變了的問題。作者分享自己的做法:先把角色外觀和固定道具寫清楚,每個鏡頭都沿用;挑好一張參考畫面後,再用圖片生成影片,並固定使用少數幾種鏡頭和簡短的動作提示詞。剪接時則避開片段開頭和結尾容易變形的畫面,盡量在動作中切換。作者用 Pavo AI 拍攝直式短劇,也用試算表記錄鏡頭、替每個角色整理資料夾,並先核准參考畫面再開始生成。

  8. Dev.to Top Tech54

    如何用免費服務搭建 AI 圖片、語音與影片原型流程

    做圖片、語音和影片原型時,開發者常得訂閱好幾種服務。作者整理了免費額度的使用方式:用 Hugging Face Spaces 預覽 FLUX.1-schnell,或透過 SiliconFlow 呼叫圖片模型;Cloudflare Workers AI 每天重設 10,000 個免費 Neurons,可用於輕量語音轉文字等工作;Hailuo AI 和 Suno AI 則提供每日免費額度,供影片和音樂原型使用。免費額度、是否需要信用卡和試用限制可能變動,作者也分享了追蹤相關優惠的清單與網站。

  9. Dev.to Top Tech53

    實測 Tiny Desk AI 公開短片:用 ffmpeg 檢查影片是不是 9:16

    影片看起來是直式,不代表實際顯示比例一定是 9:16;除了畫面寬高,還要看影片裡記錄的畫素形狀。作者用 ffmpeg 檢查網站上的八支公開短片,發現其中兩支比例不完全符合 9:16:一支是 540×940,另一支是 480×854。文章也用一支 720×1280 的合成影片說明,若畫素形狀標成 2:1,顯示畫面會變成 1440×1280。文中提供檢查指令,並建議替不合比例的影片補上邊框,保留原畫面大小。

  10. Dev.to Top Tech42

    如何用 ffprobe 確認 AI 生成影片的實際長度

    Windows 顯示影片有 8 秒,不一定代表它剛好在 8 秒時結束。作者用 ffprobe 檢查一段用 Astorie 生成、下載成 MP4 的滑雪影片:畫面長度是 8.041667 秒,整個檔案則是 8.064 秒。也就是說,影片畫面比 8 秒多約 42 毫秒,整個檔案則多 64 毫秒。如果影片必須符合 8 秒的上傳限制,只看 Windows 顯示的時間可能不夠,最好連整個檔案的長度也確認一次。

  11. Dev.to Top Tech42

    VidCrawl 如何分段讀影片,避免把整支 MP4 丟給 LLM

    直接把整支影片交給 LLM,常會遇到模型讀不了影片、花費隨片長增加,或平臺不讓雲端伺服器下載等問題。VidCrawl 先把影片整理成文字和縮圖格子,讓 AI 助理快速看懂談話內容與畫面變化;只有某個畫面看不清楚時,才抓取那個時間點的高畫質影格。例如,一段約 18 分鐘的 YouTube 影片,先整理出逐字稿和章節,再提供每 10 秒取樣的縮圖,通常不用一開始就下載整支影片。這樣能少傳很多資料,也讓 AI 助理把資源用在真正需要細看的畫面上。

  12. BlockTempo 動區動趨51

    GPT-6.2 Astra 和 Claude Fable 5.2 實測做 3D 影片,速度、費用與光影各有優勢

    用 AI 做 3D 動畫或遊戲,成品的細節、光影和製作時間都可能差很多。這篇整理四組個人測試,讓 GPT-6.2 Astra 和 Claude Fable 5.2 用相同提示詞製作水上飛機場景、牛仔短片、飛行遊戲和海盜船。測試中,Astra 通常做得較快、花費較少,物件細節也不錯;Fable 的光影和場景完整度較好,在牛仔短片中差距特別明顯。不過每組只測一次,提示詞多半沒公開,費用也由作者估算,不能直接當成公平的全面比較。

  13. Dev.to Top Tech67

    升級器最佳 PSNR 可能來自看起來破損的畫面

    影片放大時若畫面有黑邊,常先裁掉再升級。作者發現 PSNR 會忽略邊緣失真,甚至把破損畫面評成高分。為檢測此「邊緣破壞」,他用每列 MSE 取樣,發現只要邊緣破壞在 4×升級時達 11 dB,整幅畫面的 PSNR 仍維持 45 dB,顯示平均值被少量破損區域淹沒。實驗證明,先裁剪再放大不僅能減少 33% 計算量,還能避免邊緣失真擴散。作者建議先裁剪再放大,並用 per‑column MSE 檢查品質。

