那边 OpenAI 的 Sora2 还没全面开放，这边国内团队已经上线了自己的 " 特色打法 "。
清华特奖选手创办的 Sand.ai，上线了音画同步视频模型GAGA-1。
怎么样，奥特曼看了这视频都得说一句：好家伙！我啥时候跑去说相声了？
笑归笑，但有一说一，相比较满地开花的多模态模型，GAGA-1 感觉更像是把声音 + 表演这一块打磨得更顺溜了。
重点是——现在平台不需要邀请码，能直接白嫖开整！
GAGA-1 到底有多会 " 演 "？
打开 gaga 网站，首页设计一目了然，功能入口也毫不藏着掖着。
进入Gaga Actor板块，我们就能直接就能用上 GAGA-1 模型了。
还有一点挺贴心的：
我们可以直接在 gaga 中生成图像（内置 NanoBanana 模型），省去了先生图、再传图、再合成的麻烦。
一个平台就能搞定从图到视频的全链路流程，这波操作属实牛啊～
咱先复刻一个最近短视频爆火的 Sora2 街头采访的视频：
Prompt：男子在大街上采访另一个女孩，问道：" 你知道你是 AI 吗？" 女孩说：" 你们是哪家自媒体吗，账号叫什么啊我搜搜！"
单从画质来看，在 " 免费白嫖 " 前提下有这种分辨率确实蛮牛的。
人物的表情、动作也比较自然，嘴型和台词基本能对上。
当然也有一些明显的小 bug ——
比如视频中男生表情略显僵硬，女生语气有点 " 重音跑偏 "，这也算是 AI 音视频生成的通病了。
接着我们加大难度，来一个台词 + 镜头逻辑双挑战：
Prompt：台上的男子是一名脱口秀演员，他跟观众说 :" 有人问我梦想是什么？我说睡到自然醒，他说那叫失业。大家觉得我说的对不对。" 随后镜头给到台下大笑鼓掌的观众。
这段表现可谓稳中带喜：口型精准，语速自然，台词节奏拿捏得相当准～
但唯一的小缺点是——
最后那个切观众席的镜头没出现，看来 GAGA-1 在镜头调度上还差点火候……
继续整活——让梵高来玩点时空穿越的戏码：
Prompt：梵高专注地盯着前方，他用平稳的语调开口说道：" 都说我脾气大，其实我只对调色盘温柔。" 在这个过程中，他的手部不要移动。
好家伙，这磁性、这低气压感，GAGA-1 还真给梵高 " 量身定做 " 了一种 emo 式声线！
而且过程中他手还真一动没动，提示词理解得很到位。
Prompt：画外音——你这么小怎么就开始做饭了？ 图片中的宝宝边做饭边说：爸妈基础孩子就不基础，不说了，说多了都是泪。
人物的表情动作处理都没啥问题，不错不错！
再来玩点抽象的，让一只骑摩托车的猴子发表 " 骑行感言 "：
整体内容是 OK 的，但最后几秒 " 猴子脸 " 有点变形，角色稳定性开始有点崩。
测试完角色台词功底，我们刁难一下 GAGA-1，测一点它不太擅长的领域——动作生成。
让四只小猫上桌打麻将：
乍一看还挺有氛围，但看久了 bug 就冒出来了……
左边那只猫的侧脸有些畸形，而且四只猫虽然围坐，但并没有真的 " 打起来 " ——连一张牌都没打出去。
于是我们换个思路，不打了，改吃！
这次上场的是小猫和老虎，让它们一起大口大口吃火锅：
结果嘛……虽然火锅是有了，但场面更像是在拍 " 动物美食写真 " ——谁也不动筷子。
（感觉完全没有 " 狼吞虎咽 " 的节奏？）
测到这里，其实心里也就有数了。
但一旦进入多角色、多动作的复杂场景，问题就会浮现出来——
角色动作容易脱节、面部形象容易飘、剧情逻辑也容易断裂。
好在 GAGA-1 从一开始就没打 " 万能模型 " 的主意，而是清晰聚焦在说话和表演这件事上。
会说会演，才是它的核心竞争力。
One More Thing
值得一提是，gaga 背后的团队我们也不陌生—— Sand.ai。
没错，就是在今年 4 月发布首个实现顶级画质输出的自回归视频生成模型Magi-1背后的团队。
Sand.ai 创始人曹越，博士毕业于清华大学软件学院，2018 年获清华大学特等奖学金。
并于 2021 年以 Swin Transformer 共同一作身份获 ICCV 最佳论文 " 马尔奖 "。
当大多数模型都在追求 " 啥都能来一点 " 的全能标签时，gaga 反而用一张 " 嘴 "，打出了属于自己的节奏。
至少目前来看，gaga 把一个点的体验——音画同步的台词生成，打磨得异常扎实、实用又顺手。
AI 生成视频玩家里，" 嘴 " 强王者了…
gaga 网址：https://gaga.art/app
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
年度科技风向标「2025 人工智能年度榜单」评选报名开启啦！我们正在寻找 AI+ 时代领航者 点击了解详情
企业、产品、人物 3 大维度，共设立了 5 类奖项，欢迎企业报名参与
一键关注 点亮星标
科技前沿进展每日见
