LibTV 的产品图谱：深读一篇把平台、Agent 与商业化串起来的科普稿 (2026)

导读

人生自由研习社的《LibTV：一个 AI 视频创作平台的产品图谱》发表于 2026 年 8 月 13 日。它是一篇面向入门读者的产品科普稿，把 LibTV、LibTV Agent、LiblibAI、星流 Agent / Lovart、演语科技和创始人陈冕放进同一张图里。它的优点是信息覆盖面广，缺点也正来自这里：公司披露、采访口径、平台宣传和作者自己的判断混在一起。精读这篇文章，重点不是把所有数字再抄一遍，而是把产品、公司和商业化三层拆开。

原文信息

项目	信息
主文	《LibTV：一个 AI 视频创作平台的产品图谱》
作者与时间	人生自由研习社；2026 年 8 月 13 日 17:36（本地时间）1
文章类型	产品科普、公司背景与商业化信息汇总
核心对象	LibTV 的产品矩阵、Agent 功能、演语科技收入与竞争位置
原文主张	LibTV 是演语科技把模型、创作者和工作流资产组织成视频生产平台的一条产品线。

全文速读

先把 LibTV 放回演语科技

主文先从产品说起：LibTV 是演语科技旗下的 AI 视频创作平台，2026 年 3 月上线；2026 年 7 月 14 日又上线 LibTV Agent，把视频创作从工作流拼接推进到成品级直出。文章随后把它和 LiblibAI、星流 Agent / Lovart 放在一起，形成「图像社区—视频工作台—设计 Agent」的产品矩阵。1

这个顺序有助于理解公司的意图：LibTV 不是一个孤立的视频网页，而是希望把已有的模型资产、创作者关系和 AI 工作流延伸到视频生产。但「协同逻辑」是产品叙事，是否带来跨产品导流、实际复购和更低获客成本，原文没有给出完整数据。

产品层：多模型、模板和 Skill

主文称，LibTV 接入 Seedance 2.0、可灵等底层视频模型，用户可以按任务选择模型；文章作者还认为，LibTV 的模板和 Skill 更偏向长视频，专业度上限高于偏竖屏短视频的竞品。7 月 14 日上线的 Agent，则把创作者经验、模型组合和行业方法封装为 Skill Hub，并加入 Agent 驱动剪辑。1

这里有三类信息。多模型是资源组织方式；模板和 Skill 是方法复用方式；Agent 驱动剪辑是交付方式。三者叠在一起，平台才从模型入口变成生产工作台。文章对提示词理解、画面质量和多镜头一致性的描述属于作者体验，不能替代同提示词、同规格的横向测评。

公司层：增长数字与收入口径

主文引用演语科技披露，称 LibTV 上线首月单日收入超过 100 万美元，2026 年 5 月月收入达到上线首月的 13 倍以上，平台聚集数百万专业视频创作者，并与超过 2000 家合作伙伴构建创作网络。文章还引用公司层面的 ARR、收入增长、客户结构和毛利率口径。1

这些数字不能被当成同一张财务表。LibTV 单日收入、公司 ARR、集团收入增长和 C 端占比，分别对应产品、年度化和集团经营口径。作者把它们放在同一篇文章里，读者更需要做的是分层，而不是相加。

创始人层：把公司解释成「对齐层」

主文大量引用陈冕的表述：演语科技不自研基础大模型，而是定位于模型和用户之间的「对齐层」；模型像相机，应用层像听得懂需求并会操作相机的摄影师。面对「套壳」质疑，陈冕强调平台使用正规 API，价值在于把模型能力和用户使用之间的差距补上。1

这套解释抓住了应用层公司的核心问题：模型能力会快速扩散，应用要靠工作流、资产和用户习惯留住价值。它仍然是创始人的战略判断，不能直接当作竞争壁垒已经成立的证据。

功能细节拆解

1. LibTV 的产品边界是「生产组织」

从主文列出的多模型调度、模板、Skill Hub、Agent 驱动剪辑看，LibTV 的产品边界不只是生成一个视频，而是组织脚本、素材、模型、镜头和交付。这个边界比单次生成更接近专业生产者的实际工作，但也意味着平台要承担项目状态、素材管理、版本和失败恢复等复杂问题。

2. Agent 的价值在于把方法变成可调用资产

Skill Hub 把创作者经验、模型组合和行业方法封装起来。它可能降低新人学习成本，也可能把优秀创作者的方法变成平台可分发的资产。要让这个逻辑成立，Skill 需要有稳定输入、明确输出、可重复效果和合理的激励；主文没有公开 Skill 的使用量、复用率和收益分配。

3. 「对齐层」要靠成本和结果证明

平台不自研基础模型并不自动等于没有价值，正规 API 也不自动等于有壁垒。应用层要持续证明三件事：同一个模型在这里更容易被普通用户用好；复杂任务可以被拆成可执行的步骤；创作者为节省的时间和返工付费后，平台仍能覆盖上游模型、存储和支持成本。

