AIGC新知
绛烨 · 本期观察
遇到新问题，和绛烨一起解。
故事有了，
AI 能拍好吗？
演唱、对白、动作都要顾；
效果之外，还得算成本。
这次聊聊：五种短剧 · 同题对比 · 生成成本
Hi，大家好，我是绛烨。
最近，一支叫《过来人》的 AI 音乐短片刷屏了。
杜甫、苏轼、刘邦，几个课本里熟悉的人物，站在麦克风前，唱起了现代人的失意、漂泊和不容易。
我把视频看完，又翻了翻评论区。很多人在里面讲起自己的经历，有人说起工作，有人聊起生活，还有人听着听着就想起了过去的自己。
这支由喆FILM 创作的 AI 音乐短片，全平台播放量已经超过 1.2 亿。创作者借助其他 AI 工具，独立完成了写词、画面和剪辑，纯制作时间约三四天。
让我感兴趣的，还有这种创作方式本身。
以前想让苏轼站在舞台上唱歌，需要演员、服化道、布景和拍摄团队。现在只要把人物、场景和故事设计好，就可以尝试用 AI 把画面生成出来。
不过，真正做过 AI 视频的人应该都知道，想法有了，成片未必那么容易。
最近，Topview 推出了自己的 AI 视频模型 Topview T1。
我准备拿它拍五段不同类型的短剧，顺便和 Seedance 2.5 做一次对比，看看实际效果和制作成本究竟怎么样。
先说一个比较直观的差异。
按照 Topview 公布的价格对比，Topview T1 和 Seedance 2.5 都支持单段最长 30 秒、1080p 视频生成。
Topview T1 的 1080p 生成标价为每秒 0.22 美元，Seedance 2.5 对应的价格为每秒 0.585 美元，前者低约 62%。
换算成 30 秒的视频，分别是 6.60 美元和 17.55 美元。
不过，价格便宜能不能真正省钱，还得看生成效果和返工次数。
带着这个问题，我准备从古人演唱、家庭喜剧、国风奇幻、万圣节短剧和科幻温情五个场景入手，看看 Topview T1 到底能拍出什么效果。
01
PART
苏轼唱给还没下班的人
AFTER WORK
第一个故事，我想从《过来人》延伸出去。
苏轼站在一家小型 livehouse 里，穿着灰褐色长衫，身后是鼓组和键盘。暖黄色的灯光落在脸上，台下坐着几个刚下班的人。
他扶着麦克风，看了看大家，笑着说：还没下班啊？我陪你唱两句。
随后伴奏响起。
鞋上的泥，等天晴再洗，
没回的消息，先放在那里。
今天的难处，今晚讲不清，
街口还有热饭，给你留着一席。
我希望苏轼像一位经历过很多事情的老朋友，陪大家聊聊天。唱完后，他不需要再讲大道理，只说一句：走，吃饭去。
我提前做好人物和场景参考图，再把 30 秒拆成四段：前 5 秒开场对白，接着 18 秒演唱，随后切到台下听众，最后回到苏轼正面收尾。
生成一段30秒、16:9、1080p的写实古人演唱MV。
场景：一间小型livehouse，深色木质舞台，暖黄色侧光，背景有轻微虚化的鼓组和键盘。台下坐着几位穿现代日常服装的成年观众。现场朴素、亲近，有真实的小酒馆演出氛围。
人物：苏轼，约50岁，中国男性，略显清瘦，留有自然胡须，穿朴素的灰褐色宋代长衫。面容有生活阅历，神态温和、从容。全程保持参考图中的长相、发型、胡须和服装一致。
表演：苏轼站在麦克风支架前，像在陪刚下班的朋友聊天。表演克制，身体随节奏轻微摆动，偶尔用一只手做自然的小幅手势。避免夸张挥手、用力皱眉和舞台式煽情。
时间安排：
0—5秒：正面中近景，苏轼轻轻扶住麦克风，看向台下，带一点笑意，用自然的中文普通话说：还没下班啊？我陪你唱两句。
5—23秒：苏轼用略带沙哑、有生活质感的中年男声进行旋律说唱，吐字清晰，句间自然换气： 鞋上的泥，等天晴再洗，没回的消息，先放在那里。今天的难处，今晚讲不清，街口还有热饭，给你留着一席。
