對(duì)話Buzzy：做個(gè)能刷TikTok、懂梗且會(huì)“P視頻”的視頻Agent

作者 ｜ 黃小藝
郵箱 ｜ huangxiaoyi@pingwest.com

過去一年，視頻AI賽道最熱的關(guān)鍵詞是“可控”——怎么讓AI生成的內(nèi)容更穩(wěn)定、更精準(zhǔn)、更符合用戶意圖。

創(chuàng)業(yè)者們?cè)谀Ｐ偷娜毕萆献鲅a(bǔ)丁：更精細(xì)的畫布、逐幀調(diào)節(jié)、分鏡編排，試圖讓AI聽懂人類的每一個(gè)指令。

這是一條有價(jià)值的路，但它有一個(gè)盲區(qū)：它假設(shè)了用戶已經(jīng)知道自己想做什么。

事實(shí)上，卡住大多數(shù)創(chuàng)作者的不是“怎么做”，而是“做什么”。商家不知道現(xiàn)在什么內(nèi)容格式在火，小創(chuàng)作者不知道為什么某個(gè)Meme能傳染給幾百萬(wàn)人，品牌方不知道自己的產(chǎn)品該接進(jìn)哪個(gè)流行模式。

這是一個(gè)Context的問題，模型再?gòu)?qiáng)也解決不了，因?yàn)樗钤谝粋€(gè)封閉的生成室里，看不到外面的世界。

Buzzy的答案是，讓AI從創(chuàng)意環(huán)節(jié)開始介入，給Agent接入互聯(lián)網(wǎng)上活的、會(huì)傳染的創(chuàng)意數(shù)據(jù)流，然后和你一起創(chuàng)作視頻。

這個(gè)體系里有兩個(gè)核心能力。

一是，你與Agent一起腦暴。

在網(wǎng)頁(yè)端打開Buzzy，告訴Agent你想找什么風(fēng)格的內(nèi)容，它去各平臺(tái)幫你搜、幫你刷，根據(jù)你的品味推給你。你可以把喜歡的加進(jìn)list，也可以直接跟Agent討論：這個(gè)視頻哪里吸引你，想再找什么方向的。

Buzzy也接入了Messaging app，手機(jī)上看到好玩的，直接把鏈接發(fā)給它，它記下來，可以了解你的taste，幫你找類似的、做類似的。

二是，Agent幫你P視頻。

當(dāng)你找到想復(fù)刻的方向，不管是精美特效，還是百萬(wàn)轉(zhuǎn)場(chǎng)，Buzzy都可以幫你復(fù)刻一個(gè)新的版本。

比如我們搜到了一個(gè)Ins上1.4M觀看的熱門穿搭換裝視頻，選擇進(jìn)行Recreate，上傳自己的穿搭，就可以得到一個(gè)這樣的效果。

除了復(fù)刻，用戶還可以讓Buzzy精準(zhǔn)修改任何一處，想加一個(gè)水杯，想把logo換成黃色——說出來，AI去執(zhí)行，其他部分不動(dòng)。

過去一年，從OpenClaw住進(jìn)用戶的電腦、釘釘開放CLI讓Agent進(jìn)入辦公環(huán)境、到“Harness”概念的興起——整個(gè)行業(yè)都在做同一件事：把模型從對(duì)話框里拉出來，放進(jìn)用戶真實(shí)所在的上下文環(huán)境里。

因?yàn)槟Ｐ椭挥泻湍闼诘沫h(huán)境打通，理解這個(gè)環(huán)境的運(yùn)作邏輯，才能真正持續(xù)進(jìn)化，而不只是接受一次性指令然后產(chǎn)出結(jié)果。

Buzzy做的是這件事在視頻創(chuàng)作里的具體形態(tài)。

以下是硅星人與Buzzy創(chuàng)始人Ella的對(duì)話：

一、模型在變強(qiáng)，但創(chuàng)意依然很難

硅星人：Buzzy做這件事的底層邏輯是什么？現(xiàn)在視頻AI賽道這么熱，你們切入的角度和大多數(shù)人不太一樣。

Ella：我們做這個(gè)產(chǎn)品有一個(gè)前提——我們認(rèn)為模型會(huì)足夠強(qiáng)。你要做一個(gè)更長(zhǎng)期的事情，就得假設(shè)最后模型一定能解決所有生成層面的問題。那我們就想，當(dāng)模型足夠強(qiáng)的時(shí)候，大家的卡點(diǎn)還在哪兒？