4. 三条产品线的协同还停在叙事层

LiblibAI、星流 Agent / Lovart 和 LibTV 分别承载图像社区、设计交付和视频生产。主文把它们解释为资产和用户的协同，但没有披露用户重合率、跨产品转化、共同账户的使用频率或收入贡献。产品线放在一张组织图里，和真正形成协同，是两件事。

目标用户场景

对专业视频团队：看平台能否承接项目，而不是功能数量

主文更适合用来建立考察清单。团队应验证从脚本到成片是否能保留角色设定、参考素材和版本；不同模型生成的结果能否在一个项目里比较；失败镜头能否局部重做；多人协作和权限是否足够。仅知道平台接入了哪些模型，无法判断它是否适合长期项目。

对个人创作者：Skill 能否替你减少学习成本

如果 Skill 的输入和输出足够清楚，个人创作者可以少记一些提示词和操作步骤。但 Skill 不是魔法按钮：它仍然需要可用的素材、清楚的目标和人工审片。文章中的「成品级直出」应理解为产品方向，而不是所有任务都一次通过的保证。

对产品与投资观察者：把三张表分开

第一张是产品表：用户能做什么、用什么模型、在哪一步交付。第二张是经营表：收入来自 LibTV 还是集团其他业务，收入口径是日、月还是 ARR。第三张是壁垒表：哪些资产会随着使用增长而变强，哪些能力会被基础模型吸收。主文提供了三张表的线索，却没有填完。

竞品坐标

路线	与 LibTV 的差异	读者要比较什么
单模型视频工具	核心是模型效果与单次生成	画面质量、可控性和单次价格
视频工作台	把模型、脚本、素材和镜头组织在一起	项目管理、返工、多人协作和交付
Agent 设计助手	以自然语言拆任务并交付成品	方法复用、工具调度和结果验收
LibTV 的主文定位	多模型 + 模板 / Skill + Agent 视频生产	平台是否能把三种能力变成持续付费

这不是产品排名。主文没有提供同任务横评，也没有给竞品的成本、留存和成片通过率。它给出的「长视频工作台」坐标，需要用项目实测继续确认。1

行业影响

第一，视频 AI 的应用层竞争会越来越集中在「如何把模型用好」。当底层模型都能生成画面，用户愿意付费的可能是更少的试错、更顺的交付和可复用的生产方法。

第二，创作者资产会从内容本身扩展到方法。角色、分镜和成片可以复用，优秀的提示词、镜头设计和模型组合也可能被封装成 Skill。平台因此要同时处理方法质量、创作者收益和内容版权。

第三，产品增长数字会越来越需要口径拆分。单日收入、月收入、ARR、集团收入和 C 端收入各自回答不同问题。把它们放在一篇推广稿里很容易形成增长感，但读者要问的是每个数字的主体、时间范围和是否可审计。

待验证点

LibTV 单日收入超过 100 万美元的主体与时间。 这是主文转述的披露，需明确是毛收入、流水还是净收入，统计的是上线首日还是首月某个单日。1
2026 年 5 月收入达到首月 13 倍的比较口径。 需要看到两个月的绝对值、币种、确认收入方式和是否包含促销或团队版。
数百万专业创作者与 2000 家合作伙伴。 需要定义专业创作者、活跃用户和合作伙伴，并公开去重与统计时间。
多模型与 Skill 是否带来更高的可用率。 需要同提示词、同素材和同输出规格下的成功率、返工次数与交付时间。
三条产品线是否真的互相导流。 需要用户重合、跨产品转化、留存和收入贡献数据。
短期毛利率与真实成本。 需要拆分模型调用、存储、带宽、人工支持、投流和创作者分成；主文只提供了创始人的口径，不能据此还原利润表。1
应用层壁垒能否跨模型周期。 当 Seedance、可灵或其他模型升级后，LibTV 的 Skill、项目资产和用户习惯是否仍能带来差异，需要持续追踪。

原文关键句

「LibTV 是演语科技（Evoken）旗下的 AI 视频创作平台。」1

「我们的价值就是在模型上叠了一层——对齐。」——主文引用陈冕的表述。1

「生产端与专业市场先于 C 端爆发。」——主文引用陈冕对市场顺序的判断。1

这篇产品图谱稿适合当作一张索引，而不是财务尽调或横评报告。它把 LibTV 的三层叙事都放到了桌面上：产品是多模型与工作流，商业化是专业创作者和企业预算，公司解释是模型之上的对齐层。真正决定这张图是否成立的，仍是三类可复核结果：用户能否稳定交付，平台能否覆盖真实成本，以及这些能力在基础模型继续升级后是否还值得付费。

References

1
人生自由研习社原文
mp.weixin.qq.com

导读