23—26秒：切到台下一位穿普通衬衫的年轻成年观众。他放下手机，抬头听歌，疲惫的表情稍微放松。反应自然，不流泪、不鼓掌。
26—30秒：回到苏轼正面近景。伴奏逐渐减弱，他轻轻笑一下，用说话的语气说：走，吃饭去。说完停留一秒，保留自然呼吸和现场环境声，画面平稳结束。
最想测试的是三个细节。
第一，中文演唱时，嘴型能否跟上歌词。
第二，镜头移动过程中，苏轼的脸、胡须和服装能否保持一致。
第三，模型能否理解一段完整的表演，包括什么时候开口、什么时候停顿，以及最后的情绪变化。
使用 Seedance 2.5 生成的视频：
比较这类视频，我会重点看三件事。
第一，看人。苏轼的脸、胡须和服装有没有保持一致？灯光变化时，面部纹理会不会突然改变？
第二，听声音。开场对白是否完整，演唱有没有漏词、串词，嘴型和歌声能否大致对上？
第三，看故事。台下观众的反应镜头是否出现，最后有没有按要求回到苏轼，说出那句走，吃饭去？
实测下来，Topview T1 基本能够完成 30 秒的演唱叙事，人物形象和画面氛围表现不错，但中文演唱的口型同步仍有优化空间。与 Seedance 2.5 相比，两者各有优势，Topview T1 的价格更有吸引力。
02
PART
外婆帮我清空了购物车
FAMILY COMEDY
第二条，换个轻松的，提前拍一条双十一家庭喜剧。
外孙坐在沙发上，一边领券，一边凑单，算得头都大了。
外婆在旁边看了一会儿，伸出手：“拿来，我帮你”；她接过手机，点了几下，又还回去。
外孙满怀期待地问：省了多少？外婆特别平静地说：全省了。外孙低头一看，购物车空了。
我购物车呢？删了，就不用买了。
提示词全发在这里了：
生成一段20秒、16:9、1080p的写实中国家庭轻喜剧，中文普通话对白。
人物：外婆约65岁，短灰发，穿深绿色针织开衫、米白色内搭和深灰长裤。语气平静，做事干脆，表情自然。外孙约28岁，短黑发，戴黑色细框眼镜，穿灰色连帽卫衣和黑色长裤。说话口语化，反应有层次，避免夸张瞪眼。
场景：沿用参考图中的普通家庭客厅。外婆坐沙发左侧，外孙坐右侧。下午自然光从左侧窗户照进来。浅木茶几上有计算器、茶杯和一碟橘子。
剧情与时间安排：
0—5秒：双人中景。外孙低头看着手里的黑色手机，略微皱眉，抱怨：又领券又凑单，怎么买个东西这么累。外婆看着他，安静听完。
5—8秒：外婆自然伸出右手，说：拿来，我帮你。外孙转头看她，将手机递到她手中。手机交接完整、清楚，不瞬移，不出现第二部手机。
8—12秒：切外婆中近景。她低头在手机上点几下，神情淡定，不提前露出得意表情。随后把手机递回外孙，说：好了。
12—16秒：回到双人中景。外孙接稳手机，带着期待问：省了多少？外婆看着他，平静回答：全省了。
16—20秒：外孙低头看手机，停顿半秒，再抬头看外婆，困惑地问：我购物车呢？外婆自然地从果盘拿起一个橘子，回答：删了，就不用买了。结尾停留在外孙无话可说的表情上。
拍摄与声音： 自然生活剧质感，真实皮肤和衣物纹理，镜头稳定，最多三次切镜。 所有对白严格按顺序说，每次只有指定人物开口，另一人自然倾听。 保留轻微室内环境声和手机触碰声，不加背景音乐、罐头笑声或夸张音效。 手机屏幕朝向人物，无需展示购物软件界面和文字，通过对白交代购物车被清空。 全程保持人物身份、服装、座位和手机外观一致。 无字幕、无标题、无品牌、无水印。
使用Topview T1模型生成的视频：
Seedance 2.5 生成的视频：
这一组里，Topview T1 对双人对白和喜剧节奏的处理比较自然，能够把故事完整讲出来，但手机交接等连续动作还不够稳定。
相比 Seedance 2.5，整体观感接近，适合尝试低成本生活短剧。
03
PART
青铜兽也想下班
BRONZE FANTASY
第三条，拍点现实中见不到的。
博物馆闭馆，展厅安静下来。展台上的一只青铜小兽突然眨了眨眼，慢慢走到地上，还伸了个懒腰。