我們發(fā)現(xiàn)卡點(diǎn)其實(shí)在兩個(gè)環(huán)節(jié)。第一個(gè)，也是最關(guān)鍵的——大多數(shù)用戶根本不知道自己要做什么內(nèi)容。不管是商家、創(chuàng)作者還是普通用戶，大家都想做內(nèi)容，都希望自己的內(nèi)容有人看、能帶來流量和收益。但什么樣的內(nèi)容能做到這一點(diǎn)？這件事對(duì)他們來說非常難。

你會(huì)發(fā)現(xiàn)所有人做內(nèi)容，包括你們寫文章也是，大量時(shí)間花在research上——找方向，找適合自己的、有熱度的、有創(chuàng)意的切入點(diǎn)。

硅星人：所以核心痛點(diǎn)不在“怎么做視頻”，而在“做什么視頻”？

Ella： 對(duì)。痛苦的點(diǎn)在兩個(gè)層面。第一，世界上90%的人，他可能都沒有那么有創(chuàng)意。不可能今天想一個(gè)靈感，明天又想一個(gè)，后天又想一個(gè)。

第二，就算有了一個(gè)靈感，你要把它變成一個(gè)prompt也很痛苦。視頻是很視覺的事情，它有運(yùn)鏡、有節(jié)奏，你要讓普通人用一段文字把這些描述清楚，其實(shí)挺難的。

Buzzy一開始就想先解決這個(gè)入口問題——你得讓大家很容易地開始。假設(shè)模型夠強(qiáng)，用戶也知道自己想做什么，模型又能全部做好，那不就可以了嗎？

二、你的靈感不該是“搜”出來的

硅星人：你們?cè)趺唇鉀Q用戶“不知道做什么”這個(gè)問題？Agent具體是怎么工作的？

Ella：我們先說一個(gè)認(rèn)知，人的靈感不應(yīng)該是坐在電腦前狂搜一兩天搜出來的。靈感是迸發(fā)出來的。它可能是跟朋友聚餐的時(shí)候，可能是在打車路上。它是碎片化的東西，不是說你拿到一個(gè)工具，坐那兒死搜就一定會(huì)有靈感。

所以我們的方法是這樣的——我們有一個(gè)bot，或者說一個(gè)Agent。用戶平時(shí)刷抖音，或者在某個(gè)moment突然有了靈感，就一鍵分享給這個(gè)bot。就像在微信或者飛書里發(fā)消息一樣，直接分享過去。可以是一個(gè)視頻，也可以是一個(gè)想法，比如“我要做一個(gè)狗跟電腦說話的視頻”。

這就是我們所說的capture——收集你平時(shí)的碎片靈感。

你分享給它之后，這個(gè)bot會(huì)幫你全網(wǎng)去搜。它會(huì)說，這個(gè)用戶想要“狗跟電腦說話”相關(guān)的東西，那我去看一下各個(gè)平臺(tái)上相關(guān)的素材都有哪些，有沒有視頻、文章、動(dòng)畫提到這個(gè)。

搜完之后，它會(huì)做兩層篩選：第一層是數(shù)據(jù)——如果一個(gè)視頻是近期發(fā)布的、播放量幾百萬(wàn)、點(diǎn)贊很高，說明它是比較火的?；疬^的東西會(huì)再火，既然它火了，肯定有它的原因。

第二層是用戶的taste。每個(gè)用戶喜歡的內(nèi)容不一樣，有人喜歡大片感的，有人喜歡搞笑的，有人偏愛可愛風(fēng)。Agent會(huì)根據(jù)你平時(shí)的偏好，在同一個(gè)話題下找到符合你風(fēng)格的方向。

最終呈現(xiàn)給用戶的，就像一個(gè)個(gè)人化的靈感版——我們的slogan叫“find video ideas to recreate”，就是說你先找到一個(gè)不錯(cuò)的idea，然后starting from this，在它基礎(chǔ)上加入你自己的東西。

硅星人：我覺得這里最吸引人的是，Buzzy的Agent是在“用戶互聯(lián)網(wǎng)環(huán)境”中思考的。它能主動(dòng)去看全網(wǎng)在發(fā)生什么，一起沖浪、交流，這更偏向營(yíng)銷和賬號(hào)運(yùn)營(yíng)員工。

