AI 复刻短视频：一次低成本管线验证

复刻一条 20.7 秒的 TikTok 广告，要花多少钱？REA Videos 的作者在写产品代码前，用真实素材跑了一次完整流程：换杯子、换场景、换食材，再按原片镜头拼回来。按标题披露，花费是 $1.55，但中间暴露了四类故障。

这次实验值得看的，是参考图如何带偏构图、短镜头如何放大账单，以及一次重复提交怎样变成两次扣费。这些细节，比演示视频更能说明一个 AI 产品离可用还有多远。

复刻视频，先把镜头时间线拆出来

输入是一条手机拍摄的便携搅拌杯广告，时长 20.7 秒，分辨率 480×854。作者要把紫色杯子换成奶油色杯盖的哑光深绿杯，把大理石厨房台面换成湖边露营的木桌，再把杏仁奶、蓝莓和字幕分别替换。

目标还包括保留原片的镜头顺序、运镜、节奏和总时长。

作者使用 Apache-2.0 开源的 rea-video 引擎，在本地花了 61 秒拆出 14 个镜头，并提取起止时间、首尾帧、景别、主体位置、运镜、字幕时间线，以及分离的人声和音乐。REA Videos 是基于这个引擎的独立项目，作者与引擎开发者没有关联。

随后，作者生成一张新杯子的产品参考图，供所有镜头复用。每个镜头以原始首帧为基础，通过 kie.ai 调用 gpt-image-2 修改画面，共生成 15 张图，其中 13 张并行处理，总耗时约 4 分钟。

这些关键帧再交给 Seedance 2.0 mini，经 kie.ai 以首帧模式生成 480p、无音频的视频。14 个片段全部生成成功。最后由 ffmpeg 按原镜头长度裁切、叠加字幕，输出静音版和保留原音频版。

成片长 20.70 秒。作者抽查 10 帧，认为其中 8 帧符合要求，但这只是单条视频的人工抽查。

为什么生成成功，画面仍然会跑偏

第一个问题出在参考图。

作者把第 1 个镜头的成品关键帧作为额外参考，传给其他镜头，希望统一场景。结果有 5 张关键帧连构图也照搬了。第 12 个镜头原本应该把果昔倒进玻璃罐，却变成把燕麦奶倒进杯子。

参考图携带的不只有颜色和环境，也包括主体位置、容器和动作关系。模型未必知道作者只想借用其中哪一部分。

修正方法是只传当前镜头的原始首帧和产品照片，用文字描述新场景。产品照片尤其关键：仅靠文字描述，杯子的形状会漂移。

第二个问题是素材识别。没有视觉模型参与时，拆解工具把手机实拍素材判成了「100% AI」，置信度为 0.598。作者猜测，平台重新编码抹掉了检测依赖的传感器噪声，但没有验证这个解释。他计划让多模态模型逐镜头检查。

第三个问题是字幕 OCR。工具读到了时钟数字和包装上的「Almond」，却把真正的字幕归到了「label」。作者因此加入生成前的字幕确认，并自行渲染字幕层。

能识别出文字，不等于能判断哪些文字应该被替换。

还有两处细节没解决：一个镜头仍留着蓝莓，搅拌杯显示屏上的动态倒计时也在静态关键帧处理中丢失了。首帧可以约束外观，却不足以完整表达镜头内的变化。

$1.55 的背后，计费和任务状态更容易踩坑

20.7 秒的成片，实际产生了 58 秒的视频生成计费，约为成片时长的 2.8 倍。

原因是视频模型每个片段至少生成 4 秒，而原广告有 14 个短镜头。生成后再裁切，删掉的部分依然收费。作者提出把相邻短镜头合并生成，但尚未测试。

这里存在取舍：合并可能减少浪费，也可能增加动作控制和镜头衔接的难度，不能直接算作已经实现的成本优化。

第四个故障则是重复扣费。缓存只在任务完成后写入，同一个任务提交两次，就调用两次付费模型。

作者给出的修复方向，是在付费调用前持久化「submitted」状态和任务 ID。不过，原文没说明 ID 是本地任务标识，还是供应商返回的标识，也没交代提交超时后如何确认任务是否已创建。真正落地仍需补上这些状态转换。

运行环境也被这次实验划清了边界。作者判断，这套完整流程不能放进 Cloudflare Workers：拆解需要 Python、OpenCV 和 onnxruntime，合成需要 ffmpeg，任务还会持续数分钟。

他的架构计划是让 Workers + D1 管用户、额度和任务状态；小型 VPS 轮询任务，执行拆解、模型调用及合成，再回报结果。扣额度和退款统一留在 Workers 一侧。R2 保存所有文件，模型通过签名 URL 读取，文件在 30 天后删除。

我的判断

作者做对的一点，是在开发产品前验证完整链路。单个模型能生成视频，并不能证明素材解析、跨镜头一致性、计费和失败恢复都能配合工作。

但证据边界很窄：只有一条 480p 素材，逐镜头动作描述还是作者手写的。正式产品计划交给视觉模型完成，这个自动化环节尚未被此次实验验证。720p 也没测过，作者只说明其每秒价格约为两倍。

「14 个片段成功」说明接口任务完成了；「抽查 10 帧、8 帧合格」也无法覆盖整段动作、转场和产品一致性。原文没有与人工剪辑、整段生成或合并镜头生成做对照，因此质量与成本优势仍属于初步经验。

相比整段交给模型自由生成，逐镜头处理更方便对齐时间线，也更容易定位错误；代价是调用次数、最低片长浪费和状态管理复杂度。REA Videos 目前仍在预发布阶段，页面和价格公开，按钮只是加入候补名单，还没有用户验证。

能拿来做什么

• 做视频生成原型时，先选一条真实素材跑完拆解、生成、裁切和字幕流程，同时记录成片秒数与计费秒数，避免只按输出时长估算成本。
• 设计参考图输入时，分别明确产品外观、原镜头构图和目标场景的职责；出现串镜头错误，可以先排查额外参考图是否带入了错误动作。
• 前端可以提供提交反馈和重复点击限制，Node 或其他后端仍需持久化任务状态，并核对重试是否会创建新的付费任务。
• 把字幕确认放在昂贵生成之前，并检查动态显示、食材残留等具体问题；静态抽帧验收之外，还要观看完整成片。