小红书爆火AI视频神器新功能让人上瘾

多主体一致性，一直是AI视频的“老大难”。让AI凭空生成模特和衣服并不难，可要是甲方非要马斯克亲自代言，还得穿上毛绒大衣，AI多半就撂挑子了。

Pika最近更新的2.0模型，倒是给出了一种挺有趣的解法——咱们上传多张图片，Pika会精准参考其中的元素，直接生成视频。

集齐人物、商品、场景的照片，一个基础广告片就这么出炉了，而且这些素材在视频里长得跟照片里一模一样。

这是不是意味着AI视频的一致性难题终于被攻克了？广告行业的朋友们又要失眠了？其实没那么乐观。经过实测，Pika的可玩性确实很高，但真要拿来商用好用，道行还差着火候。

马斯克和奥特曼看电影，名画吃薯条，同框从未如此简单

Pika上传多张参考图片的功能，叫作“Scene Ingredients”（场景成分）。

用起来很简单：点“+”上传图片，最多6张；然后在文本框里写上一段提示词。

直接上手实操——让正闹得不可开交的马斯克和奥特曼，化干戈为玉帛，坐在一起看电影。

提示词：两个人坐在漆黑的观众席中。他们手捧一桶爆米花，一把放到嘴里嚼着，全神贯注地看着眼前的场景。他们睁大眼睛的表情传达出热切的期待或着迷，仿佛他们完全沉浸在正在展开的戏剧或场景中。周围的环境表明人群拥挤，但焦点仍然集中在他们的反应上

上传两位的照片就够了，观众席用提示词写出来。

马斯克这边，AI发挥得挺稳。可奥特曼怎么看都像是地主家的傻儿子，吃相吓人不说，眼睛大得快掉出来。

Pika有一个很有趣的点：素材可以“复用”。

于是，我们让马斯克和奥特曼过把模特瘾。只上传一张服装图片，然后用提示词让他们穿上同一件绿色大衣，拍个时尚大片。

提示词：两名男子在壮丽的冬日风景中站在一起自拍。两人都穿着相同的绿色长外套。全身照，从头到脚展现他们。他们摆出专业模特般的姿势，脸上挂着自信的微笑。电影灯光突出了他们的脸庞和外套的奢华质感。高端时尚摄影风格，专业相机品质，时尚杂志美学

两人的照片都是现成的，绿色大衣和冰天雪地背景则用AI另外生成，衣服上的“AIGC”字样，算是给Pika出的附加题。

结果，场景和大衣的一致性保持得不错，“AIGC”三个字依稀可辨，两位模特的动作也大致遵循了提示词。

但最大的问题来了——这两人到底是谁？视频里的人脸和照片，不能说一模一样，只能说毫不相干。

不信邪，继续让Pika玩换装。

这次请出扎克伯格。先用AI图片工具生成一件写着“I was human”（我曾是人类）的T恤，呼应经典机器人梗。再找一张小扎的照片、一把尤克里里的图片，让他边弹边唱。

提示词：一位身穿黑色 T 恤的男子站在温馨的房间里，弹奏着尤克里里琴。镜头从中远景开始，展现他的整个身体，逐渐拉近，最后聚焦在 T 恤上的字迹上

Pika对提示词的遵循和镜头的运动都挺好，衣服也丝滑地穿上了，但右手（尤其是大拇指）依旧不完美。

跟Google Veo、OpenAI Sora这些顶尖模型比，Pika的能力不算最拔尖，一个问题刚解决，更多bug又冒了出来。

写实风试过了，再来试试二次元画风。为了让坂田银时和漩涡鸣人同框，特意选了两张蓝天白云背景的图片。

提示词：动漫风格的场景，镜头聚焦在两个年轻男子的脸上，背景是蔚蓝的天空和白云。他们一边聊天一边眼神交流，保留了原有的动漫艺术风格

背景融合得很自然，两位正面的表情发挥不错，吹动头发和衣服的风也恰到好处。然而，转身就太可怕了——银时是死鱼眼，不是真的翻白眼啊喂。

次元壁都打破了，让名画跨年代互动自然也不在话下——蒙娜丽莎和戴珍珠耳环的少女在麦当劳餐厅吃薯条。

提示词：蒙娜丽莎和戴珍珠耳环的少女正在麦当劳餐厅用餐。她们相对而坐，桌上摆着薯条。她们边聊天边品尝薯条，摄像机从侧面捕捉她们，两位角色偶尔看向镜头，营造出一种随意而友好的氛围

