实测GAGA-1: 跟OpenAI Sora2互飙中文演技，创作瓶颈又不存在了

分不清对不对！这个case我问了身边十几个朋友答案都是这个，但实际上，上面的镜头是GAGA-1用了不到五分钟就做出来的，而下面的镜头我用SoRa2跑了快半小时。跟Sora2每秒0.1刀的价格比起来，GAGA-1目前还是免费阶段。这价格成本和时间成本的区别一下子就出来了，关键表演这一块，GAGA-1也很有可圈可点之处。所以今天我就尝试用GAGA-1复刻经典镜头，并且从单人表演、多人表演以及多语种表演上一起看看GAGA-1的表现如何。

先来看看GAGA-1是怎么用的，其实和现在大家熟悉的用法一样，进入Gaga AI后，选择GAGA演员，直接上传图片，写好提示语就能可以生成了。目前是支持16:9尺寸的10s的图生视频，后续会上线更多。小提示，打开增强提示生成效果更好！

首先，来看单人表演，我先做了两个古装效果，这个配音、嘴形和动作很有古装片哪个味儿，嘴形也不夸张，没有张嘴180度之感，表情整体克制，不假大，尤其配音的停顿给我一种真的在思考的感觉，说是哪个古装片里截出来的一段我也是信的。

而且视频是包含完整的环境与动作音效一起生成的，音效不会抢拍不会非常突兀，直接就是一段完整可用的素材。然后我给了一些情绪的指示，呈现出来的效果声音和表情的情绪照样很对位，人物的微表情不会说有特别夸张或者让人很出戏的感觉，

再来看双人表演，这个是很厉害的一个地方，之前我们尝试过的要么是一个镜头只能有一个人说话，要么就是要靠剪辑才能让两个人进行对话，或者就是用S2，但现在GAGA-1也给我们提供了一个解决方案。下面这两个镜头，也是通过提示语描述人物说话的内容，就能直接做出两个人对话场景。而且人物是有世界逻辑的，他们知道在说到什么内容时做出什么动作，比如知道和对方说话要转头，两人的嘴型能在交谈点同步，不会一个人在说话时另一个嘴动，或者一个说完之后很久另一个人才开始说话，同时眼神互动、头部微转、沉默时停顿，都处理得有节奏，这就让整个人物看起来行为更有逻辑，也让画面更加真实。

现在，我只期待一个可以指定多个角色的音色，并且在多个视频中能够持续保持音色的一致性，这样离影视级的多集剧制作就更近了一步。目前GAGA-1支持多个语种，生成效果上可以说都能实现母语级的口型匹配与真实情感，我做了一个中、英、日、韩、法语的镜头合集，大家可以感受一下这个效果，我目前是觉得还比较自然，很有电视剧质感。

目前实测下来，偏写实风格和CG的风格的动态效果会更好，一些动画风格还需要等待后续工具迭代，不过我还是很期待GAGA-1这方面能力也提升之后的效果，那我不是直接可以手搓番剧了？

说了这么多，最后聊聊GAGA-1是哪个团队做的。半年前首个高质量自回归视频模型Magi-1就是他们做的，DiT 路线（比如之前的Sora），是一次性把整段视频并行跑出来的，没有明确的先后逻辑，时间感和因果就容易跑偏。而 Magi-1 它是把视频切成一小段一小段（比如 24 帧≈1 秒），上一段先出结果，下一段再基于它往下接，保证了时间顺序的因果关系。理论上没有时长上限，能一直续写，还可以“逐秒控制”，想让啥时候发生啥就啥时候发生。

创始人是曹越，经历有点过于豪华，清华特等奖学金、ICCV 马尔奖（Marr Prize）、Swin Transformer 共同一作、博士毕业后加入微软亚洲研究院，后任智源研究院视觉中心负责人。说对了说多了，321，视角拉回来这次的GAGA-1，我觉得以后看视频真的需要标注哪些是“真人出演”，哪些是“AI出演”，甚至哪些是“真人生成”， 甚至还有可能出现“真人演员”和“AI演员”的区分，现在好莱坞的AI演员今年不也出道第N次了。

演员缇丽·诺伍德（Tilly Norwood），由人工智能制作公司Particle6旗下的人才工作室Xicoia开发，是世界上第一个虚拟职业演员。真的每次看到这种领域上的大版本更新迭代，都非常兴奋，超级无敌炒鸡蛋想大喊一句，卷起来啊，S2白菜价，Veo3白菜价，GAGA-1白菜价，通通白菜价，我想在家看可互动实时渲染的全AI的超级电影，配上我新买的vision pro，美zizi。