Ella：對(duì)，這是關(guān)鍵。我們?cè)诘顷懙臅r(shí)候，還有會(huì)用戶個(gè)人賬號(hào)綁定，你可以把你的產(chǎn)品主頁(yè)、TikTok主頁(yè)傳上去，讓Buzzy和你一起運(yùn)營(yíng)。

我們認(rèn)為用戶很難先想好做什么——他都已經(jīng)想清楚了，那還需要什么幫助？最痛苦的那一關(guān)，就是想不出來。

硅星人：Buzzy能實(shí)時(shí)連接、搜索TikTok、ins等等，和人直接在這平臺(tái)上搜索一樣嗎？

Ella：不一樣。抖音搜索是純關(guān)鍵詞邏輯——你搜“可愛的貓和丑貓打一架”，在抖音很難搜到，因?yàn)樗皇瞧ヅ錁?biāo)簽。我們做了視頻理解，是語(yǔ)義搜索——把視頻里的風(fēng)格、動(dòng)效、運(yùn)鏡這些語(yǔ)義信息提取出來，再幫你搜跟這種“感覺”相似的視頻。

所以出來的結(jié)果第一是更準(zhǔn)，第二它不再是一個(gè)純工具。用戶不用自己跨平臺(tái)去搜、一個(gè)一個(gè)去看。Agent已經(jīng)幫你搜完了，幫你全部看過一遍了，最后推給你的是質(zhì)量不錯(cuò)、數(shù)據(jù)不錯(cuò)、有二創(chuàng)空間的內(nèi)容。

三、教AI理解“梗”有多難

硅星人： 視頻理解能力是這套系統(tǒng)的核心之一。但AI理解視頻里的“?！睉?yīng)該非常難——有些梗連人都看不懂，怎么教AI？

Ella： 難點(diǎn)確實(shí)在這里。舉個(gè)例子——有一個(gè)面粉整蠱視頻，一個(gè)人在面粉袋底部貼了膠帶，她老公拿起來的時(shí)候，膠帶一扯，面粉直接撲到臉上。這個(gè)梗的關(guān)鍵在膠帶，但AI一開始完全看不到膠帶，不理解為什么好笑。

還有一個(gè)是把真人變成可愛卡通小人在跑步機(jī)上跑，AI沒理解“可愛的小人”才是關(guān)鍵，直接把真人大人放跑步機(jī)上——那就不是梗了。

核心要求是：你要先理解梗，才能幫用戶復(fù)述這個(gè)梗。

硅星人： 但怎么讓AI做到這件事？你們接的是API，不能去微調(diào)Gemini？

Ella： 我們的方法分兩層。

第一層是context指導(dǎo)——給AI更多上下文，告訴它這類視頻要關(guān)注什么。比如有些視頻核心是音樂卡點(diǎn)，你要告訴它“這是卡點(diǎn)視頻，節(jié)奏才是關(guān)鍵”，它后來就懂了。

但你一定不能一開始cover所有情況。AI在做的過程中會(huì)有遺漏，這時(shí)候我們會(huì)給它feedback：為什么這個(gè)點(diǎn)你沒注意到？缺了什么context，你再去調(diào)。這是一個(gè)持續(xù)進(jìn)化的過程。

第二層是在大模型上搭載了一個(gè)小模型。因?yàn)橹豢縞ontext還不夠，有些情況還是會(huì)出錯(cuò)。出錯(cuò)的時(shí)候，每次feedback都會(huì)讓這個(gè)小模型存下一些東西——不完全是memory，更像是存參數(shù)。你越給AI這些context和feedback，它就越來越準(zhǔn)。

硅星人： 所以這個(gè)小模型輸出的“參數(shù)”是什么？

Ella： 可以這么理解：大模型（比如Gemini）本身我們改不了，但在它外面我們搭了一個(gè)小模型，這個(gè)小模型積累了大量“什么叫?！钡呐袛嘟?jīng)驗(yàn)。每次新視頻進(jìn)來，小模型先做分析——這個(gè)視頻的創(chuàng)意點(diǎn)在哪、梗的類型是什么——然后把這些判斷結(jié)果作為輸入傳給大模型。大模型拿到的不只是視頻本身，還有小模型預(yù)處理過的“理解框架”。這樣大模型的輸出就會(huì)更準(zhǔn)。