保安听见动静，回过头：哎，你干吗去？
青铜兽抬头看他：站一天了，坐会儿。
最后，它蹲在长椅旁。保安坐下，拧开保温杯，忍不住问：你也累啊？
青铜兽回了一句：你站三千年试试。
这条测试的是非人角色。静止的青铜材质可以做得漂亮，让它四足行走，就得考虑重量、关节运动和地面接触。走下展台时，脚要踩实，铜锈和金属纹理也不能随着动作突然变成塑料质感。
还有一人一兽的同框关系：青铜兽只有半米高，保安的视线需要准确落在它身上。
生成一段25秒、16:9、1080p的写实国风奇幻轻喜剧，中文普通话对白。
场景：中国博物馆闭馆后的展厅。深灰石材地面，低矮展台，玻璃展柜，旁边一张木长椅。冷色环境光与柔和暖色展柜灯混合，安静、真实，略有神秘感，无恐怖元素。
角色一：原创青铜小兽，约半米高，圆润兽身，四条短腿，一对小卷角。表面有自然青绿色铜锈、细密铸造纹理和局部磨亮的金属。全程保持坚硬、厚重的青铜材质，不变成毛绒动物、塑料或血肉生物。眼睛可轻微转动，开口说话时嘴部小幅活动。 角色二：约50岁的中国男性保安，短黑灰发，普通朴实长相，穿无品牌深蓝色保安制服。右手拿小手电，保温杯放在长椅上。表演克制，先意外，再自然接受眼前的事情。
时间安排：
0—5秒：青铜兽中近景。它站在低矮展台上，先眨眼，再缓慢转头。发出很轻的金属关节摩擦声。镜头缓慢靠近，不出现发光特效。
5—12秒：切中广景。青铜兽从约15厘米高的展台缓慢迈到地面，四足依次落地，有明确重量和轻微金属触地声。 它伸展一下前腿。保安听见声音，转身看向它，惊讶但不大喊：哎，你干吗去？
12—18秒： 青铜兽停下，抬头看保安，用略低沉、带一点疲惫的自然声音回答：站一天了，坐会儿。保安视线准确落在青铜兽身上。
18—25秒： 同一个中广景，青铜兽走到木长椅旁，在地上稳稳坐下。 保安坐上长椅，拿起保温杯，问：你也累啊？ 青铜兽抬头看他，平静回答：你站三千年试试。 最后两者安静待在一起，停留一秒结束。
我挺喜欢这个故事的反差。前面还有点神秘感，一开口聊的却是下班，忽然就有了生活气息。
使用 Seedance 2.5 生成的视频：
Topview T1 对青铜材质和博物馆场景的还原比较到位，青铜兽的形象也有辨识度，不过四足行走时的重量感和动作衔接仍有提升空间。与 Seedance 2.5 相比，两者都能呈现奇幻氛围，但动态细节的处理有所不同。
04
PART
吸血鬼点了一份蒜香外卖
HALLOWEEN
第四条，赶上万圣节，拍点应景的。
雨夜，一位外卖员来到古堡门口。吸血鬼穿着黑色斗篷打开门，满怀期待地准备接夜宵。
外卖员认真地说：您的小龙虾，按备注多加了蒜。
吸血鬼伸出去的手突然停住，身体慢慢往后退。多加了什么？蒜啊，您自己备注的。
这一段主要看夜景氛围和人物反应。门外是冷蓝色雨光，门内是暖黄色灯光，两个人站在交界处，面部、雨衣和斗篷的材质都要分得开。
笑点落在吸血鬼伸出去的手上：先期待，听见大蒜才愣住，然后后退。外卖员则始终一本正经，觉得自己完全按订单办事。
生成一段20秒、16:9、1080p的写实奇幻轻喜剧，中文普通话对白。
场景：雨夜，古堡木门已经打开。外卖员站在画面左侧的门外，吸血鬼站在右侧门内，两人面对面。门外是冷蓝色雨夜光，门内是温暖灯光。门廊遮雨，人物脸部清晰。吸血鬼身后留有后退空间。
人物： 外卖员为年轻中国男性，戴黄色头盔，穿无品牌黄色防雨夹克和黑色长裤。态度认真、礼貌，全程不觉得这件事有什么奇怪。 吸血鬼为清瘦成年男性，穿黑色斗篷、深灰马甲和米白衬衫。刚开始礼貌而期待，听到大蒜之后才出现反应。表演克制，无恐怖变身。
道具： 全程只有一只牛皮纸外卖袋和一部黑色手机。 外卖袋最初由外卖员左手托住，右手扶住袋侧。手机放在外卖员右侧口袋。 外卖袋始终由外卖员持有，吸血鬼没有接到。
分镜与时间安排：
