AI news

刚刚,我们用千问创作做了一部「JoJo的奇幻买瓜」

By 机器之心1 viewsSource: 机器之心
刚刚,我们用千问创作做了一部「JoJo的奇幻买瓜」

阿里千问创作平台上线 Wan 3.0 视频生成模型及 Agent Teams 多智能体协作模式,用户输入剧本与一句话提示词即可由编剧、导演、美术、分镜师、配乐师等 Agent 自动接力完成影视短剧制作,文章以"华强买瓜"剧本配合《JoJo的奇妙冒险》风格进行实测,展示了从需求拆解、角色资产生成、镜头提示词确认到视频拼接与片段迭代修改的完整流程。

The full text has not been translated yet. The Chinese original is shown below.

8 月 24 日,阿里的Wan 3.0视频生成模型在千问创作 PC 端和千问 App 正式上线。同期出现在千问创作里的还有Agent Teams创作模式:用户提一个想法,一组分别扮演编剧、导演、美术、分镜师、配乐师的 Agent 自动组队,接力把它做成影视作品。

文章配图

承载这两者的「千问创作」是千问近期上线的 AI 创作平台。它的定位是面向专业创作者的创意平台:Wan 3.0 及其满血的 Prime 版在这里全网首发,Prime 版生成更快、效果也更进一步;视频模型外,平台还汇集了Qwen-Image-3.0等阿里顶尖模型,视听两端的素材都能就地解决。产品侧则提供画布工作流与多种专业 Agent,AI 短剧、漫剧、营销广告、图像设计可以在同一个工作台里一站式完成。

是的,千问创作把模型、素材和流程装进同一个工作台。单看 Wan 3.0,这是一次模型升级,单段直出 30 秒、多模态参考、更低的单秒价格。单看多 Agent 协作,这是 Agent 范式在又一个场景里的延伸。两者相加,意义却非同寻常。

因为对专业内容生产来说,眼下卡住效率的环节,已经不是单条视频的质量了。卡脖子的是搬运。

做过 AI 短剧的人大概都熟悉这套流程:一部三分钟的短剧拆成三四十个镜头,剧本在聊天窗口里写,角色四视图在生图工具里抽卡,分镜表落在表格里,再逐条把镜头描述翻译成提示词喂进视频模型;回来发现某个镜头中角色换了张脸,就得回上游改参考图,把下游重跑一遍。配音配乐在另外两个软件里,最后还要进剪辑软件对时间线。AI 在这里承担的是一个个孤立的工位,把工位串起来的人干的其实是制片主任的活。生成不难,难的是让几十次生成之间保持连续性。

文章配图

AI 短剧制作流程

这几年视频模型的能力提升很快,时长、画质、音画同步、角色一致性几乎每个季度都在刷新,但能力上限的提高并没有等比例地转化成生产效率。要完成一部短剧,还需要剧本结构、角色设定、分镜规划、跨集统筹和后期剪辑,这些工作量不随模型变强而消失,反而因为生成变便宜、可选项变多,管理成本还上升了。

行业已经意识到了这一点,昆仑万维和字节跳动都在做这方面的平台。整体来看,竞争的重心正在转向,目标正转向「把一次完整的内容生产组织起来」。千问创作这次把自研视频模型、自研图像模型和 Agent 编排装进同一个产品,是这条路线的一个最新样本。

文章配图

千问创作手机 App 端入口及演示 demo

Wan 3.0:先把单镜头的上限抬高

要实现有效的多 Agent 协作,前提是每个工位的产出质量足够高。否则再精巧的分工,也只是把废片的产生速度提高了。

视频生成方面,千问创作接入了Wan 3.0视频生成模型及其Prime 版,而 Wan 3.0 这一代的升级方向,目标就是要让生成结果可以直接使用。

文章配图

首先是时长。单段最长 30 秒,意味着一次人物出场、一轮完整冲突或一段产品演示可以放在同一个镜头序列里生成,而不必用多个 10 秒片段来回拼接。须知,拼接是一致性问题的主要来源之一:换脸、道具漂移、环境音断裂、情绪重启,大多发生在接缝处。因此,时长的一大核心价值就是把接缝的数量降下来。

其次是参考的丰富度。除文本、图片、音频、视频四种基础模态外, 还支持 doc、xls、ppt、pdf、md 等文档格式输入,也支持网页链接。这一条在专业场景里的意义很大:广告片有品牌视觉规范文档,科普片有原始论文或 PDF,企业宣传片有产品手册。能直接读这些材料,等于把「人工把需求写成提示词」这一步省掉了一部分。

第三是一致性与镜头语言。Wan 3.0 在角色长相、场景布局、服装道具、声音和画面风格等维度支持像素级控制,可复刻参考资产,并能驾驭推、拉、摇、移等镜头运动,通过镜头切换和蒙太奇推进剧情。在第三方创作者的公开测试里,20 至 30 秒的短剧片段确实能在特写、全景、肩后镜头之间切换而不崩人物,暗场和大幅运动下的服装、站位也基本稳定。