硅星人： 靠不斷出錯(cuò)、不斷feedback來進(jìn)化，那這樣效果總是滯后的，怎么辦？

Ella： 確實(shí)需要前期大量調(diào)教。但我們發(fā)現(xiàn)，當(dāng)你cover了差不多大部分視頻類型之后，準(zhǔn)確率就會(huì)越來越高，后面就不用那么頻繁地去干預(yù)了。關(guān)鍵是先把主要的梗類型都讓AI見過，它就能泛化到類似的情況。

我們的目標(biāo)是讓AI真正有創(chuàng)意。推創(chuàng)意的前提是它先得理解這些視頻的創(chuàng)意點(diǎn)在哪。如果它看了這么多視頻，數(shù)據(jù)也喂給它了，它不能理解為什么這個(gè)視頻火，那它永遠(yuǎn)不會(huì)有創(chuàng)意。

四、自然語(yǔ)言修改視頻——跟Agent說人話就行

硅星人：找到靈感之后，用戶具體怎么在Buzzy上把視頻做出來？

Ella：用戶選一個(gè)覺得不錯(cuò)的視頻作為開始，然后就跟Agent對(duì)話?？梢宰龊?jiǎn)單的二創(chuàng)，比如說“把這個(gè)角色換成我的臉”“把橘黃色改成我的品牌色”，像“口噴P視頻”一樣，當(dāng)然，也可以沒有參考視頻，在對(duì)話中按照生劇情、關(guān)鍵幀、圖生視頻的方式做，但我們目前核心做的還是前者——二創(chuàng)。

背后的Agent會(huì)根據(jù)不同的視頻自動(dòng)選擇不同的模型。我們不讓用戶選模型——用戶選視頻就好了，模型Buzzy來判斷。

硅星人：你們的自然語(yǔ)言修改P視頻，想比視頻模型自帶的參考圖、主體替換等功能，做了什么額外的工程嗎？

Ella：有幾個(gè)點(diǎn)，首先，seedance直接修改主體其實(shí)并不是很穩(wěn)定，我們做了很多主體的智能識(shí)別能更穩(wěn)定的替換；

其次， 我們可以修改劇情，對(duì)白，背后做了比較多的工作讓劇情修改后更加平滑的鏈接上 。

最后是我們可以做到時(shí)間軸上某一段修改，其他段完全不變，銜接的自然。

硅星人：花費(fèi)大量精力做自然語(yǔ)言P視頻的意義在哪里？這是基礎(chǔ)模型廠商比如Kling、Vidu等等一直在做的事情，你們要跟他們比效果或者速度嗎？

Ella：是這樣的，我們認(rèn)為視頻編輯是一個(gè)非常重要的生成的后處理環(huán)節(jié)。

但大部分的生成工具，目前做的是先生成很多分鏡，再基于分鏡生成分段視頻，再進(jìn)行拼接，因?yàn)橛脩粢坏┥珊镁筒缓酶膭?dòng)了，前期需要大量的確認(rèn)環(huán)節(jié)。

但我們認(rèn)為這不是一個(gè)最優(yōu)的路徑，大多數(shù)用戶想要的還是一口氣生成完整視頻，然后看到哪里不滿意再指哪打哪的修改。

特別是用戶和商家日常自己拍攝的視頻。使用Buzzy直接視頻，可以節(jié)約大量重新錄制的時(shí)間和成本。

基礎(chǔ)模型廠商一直做生成的視頻片段的修改，他們是我們的基礎(chǔ)，但是整體的視頻修改有很多很細(xì)的部分，交互不是模型層能做好的。

比如Photoshop，用戶需要精細(xì)的框選畫面物體或者編輯某一段時(shí)間軸上的內(nèi)容，這個(gè)不僅是自然語(yǔ)言模型的解決的，更多還有應(yīng)用層的交互和工具設(shè)計(jì)。

所以我們并不是在和基礎(chǔ)模型廠商比拼，我們更多是建立在基模不斷進(jìn)化的基礎(chǔ)上，給用戶提供更多的工具體驗(yàn)和用戶個(gè)人品味沉淀下的視頻修改agent。