0—4秒：双人中景。外卖员看向吸血鬼，礼貌地说：您好，您的夜宵。 吸血鬼略带笑意，回答：终于到了。他自然伸出右手，准备接袋子。
4—8秒：保持双人中景。外卖员将袋子向前递出一点，但仍稳稳拿住，说：蒜香小龙虾，给您多加了蒜。 吸血鬼听到蒜这个字后，伸出的手才停在半空，笑意消失。
8—12秒：切吸血鬼中近景。他看向外卖袋，身体略向后倾，收回右手，再自然后退一步，迟疑地问：多加了什么？ 不要尖叫，不要摔倒，不要夸张鬼脸。
12—17秒：切外卖员中景。他把外卖袋收回身体前方，用左手稳稳托住，再用右手从口袋拿出手机。 低头看一眼手机，随后抬头，认真回答：蒜啊，您自己备注的。 手机屏幕朝向外卖员，不展示订单文字。
17—20秒：回到双人中景。吸血鬼站在退后的位置，无话可说，看看外卖袋，又看看外卖员。 外卖员仍耐心等他接餐。 保留两秒自然停顿，平稳结束，不添加新台词。
声音： 两人严格按指定顺序说话，口型与各自台词同步，不抢话、不串角色。 外卖员使用自然年轻男声，吸血鬼使用略低沉的成年男声，两人声音明显区分。 保留屋外雨声、纸袋轻微摩擦声和后退脚步声。 雨声不能盖住对白。不加背景音乐、罐头笑声或夸张惊吓音效。
这种小反转很适合 20 秒左右的短视频。一处场景、两个人，把笑点讲清楚就够了。
使用Topview T1模型生成的视频：
使用 Seedance 2.5 生成的视频：
T1 基本能够按照提示词完成吸血鬼听到大蒜后退的剧情反转，雨夜光影和人物表情也有不错的表现，但部分动作与对白的衔接还不够自然。
与 Seedance 2.5 相比，两者在场景氛围和情绪表达上的表现接近。
05
PART
搬家那天，机器人把钥匙还给了我
HOME TOGETHER
最后一条，我想拍得安静一点。
搬家当天，房间里堆着纸箱，门已经打开。一台陪伴女主人多年的旧家用机器人走过来，伸出机械手，把钥匙递给她。
钥匙还你。我会把这里看好。
女主人接过钥匙，收进口袋，拿起旁边一条旧围巾，轻轻围在机器人脖子上。
家都搬走了，你看什么？
机器人慢慢抬起头。女主人牵住它的手：走了，回家。
我在设计机器人时，特意把它做得有些旧：奶白色外壳有划痕，边缘掉了漆，还有几处修补痕迹，像家里一件用了很多年、舍不得换掉的电器。
提示词：
生成一段30秒、16:9、1080p的写实科幻温情短片，中文普通话对白。
场景： 搬家当天的清晨，普通中国公寓门口，门已经打开。 柔和阳光从侧面照进来，木地板上有自然光影。 门边堆着搬家纸箱，小木凳上放着一条褪色砖红色针织围巾。 保持现场图中的空间布局，门口通道畅通。
人物： 女主人约30岁，黑色低马尾，穿米色针织开衫、白色内搭、蓝色牛仔裤和米白运动鞋。 她半蹲在画面右侧，表情温柔自然，情绪克制，不哭泣。
分镜与时间安排：
0—7秒：沿用现场参考图的双人中景。机器人微微低着头，把左手中的钥匙缓慢递向女主人，说：钥匙还你。我会把这里看好。 女主人伸出右手，掌心向上接住钥匙。清楚表现钥匙从机械手转移到她掌心的过程。 机器人松手后，左手自然垂下。
7—11秒：女主人看一眼钥匙，再看机器人，停顿片刻。 她把钥匙放进开衫口袋，随后侧身从木凳上拿起砖红色围巾。 动作自然连续，不让道具凭空消失。
11—21秒：切双人中近景，保持原有左右关系。女主人把围巾轻轻绕过机器人的脖子，松松搭好，两端垂在胸前，不打复杂结。 一边整理围巾，一边温柔地说：家都搬走了，你看什么？ 机器人先保持低头，听完后缓慢抬头，看向她。留出一秒安静对视。
21—26秒：女主人看着机器人，轻轻笑一下，说：走了，回家。她用右手自然牵住机器人空着的左手。两只手接触清楚，拿握合理，不穿模、不融合。
26—30秒： 镜头稍微拉宽。 女主人缓慢起身，机器人抬头看着她，向她身边迈出一小步。 两者朝打开的门转身，准备一起离开。 围巾自然轻晃，画面平稳结束，不强求在结尾完成出门。