  14. Artificial Analysis83

    OpenAI 發布 GPT-6.2 Astra 和 GPT-6.2 Sol。Artificial Analysis 的評測顯示,Astra 在 Intelligence Index 排名第二,僅次於 Claude Fable 5.2;Sol 得分 57,和 GPT-6 Astra 相當,完成任務的成本約為其 15%。Astra 的價格是每百萬輸入與輸出 token $8/$40,比 GPT-6 Astra 低 20%,快取輸入則從 $1.00 降到 $0.40;Sol 的價格維持每百萬輸入與輸出 token $2/$10。兩款模型在科學、3D 和機器人評測表現突出,但編碼助理評分沒有提升:Astra 持平,Sol 比前代低 3 分。

    推薦理由:GPT-6.2 Astra 與 Sol 在多項評測的名次和價格效率各有表現,也出現編碼評分停滯或下滑,便於比較不同用途的取捨。

  15. vLLM74

    看直播畫面時,AI 助理若要主動開口、回應內容並指出畫面中的物件,需要同時處理影片、對話和語音。vLLM Project 宣佈 vLLM-Omni 從第一天起支援 AURA 2.0,這款 9B 串流影片模型能判斷何時該說話、根據即時畫面和對話呼叫工具,並用方框標出正在討論的物件。vLLM-Omni 負責從語音辨識、影片理解到語音生成;在單一連線、使用兩張約 140 GB 加速器的設定下,首段回覆語音的中位延遲為 344 ms。原文也表示,AURA 2.0 在列出的四項基準比較中領先。

    推薦理由:vLLM-Omni 支援 AURA 2.0,並公佈單一連線設定下的首段語音延遲與四項基準比較,可瞭解這套視訊模型的互動方式與執行表現。

11月17日週二
  1. Dev.to Top Tech68

    Wan 3.0 和 Kling 4.0 長影片評測:比較畫面控制、測試結果和價格

    要做 30 秒影片時,Wan 3.0 和 Kling 4.0 都能輸出 1080p,但整理素材和控制畫面的方式不同。Wan 3.0 可把圖片、影片、音訊或檔案當作參考素材;Kling 4.0 則能用最多 10 個關鍵畫面安排鏡頭移動。文中整理的排行榜把 Wan 3.0 列在文字生成影片第 1 名,但 Kling 4.0 當時還沒有自己的排行榜成績,兩者不能直接用這項排名比較。價格方面,30 秒 1080p 影片的公開 API 費用約為 Wan 3.0 的 $6.00、Kling 4.0 的 $7.05;社群測試也提到,Wan 3.0 要產生角色說話聲,通常得另外使用對嘴功能。

  2. Dev.to Top Tech43

    如何批次轉錄 Instagram Reels 和 TikTok 影片,讓 AI 看得懂內容

    短影片有很多知識和實用資訊,但大型語言模型沒辦法直接看影片,要先把內容變成文字,才能搜尋或交給 AI 分析。這份教學建議先使用平臺提供的字幕;沒有字幕時,只下載聲音,再用 Whisper 轉成文字,並整理成附有時間點的資料。文章也示範用 Apify 的工具一次處理多支影片,例如把 200 支居家運動 TikTok 的逐字稿交給大型語言模型,找出最常見的開場方式。這樣能省下逐支看影片的時間,也能把短影片內容整理成方便搜尋和研究的資料。

  3. Dev.to Top Tech50

    AI 影片生成如何運作?從雜訊一步步變出畫面

    AI 生成影片時,不是去找現成片段來剪,而是先把影片壓縮成電腦好處理的小區塊,再從一片雜訊開始,依照提示詞反覆修整,慢慢拼出畫面。模型會一起比對不同時間、不同位置的區塊,讓同一個人看起來前後一致;有些模型也能在生成畫面的同時做出聲音。比如輸入「烘焙師把可頌端上櫃檯」,還能指定鏡頭、光線、動作和聲音。 不過,AI 並不真的懂重力或物品怎麼碰撞,所以手可能融進杯子,背景文字也可能變成亂碼;影片越長,運算越吃力,小錯誤也越容易一路累積。想讓角色或商品在多個鏡頭裡保持一致,可以提供參考圖片,並把提示詞寫清楚。這些工具已能用來做短片、分鏡和社群影片素材,但要做出可靠成品,仍得靠人把關和安排工作流程。