文章配图

Wan 3.0 的价格也极具竞争力。Wan 3.0 的 API 标价为 480P/720P/1080P 分别 0.3/0.6/1.2 元每秒;据千问方面提供的信息,会员限时 4 折起,720P 单秒低至 0.26 元。对需要靠量取胜的短剧、漫剧和信息流广告来说,单秒成本直接决定了废片可以承受多少次。

关于 Wan 3.0 的更多介绍可以观看我们之前制作的实测视频:

文章配图

图像侧的搭档是 7 月 21 日发布的Qwen-Image-3.0,支持最大 4.5k token 超长输入,可一次生成涵盖公式符号、几何图形、逻辑推导步骤等多元素融合的知识图解与复杂 UI 界面,并支持 12 国语言和 20 多款字体原生渲染。其提示词长度较前代提升了 4.5 倍,其一大重要应用场景正是影视短剧分镜:创作者可以像写需求文档一样完整描述画面结构、文字内容和排版细节。

文章配图

当然,你也可以选择满血版Qwen-Image 3.0 Pro,生成效果更佳。

对视频流程来说,这一条很关键。角色视图、场景参考图、道具图、分镜草图,这些都是视频生成之前必须先固定下来的资产。图片模型的可控性越高,视频阶段的抽卡次数就越少。

Agent Teams:从「写提示词」到「派活」

Agent Teams要解决的是前面那个搬运问题。

它的交互起点只需一句自然语言。用户提出创作想法,系统自主拆解任务,把不同环节分派给承担导演、编剧、视觉设计、分镜师等角色的子 Agent,围绕剧情、人物、视觉风格和镜头表达展开协作。

文章配图

千问创作的「人才市场」已经预置了 59 个 Agent,包含不同风格的导演、美术、编剧、歌手等,用户也可以根据需求自行创建新的 Agent

千问创作把这称为「自动组队」。后续的创意策划、脚本撰写、角色设定、分镜设计、画面生成、配音配乐直到成片制作,由这组 Agent 接力完成,用户可以在对话框里介入,修改创作方向。

网页链接和文档可以直接作为参考进入项目,当前附件支持 PDF、Word、TXT、Markdown 和 Excel 等。产品形态上,千问 PC 端和移动 App 端均提供了直达入口,Web 端也可通过c.qianwen.com直达。各端创作资产和项目互通,可以中途换设备继续。

实测:我们做了一部「JoJo 的奇幻买瓜」

我们给出的需求非常简单:一段「华强买瓜」的文字剧本,外加一句提示词:「将这个剧本做成视频,视频风格参考《JoJo 的奇妙冒险》」。没有分镜,没有角色设定,没有画幅要求,就是一个普通用户提需求的样子。

千问创作 Agent Teams 接手后的第一件事是派出创作助手,而这个助手先做了一轮任务分析,然后抛出了一个问题:视频要什么画幅比例?这恰好是我们在提示词里疏忽的参数。把「需求补全」放在任务拆解之前,比拿着残缺的需求一路跑到底要省事得多。

文章配图

确认之后,创作助手把任务做了更细一层的拆解,并给出一份组队方案。这部片子需要四个工位:导演、插画师、视频师、剪辑师。

文章配图

再次确认后,四个 Agent 正式加入项目。到这一步为止,我们输入的全部内容,仍然只有最开始那段剧本和一句话。

文章配图

接下来是各司其职的接力。第一棒是导演,它把原始剧本拆成 11 个剧情点,并写出了一份完整的讲戏本。每个剧情点的情绪落点、人物动机、镜头意图都交代清楚。这份讲戏本本身就是流程被收拢进同一个上下文的证据,是下游几个 Agent 共同的参照物。

文章配图

文章配图

然后是插画师开工,产出角色与场景的视觉资产。

文章配图

真别说,有那味儿了。这一步的产物是一份可以被下游反复引用的角色资产;后面十几个镜头的人物一致性,都锚在它们身上。

有了角色素材,轮到视频师逐镜头生成 JoJo 风格的片段。但它没有直接开始烧算力,而是先写了 12 条镜头提示词摆到我们面前,等待审阅和修改。

文章配图

这里我们也能看出来千问创作 Agent Teams 的一大关键设计:Agent 之间传递的并非一段自然语言的转述,而是一份份可读、可改、可回滚的结构化中间产物:讲戏本、角色资产、镜头提示词表。它意味着这是一条每个工位都有明确交付物、且每份交付物都对人开放的流水线。

提示词示例:

文章配图

同时,「先出提示词、再等确认」的逻辑也非常实用,毕竟视频生成是全流程里最贵、最慢的一步,一旦 12 条全部跑完才发现方向偏了,返工成本是最高的。把人的判断插在生成之前而不是之后,比多加几个自动化环节更实用。