表演要求： 情绪通过停顿、眼神和细小动作逐渐变化。 女主人从认真倾听到温柔微笑。 机器人从低头等待到抬头回应。 不添加拥抱、流泪、突然奔跑或额外台词。
声音： 严格按照指定角色和顺序说话，不抢话、不串角色。 保留轻微机械关节声、钥匙触碰声、针织物摩擦声和室内环境声。 机器人声音清晰轻柔，不使用搞怪音效。 不加煽情背景音乐，给对白和停顿留出空间。
画面要求： 真实电影摄影，自然皮肤、旧金属与针织物纹理。 保持人物身份、服装、机器人结构与磨损位置一致。 钥匙不复制、不漂浮；围巾不穿过身体，不遮住机器人眼睛或卡入关节。 手指结构合理，人物与机器人身高比例稳定。 最多三次切镜，保持对话轴线，不快速推拉、不旋转镜头。 无字幕、无标题、无品牌、无水印、无额外人物。
短片只有 30 秒，情绪却要靠一些很轻的动作慢慢积累。比起刻意煽情，我更希望画面自己把故事讲明白。
使用Topview T1模型做的视频：
使用 Seedance 2.5 生成的视频：
这一组里，T1 对温情氛围和人物情绪的表达比较克制，机器人形象也能保持一定的一致性，但钥匙交接、围巾接触等精细动作仍是难点。相比 Seedance 2.5，两者的主要差异集中在动作连贯性和道具细节上。
06
PART
先看看 性价比
COST & VALUE
五个场景拍下来，我觉得 AI 视频创作者除了关心成片效果，还得算算生成成本。
按照 Topview 公布的价格对比，同样生成 30 秒、1080p 的视频，T1 标价为 6.60 美元，Seedance 2.5 为 17.55 美元，前者低约 62%。
如果按照相同生成次数来算，生成五次分别需要 33 美元和 87.75 美元，差距会更加明显。
当然，这只是按官方标价计算的理论成本。实际制作中，如果一个模型需要反复返工，最终成本就可能发生变化。
除了价格，T1 还支持单次最多 50 个参考素材，包括图片、视频和音频，同时提供视频编辑、延长以及 10 余种语言的原生生成能力。
对于需要反复修改镜头、固定人物形象的短剧创作者来说，这些功能提供了更多尝试空间。
此外，根据 Topview 提供的活动信息，Ultra 年付用户还可以享受 30 天 T1 不限量使用权益，具体条件以官方规则为准。
07
PART
写在最后
FINAL THOUGHTS
从苏轼开麦，到外婆清空购物车，再到青铜兽下班，我用五个不同的故事，分别测试了 AI 视频模型对中文演唱、人物对话、复杂动作、剧情反转和情绪表达的处理能力。
实际体验下来，Topview T1 展现出了制作多种类型短剧的潜力。人物、场景和氛围已经能够支持不少创意，但中文口型、复杂动作和道具连续性等细节，仍然需要进一步打磨。
与 Seedance 2.5 对比，两款模型各有表现不错的地方。对创作者来说，最终选择哪一个，还是要结合具体场景、成片质量和实际生成成本。
Topview T1 最吸引我的地方，是它提供了一个更低的价格起点。
同样生成一条 30 秒、1080p 的视频，Topview T1 比 Seedance 2.5 低约 62%。对于需要反复尝试镜头、修改台词、打磨人物表演的创作者来说，这笔成本差异值得关注。
当然，生成成本低只是其中一个因素。能不能减少返工、稳定产出可用素材，同样决定着最终的制作效率。
我觉得，AI 视频发展到现在，值得关注的已经不只有画面是否足够惊艳，还有普通创作者能不能以合理的成本，真正把一个故事拍出来。
如果你也想尝试，可以从一个简单的短剧开始。两个人、一处场景、几句对白，先把故事讲完整。
想体验 Topview T1，可以点击「阅读原文」获取。
评论区添加官方微信，还可领取一次 Topview T1 模型 30 秒视频生成机会（2026年11月5日前有效）。