  4. ModelScope68

    一般 AI 多半是等人提問後才回答,Duo 則想讓 AI 和人一起參與即時互動。它會持續聽對方說話、觀察對方的動作,再判斷何時該接話或等待,並同步產生語音和影片。這讓雙方能一起看物品、改變場景、接受引導或玩影音遊戲。inclusionAI 也釋出多種模型版本,並提供研究用流程和即時部署方式。

    推薦理由:Duo 把即時影音互動中的理解、發言時機與影音生成串在一起,呈現模型如何參與雙向交流的研究方向。

  5. Dev.to Top Tech52

    如何把一支教學影片剪成一週的 Shorts,不必重新拍攝

    拍完一支教學影片後,裡面常有不少實用片段,卻沒被單獨分享。作者建議先用自己拍攝或有權重用的影片原檔,找出能在 45 秒內回答一個問題的段落,再剪成直式畫面,讓人物或畫面上的文字在手機上看得清楚。短片要一開始就講重點,字幕也要檢查,避免專有名詞和數字出錯。作者以一支 10 分鐘的教學影片為例,通常能剪出 3 支短片,分不同天發布;再看哪支影片讓觀眾看得更久,作為下一支長片的題材線索。

  6. Dev.to Top Tech62

    上傳大影片給線上壓縮前,先算算傳輸要花多少時間

    把大影片交給線上工具壓縮,光是把原始檔傳上去就可能等很久。作者教人用檔案大小和實際測得的上傳速度估算時間,並提醒網速測試只是參考,服務的連線狀況和其他網路流量都可能影響結果。以文中的假設速度為例,10 Mbit/s 上傳一段 2 GB 影片,理想情況下光上傳就要 26 分 40 秒,還沒算壓縮、排隊和下載成品。若成品還要另外傳給收件者,這也會增加時間和流量;檔案很大、常要處理,或內容需要留在自己的裝置上時,可以考慮本機工具或既有分享連結。

  7. Dev.to Top Tech62

    影片批次轉檔前,先替每種來源各試轉一個檔案

    手機、相機和螢幕錄影的影片放在一起轉檔,可能因設定不合而整批重做。作者建議先依錄影裝置和設定分組,每組挑一個代表檔案試轉,再到實際要使用的剪輯軟體或上傳服務中檢查。除了畫面方向、聲音和片長,也要確認字幕、其他音軌與檔名是否正常。試轉成功後才用相同設定處理那一組,並保留原始檔;其他來源或錄影設定則各自試轉。

  8. Dev.to Top Tech46

    awesome-claude-video-skills 整理用 Claude Code 和 Codex 製作 AI 影片的開源工具

    想用程式碼製作影片,從頭找工具、搭好流程可能很花時間。awesome-claude-video-skills 是一份開源工具清單,整理了 Claude Code 和 Codex 等程式碼 AI 助理可用的影片製作工具,依照片頭短片、數位虛擬人物、動畫和剪輯等用途分類,也附上安全評分。像 explainroo 適合快速製作有聲影片,onetake 適合呈現一段連續的視覺想法。這讓開發者、剪輯師和創作者能依照影片型別挑工具,少花時間從零開始準備。

  9. ModelScope66

    讓 AI 角色跟著語音說話時,嘴型、表情和身體動作有時不夠自然,影片變長後也可能逐漸失去一致性。LongCat-Video-Avatar 1.6 改善語音和嘴型同步、臉部與身體動作,也降低說話時嘴巴動作過大的情況,並讓影片延續到超過 10 分鐘時更能維持角色樣貌和畫面連貫。它支援單人與多人角色影片,也能從音訊、文字、圖片或既有影片開始生成。在 33,051 張投票、共 6 個系統的評比中,它排名第二。

    推薦理由:LongCat-Video-Avatar 1.6 在 33,051 張投票的偏好評比中排名第二,也主打改善長影片延續時的角色一致性,提供了比較表現與長片能力的參考。