说实话,这批提示词写得已经相当完整。但为了试出这套体系的韧性,我们决定强行加戏,提了一条修改意见:「将华强骑乘的重型摩托车改成有些残破的小电驴」,并从原版视频里截了一张小电驴的照片作为参考图丢了进去。与此同时,我们还把视频模型从 Wan 3.0-720P 切换成了 Wan 3.0-1080P。

文章配图

这一下同时动了三个东西:镜头内容、参考资产和底层模型,这个 Agent Team 都稳稳接住了。

接下来就是成本最高的环节:视频生成。

文章配图

12 条片段全部生成完成后,剪辑师上场,把它们拼接成了一段完整影片:

文章配图

创作助手随后给出了整个项目的总结。

文章配图

当然,须得承认,这一版成品并不完美,仍有不少瑕疵。但这恰恰是 Agent Teams 与「一键生成」类产品的分野所在:项目并没有在成片那一刻结束。我们可以退回到镜头生成环节,直接 @ 对应的智能体与之对话,单独重做某一段,而不必推倒重来。

文章配图

下面是我们只微调了三个片段之后的新版本:

文章配图

效果明显好了一截,而且这个优化过程是可以一直迭代持续的。

整体跑下来,我们的判断是:这套流程确实能把一个只有剧本和一句话的需求,推到一部结构完整、风格统一的成片,中间不需要在多个软件之间来回搬运资产。但它不是「一键成片」,从「能跑通」到「能交付」,仍然隔着人的验证和多轮优化。

这一点值得再往下想一层:为什么偏偏是视频这个场景,让多 Agent 协作看起来跑得通?

为什么是视频?

跑完这一遍,我想聊聊视频这个场景本身。

多 Agent 协作这个范式,过去一年在很多方向上被试过,落地效果参差不齐。回过头看,它跑得比较顺的地方有一个共性:任务本身已有成熟的分工协作范式。

视频制作也正好满足这个条件。编剧、导演、美术、摄影、剪辑、配音,每个工种的职责边界、交付物格式、上下游接口,在电影工业里被打磨了一个世纪。Agent 的分工不需要重新设计,照抄剧组编制就行。分镜表天然就是一种结构化的中间产物,角色设定天然就是一份可复用的资产规格。相比之下,很多被硬拆成多 Agent 的任务,其实一个人就能干完,拆开反而会增加沟通成本。

但视频也有它特有的难处,而且这个难处恰好会在多 Agent 体系里放大。

代码类 Agent 之所以能自主迭代,是因为可使用编译器和测试用例来进行测试,结果很容易验证。

视频则不然。一个镜头「好不好」是主观判断,「接得顺不顺」需要人看完整段才知道,「感觉对不对」更是无法形式化。没有可以量化的验收标准,Agent 之间的接力就只能默认上游的产出是对的,错误会一路向下游传导,直到人在成片阶段才发现。

也正因为此,用户能在哪些节点介入、介入之后改动能否向下正确传播,或许比自动化程度本身更重要。回头看,Agent Teams 把讲戏本和 12 条提示词摆到用户面前等待确认,与其说是产品的贴心,不如说是这个场景的必然。

从这个角度看,Agent Teams 这类产品当下的真实价值,可能不在于「全自动」,而在于它把原本散落在十几个工具里的流程收拢进了一个上下文里。同一个项目里,剧本知道角色设定,分镜知道剧本,生成知道分镜。人不再是唯一的信息搬运工,而是来到了一个更接近导演的位置,只需提要求、看样片、下判断。

一个人能不能做出专业成片?

把「专业」拆开看,专业成片至少包含三层:技术可用性,画面不崩、声音同步、时长达标;叙事完整性,有结构、有情绪推进、有钩子;以及商业可交付性,符合品牌规范、能过审、能按时按预算交付。

第一层模型已经基本解决,第二层是 Agent Teams 这类产品正在解决的地方,方向对不对要看接力质量,第三层是反复修改、精确对齐需求、在有限预算内控制废片率;这一层目前仍然高度依赖人。

过去两年,AI 视频的竞争叙事一直围绕模型指标展开:谁的时长更长,谁的一致性更好,谁的单秒更便宜。这些依然重要,Wan 3.0 这一代的进步也确实落在这些维度上。但当单条视频的质量逐渐逼近可用线,差距会转移到流程的组织方式上去。

把编剧、导演、美术打包成一支可以被一句话调度的队伍,是对这个问题的一种回答。它还有很多没有被验证的边界,但这个方向看起来确实大有可为。

想上手的话,直接前往千问创作 PC 端c.qianwen.com即可开始(第一个 c 意为 create);也可以用千问 App 远程操控,创作资产与项目在多设备间互通,随时接着上一次的进度往下做。

文章来自于微信公众号 “机器之心”,作者 “机器之心”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)