效果一言难尽。看到蒙娜丽莎，不知道达·芬奇想不想掀棺材板。两位像贴图一样被放在视频里，头部运动也非常诡异。

有时候，回归简单、道法自然，结果反而超出预期。

提示词：特写镜头，池塘表面出现气泡，然后咖啡杯从水中浮出

上传一张星巴克的图片、一幅莫奈的睡莲，就能得到一个“清水出芙蓉”的咖啡杯。

PK 国产模型，控制 AI 视频的门槛更低了

从某种程度上说，Pika确实提高了视频的可控性。但话不说满——实测来看，Pika在场景、服装、物品上的一致性保持得较好，可人物的脸容易崩，不管是什么次元。

同时，模型的基础能力也有待进步：吃东西、弹琴等物体运动，仍然会出问题。这些问题能不能靠抽卡缓解？

三个字：抽不起。

Pika 2.0目前仅对Pro和Fancy用户开放，按月订阅每月至少35美元，连免费试用额度都没有。而且Pro用户每月只有2000积分，但用Scene Ingredients功能，一个视频就要花掉100积分。

vidu 界面

其实，国产AI视频模型Vidu比Pika更早实现了“多图参考”功能。更拿捏用户的是，它有免费体验积分。

Pika的几个案例，我也在Vidu跑了一下。蒙娜丽莎和戴珍珠耳环的少女吃薯条——两位像刚出土，但蒙娜丽莎的还原度比Pika高。

马斯克和奥特曼一起看电影——马斯克的脸像了七八成，奥特曼的脸依旧灾难。

坂田银时和漩涡鸣人同框——Vidu居然能基于正脸生成侧脸，但画风和原图不太一样。

另外，在功能上Vidu有一点不如Pika——最多只能上传三张图片。所以让Vidu给马斯克和奥特曼拍时尚大片时，我只上传了两位的照片和绿色大衣，没有上传背景。

两位给人的感觉很陌生。可以看出，人脸的稳定性，仍然是个难题。

和Pika相比，Vidu效果如何？见仁见智。Pika用的是Pro版，Vidu用的是免费版，客观上也会导致差异。但两者的思路是相似的——仅靠几个图片素材、一段简单提示词，就能生成相对稳定的物体。

在AI视频生成中，保持主体一致性，目前相对可靠的方案是LoRA——用一定数量、特定主体的素材对模型进行微调。通过适量素材和训练，模型能逐渐掌握角色的样貌特征。

但为了让AI视频被更多人用起来、有更广阔的商业价值，门槛必须降低。至少从Vidu和Pika身上，我们看到了可能性。

靠 AI 短视频出圈，在整活的道路上一去不复返

Pika 2.0模型发布没几天，海外网友已经玩疯了。

拿自己的照片反复生成不同场景的视频，就能实现“瞬息全宇宙”。

图片来自：X@EladRichardson

通过AI一键试衣，模特和衣服如流水般切换，场景都不带换的，实拍的钱直接省下来了。

图片来自：X@martgent

玩着玩着，Pika给了我一种玩QQ秀或模拟人生的感觉——怎么打扮视频里的角色，全由我们决定。

如果让马斯克“圆梦”，也很容易：先用其他AI工具生成一件“占领火星”T恤、一顶写着“MAGA”的红帽子，然后把它们连同火星场景、马斯克照片、擎天柱人形机器人、他特别喜欢的网红表情包Doge原型，一股脑全上传到Pika。

提示词：一名男子站在火星表面，身穿黑色T恤，头戴红色帽子。他的左边坐着一只狗，右边站着一个机器人。镜头以广角镜头开始，捕捉男子、狗、机器人的全身。随着镜头平稳拉近，男子朝镜头欢快地挥手，表情洋溢着喜悦和冒险精神

最终，一个阳光开朗大男孩出现——左牵黄，右擎苍，憨厚有余，但就是不像马斯克。

像不像是一回事，只要思路开阔，玩法就无穷无尽。

基于自己和名人的照片，可以无痛追星；上传帽子、衣服、乐器，把自己从头打扮到脚；集齐场景、产品、模特，一个五毛特效的广告片就有了……

照片+AI图片+Pika 2.0+提示词，就能生成很多好玩的画面。同时，这种生成方式也规避了一些视频模型的短板，比如写字——在图片模型就能解决。

不和Google硬刚模型能力，不和Runway这种逐梦好莱坞的对手比较，Pika有自己的弯道超车玩法。

其实一直以来，Pika在整活和创意方面就是一把好手。之前一系列AI特效功能Pikaffect全网爆火，刷屏小红书和TikTok，推动Pika用户突破1100万。

AI捏捏. 图片来自：Pika

AI切蛋糕. 图片来自：Pika

Pika切中了一群对整活短视频有高需求的用户——哪怕这些视频是模板化的、稍纵即逝的，但只要有趣，人们就会蜂拥而至。

谁说赢者通吃才是胜利？AI的市场足够广阔。模拟物理世界固然是个远大的梦想，但先完成“让AI短视频有趣起来”的小目标，未尝不是一种成功之道。