  10. Latent Space75

    Black Forest Labs 為什麼讓 FLUX 3 一起學影像、影片和聲音

    一張圖片能看出物體在哪裡,卻看不出它怎麼移動;Black Forest Labs 認為,影片和聲音能補上這些線索。對談中,Andreas Blattmann 用接球說明,人可以在球碰到手前就開始接,不必先算出球的完整路線;影片能呈現球怎麼飛來,撞擊聲也能提示它何時碰到東西。團隊因此主張讓 FLUX 3 一起學影像、影片和聲音。對談也談到影片放大時要讓每一格畫面保持一致,免得細節播放起來閃動,並分享有人用 FLUX 修復老舊的家庭照片。

  11. Vercel Blog58

    Vercel AI Gateway 開放使用 Seedance 2.5 Flash 生成影片

    想用文字或現有素材生成影片時,Seedance 2.5 Flash 現在可透過 Vercel AI Gateway 使用。它是 Seedance 2.5 的較快、較低成本版本,可生成帶同步音訊的影片,也能參考圖片、影片或音訊,或編輯和延長既有影片。影片長度為 4 到 30 秒,最高 720p、每秒 24 格,並支援橫向、方形和直向畫面。使用者可透過 AI SDK 7 呼叫這個模型。

  12. Dev.to Top Tech46

    SkyReels V3 R2V 結合 VACE,用 Wan 14B 依骨架引導影片動作

    用文字描述動作,有時不夠清楚;骨架則直接標出身體各處怎麼移動,能讓影片動作更好控制。這個工作流程把 SkyReels V3 的 R2V 能力和 VACE 控制方式合在 Wan 14B 模型裡,使用時載入一個模型檔,就不用分別載入三個檔案,也不必擔心載入順序。不過,合併後不能單獨調整各部分;骨架也沒說明手指細節或交叉的手腳誰在前面,這些地方模型仍得自己猜。文章建議先試單人、單肢體的動作,確認骨架和畫面中的身體對得上,再測試更複雜的動作。

  13. Dev.to Top Tech41

    LTX 2.3 三種工作流程怎麼選:看影片長度、畫面設定和模型版本

    這次釋出的三種 LTX 工作流程,分別用不同的畫面尺寸、影片長度和蒸餾 LoRA 權重,不能直接套用同一套設定。例如,多張圖片轉影片的流程使用 97 格畫面;唇形同步流程則用 LTX 2,能處理 241 格畫面,約 10 秒的影片。多張圖片流程還提供 2-bit 和 fp8 文字編碼器:前者比較省記憶體,但可能比較難跟上長提示詞裡的細節。挑選流程時,先看影片要多長、內容是什麼,再確認它使用哪一代模型。

  14. Dev.to Top Tech57

    AI-KSK 示範用 LTX 2.3 重畫影片畫面,修掉字幕和浮水印

    影片上的字幕或浮水印如果用模糊或馬賽克遮住,畫面會留下明顯痕跡。AI-KSK 分享一套 LTX 2.3 工作流程,先指定被文字擋住的區域,再提供那裡原本應該出現的畫面,讓模型重新畫出像是周圍場景的內容。背景簡單時較適合使用;文字蓋在臉、手或細節複雜的地方,重畫可能猜錯。作者也提醒,修補後要把畫面放大檢查,並確認是否有區域漏掉。

  15. Dev.to Top Tech58

    AI-KSK 示範 LTX 2.3 如何生成雙人對話影片,並提醒檢查音訊設定

    讓兩個人一起出現在 AI 生成影片裡,難處不只是畫面好不好看,還要讓兩張臉、兩種聲音和對話都維持一致。AI-KSK 分享了幾套 ComfyUI 工作流程,並比較兩種雙人 LoRA 設定:其中一套把權重設為 0.75,作者說這樣能減少兩個角色的臉互相混在一起。文章也提醒,音訊 VAE 和影片檢查點若使用不同版本,流程不一定會報錯,但生成的聲音可能不太融入畫面;建議先確認兩者使用同一版本,再測試角色是否維持一致。

  16. Dev.to Top Tech53

    AI-KSK 分享 LongCat Avatar 兩種數位人影片工作流程

    做出會說話的數位人不難,難的是讓角色在長影片裡維持一致,還能切換鏡頭或接續播放。AI-KSK 分享兩種 ComfyUI 工作流程:單張圖片版本適合角色不變的長鏡頭,多張圖片版本適合對話、切換角度和反應鏡頭。作者提醒,換參考圖片時角色容易跑掉,長音訊也會讓片段接續處累積小誤差;建議先做出 10 秒的影片,確認角色穩定後再使用較複雜的流程。分享的檔案只有工作流程,不含模型權重。