Google Vids 的巧思：把视频的「表演」和「剪辑」都做成可调参数

AI 视频最难改的，往往不是画面，而是已经拍好的表达：产品没变，语气要从培训改成销售；镜头没变，背景里的旧信息要换掉。Google Vids 最近的两次更新，分别把「怎么说」和「改哪里」拆成了可单独操作的层。

6 月 17 日，Google Vids 展示了从 Google Slides 自动生成分镜和脚本、再选择 AI Avatar 或 voiceover 进行讲解的流程，并宣布将加入控制 Avatar 情绪表达的功能。7 月 16 日，Gemini Omni Flash 进入 Vids，用户可以用自然语言修改已有视频片段，也可以用自己的脸和声音创建个人 Avatar。1 2

这套设计值得看，不是因为它又增加了一个生成入口，而是因为它把视频从一次性成品改成了可以继续改的表达对象。

Google Vids 先从 Slides 的内容生成 storyboard 和脚本，用户可以改脚本，再选择一个 AI Avatar 或声音来讲。脚本承担「说什么」，Avatar 的语气、节奏和停顿承担「怎么说」。这两个层面没有被绑死在同一次生成里。

官方展示的 AI voiceover 面板里，音频标签被分成 Pace、Pauses、Emotion、Style 和 Sounds 等入口，且可以选择作用于当前场景或全部场景。1

这个拆分解决了工作视频里很常见的重复劳动：内容通常已经被 Slides、产品文档或销售话术确认，真正需要反复试的是表达方式。面向新客户时语气需要更有感染力，面向内部培训时则需要慢一点、留出停顿。把两者拆开，用户不必为了换一种语气重写整段文案，也不必重新搭建整条视频。

这也是一个比「输入提示词，重新生成」更细的控制单位。用户不是在要求模型再做一条视频，而是在当前场景上调整一个表达参数。Google 还计划让自定义 Avatar 配合公司 Logo 和背景，并支持从 24 种语言的脚本生成 Avatar 或 voiceover。1

代价是，参数化并没有把判断完全交还给用户。「更有感染力」仍然要经过模型对情绪和语境的解释，标签越多，用户越需要检查声音是否真的符合品牌和场景。对于个人 Avatar，Vids 还要求用户录制脸部和声音，个人 Avatar 仅对 18 岁以上且首选语言为英语的用户开放，生成视频会带有不可见的 SynthID 水印。2 这些限制说明，表演可以被做成参数，但身份仍然是需要单独管理的资产。

7 月 16 日的 Vids 更新把编辑入口放在已有片段上。用户可以用逐步对话修改手机或相机拍摄的素材，也可以修改 AI 生成的片段，例如改善光线、清理背景、替换产品颜色、调整镜头角度或视觉风格，还能更新旁白和屏幕文字。2

Google 选择这个入口，回应的是视频资产很难更新的现实。The Verge 在 2025 年报道 Vids 时，转述 Google 产品负责人所说的情况：一段 10 分钟的真人视频，可能因为脚本、反复修改、进棚拍摄和剪辑，耗时长达 6 个月，成本达到数万美元。3 这不是一项独立成本研究，但它解释了为什么「改一处」比「再做一条」更值得被设计成主流程。

对产品演示和销售视频来说，局部编辑让同一份资产可以继续使用：产品颜色变了，先改画面；受众变了，先改旁白；拍摄现场不够干净，先处理背景。视频因此更接近一份有版本的工作材料，而不只是导出后等待过期的文件。

这里的代价也很具体。自然语言编辑降低了时间线操作的门槛，却把精确性转移给模型：一句「把背景换得更干净」到底会保留哪些物件，不能只看生成速度判断。Google Vids 还把个人 Avatar 的创建放进与 Google 账号关联的安全采集流程，并允许 Workspace 管理员控制功能访问。2 对企业来说，这意味着视频编辑不只要看画面有没有改对，还要核对谁可以创建、使用和发布带有个人身份的素材。

Google Vids 的两个选择，指向同一个产品判断：AI 创作工具应该先把「可改变的维度」露出来，再决定是否替用户重新生成全部结果。

在 Vids 里，脚本负责内容，Audio tags 负责表达，已有片段负责视觉起点，个人 Avatar 负责稳定的身份。用户每次改动的范围更小，生成结果也更容易贴回原来的工作任务。代价是，情绪标签和自然语言仍然需要人工复查，身份素材还要接受权限与透明度约束。

对于需要长期维护的 AI 内容产品，这比单纯追求一次生成的惊艳更实用：先让用户知道自己正在改哪一层，再让模型替他完成这一层的工作。