當(dāng)然我們相信隨著基模越變?cè)胶?，我們的效果也?huì)越來越好，因?yàn)槲覀兙拖翊＞拖袼疂q船高。

硅星人：這跟現(xiàn)在很多做畫布、做分鏡的視頻AI工具路線完全不同。

Ella：我們走的是完全相反的路。那些產(chǎn)品希望做得越來越復(fù)雜——更精細(xì)的畫布控制，逐幀調(diào)節(jié)，每個(gè)分鏡都可以單獨(dú)編輯。他們服務(wù)的是非常專業(yè)的創(chuàng)作者，就是要做電影，分鏡要特別好的人。

他們算video editor，我們算video recreator。你讓做賬號(hào)的人每天去研究畫布？他們更多是看數(shù)據(jù)——最近三天播放量超過十萬(wàn)的視頻拉出來，看看有什么跟我相關(guān)的，好，做。

或者做廣告的人看一下競(jìng)品跑了什么廣告效果不錯(cuò)，把我的商品放進(jìn)去，就是這樣的需求。

五、Agent越用越懂你

硅星人：如果Buzzy定位是一個(gè)私人的視頻創(chuàng)作運(yùn)營(yíng)員工，那么參考人類員工會(huì)看視頻發(fā)布數(shù)據(jù)，你們的Agent也會(huì)去看嗎？

Ella：用戶把視頻發(fā)到TikTok、Instagram這些平臺(tái)之后，我們是能拿到一些數(shù)據(jù)的——播放量、互動(dòng)率、廣告ROI這些。我們?cè)侔褦?shù)據(jù)反饋給Agent，跟它說：你這次的創(chuàng)意只拿到了50分，但別人的拿到了80分。

這本質(zhì)上就是Agent的“饑餓游戲”——讓Agent發(fā)現(xiàn)另一個(gè)視頻做得比它好，那它就應(yīng)該向別人靠攏，把好的方向反饋回來，說我們應(yīng)該往A這個(gè)方向去做創(chuàng)意，而不是B。

硅星人：但流量有時(shí)候是不可預(yù)測(cè)的，同樣的創(chuàng)意可能因?yàn)榘l(fā)布時(shí)間、賬號(hào)屬性等因素有不同表現(xiàn)。

Ella：對(duì)，Buzzy不能保證說發(fā)這樣的內(nèi)容一定更好。但從更大的維度來看，它會(huì)不斷迭代，比如發(fā)三個(gè)不同的角度，小貓?zhí)?，雪山飛狐，然后發(fā)現(xiàn)你的賬號(hào)就是做雪山飛狐數(shù)據(jù)更好，那就繼續(xù)做，和人類員工的AB test是一樣的。

六、從Creati到Buzzy——為什么是這條路

硅星人：你之前的背景是什么，團(tuán)隊(duì)之前做過什么，是怎么走到Buzzy這條路上的？

Ella：我們從GANs時(shí)代就開始做視頻AI了。上一個(gè)產(chǎn)品叫Creati，有點(diǎn)像Pixverse——用戶選一個(gè)模板，把照片傳上去，一鍵生成。那個(gè)產(chǎn)品用戶量也比較大。

我們?cè)谧鯟reati的時(shí)候看到了一個(gè)核心問題——小商家和大多數(shù)創(chuàng)作者，他們其實(shí)非常需要所見即所得，無論是創(chuàng)作視頻還是修改視頻，都是希望先給到一個(gè)結(jié)果，基于可視化的結(jié)果去做修改。

大部分人有一個(gè)Spark、一個(gè)靈感的碎片，但它不清晰，需要很多工作來把它具體化?；蛘吆芏嗳似鋵?shí)有靈感，后來就懶得做了。

之前Creati是把做好的模板給用戶選，buzzy要做的就是AI員工幫用戶找到可視化的靈感，用戶直接告訴agent這個(gè)才是我想要的風(fēng)格，然后直接給到用戶結(jié)果。

硅星人：現(xiàn)在產(chǎn)品到什么階段了？

Ella：Buzzy是2025年底開始做的，兩三個(gè)月做出來，正式環(huán)境已經(jīng)上線了，也歡迎大家來使用https://www.buzzy.now/。

我們想做一點(diǎn)不太一樣的東西。現(xiàn)在做視頻的人很多，我們一直在想到底哪一塊對(duì)用戶長(zhǎng)期有價(jià)值。我們覺得長(zhǎng)期有價(jià)值的還是沉淀用戶的taste——因?yàn)楫?dāng)AI能做所有事情的時(shí)候，人的品味和選擇才是最后的堡壘。

點(diǎn)個(gè)“愛心”，再走 吧