创作者为去除语气词叫好，却对生成式视频喝倒彩

Nathan Labenz 以 Laura Burkhauser 的一封邮件开场。那是她出任 Descript 的 CEO 后发出的邮件。Descript 是一款视频编辑器，2017 年推出时的理念是像编辑文档一样剪辑影片。她此前担任产品副总裁好几年，之后从创始人 Andrew Mason 手里接过了公司。在邮件里，她称生成式 AI 是创作者之间争议很大的话题，并宣布 Descript “不是一台垃圾内容机器，我们也不希望它变成那样”。Labenz 是 Descript 的长期付费用户，也是 Underlord API 的早期测试者，他用这款产品来剪辑这档节目本身。他提出了这封邮件引出却没有回答的问题：什么是垃圾内容？你能否继续推出生成式功能，又不向它投降？

Burkhauser 不把垃圾内容（slop）等同于 AI 做出来的垃圾。在她看来，它是一种内容套利：发现平台算法里一个暂时的漏洞，大量投放廉价内容，然后收取足够的广告收入或互动数据，即便几乎没有人真正观看，整件事的账面也能转正。她不会放弃的两个要素是动机和规模。动机必须是某种形式的金钱，生产必须大规模地进行。她补充说，世界上有很多烂作品，她总体上是支持烂作品的。烂作品是通往好作品路上必经的一个阶段。她还拿 Labenz 打趣：他最早放到网上的那些东西，现在恐怕自己看了都会觉得尴尬。

用冥想类的虚拟形象视频来说明这种区别最容易。有人因为这个细分领域还没有人管，就往 YouTube 上灌了几百个这样的视频，这就是在制造垃圾内容。另一个人真心想当冥想老师，用了虚拟形象，做出来的东西很难看，那只是在执行一个糟糕的点子。两者的片段可能看起来一模一样，但行为的本质并不一样。Labenz 承认，他的评论区几乎一边倒地反对他现在为节目生成的 AI 封面。但他还是继续做，因为这个过程很好玩。Burkhauser 说，这恰恰是她的观点：玩一种新媒介，是通往好东西的途径，就像培养一种画风，得先坐在画布前画出很多糟糕的画。

如果网上那么多东西看起来仍然很糟糕，她给出了两个原因。第一，技术还没到位：每次只能生成 5 到 10 秒，希望片段之间的声音能对上，有时要抽上 50 次，才能得到一条能用的素材。现在做出好的生成式作品的人，始终都在和工具搏斗。第二是污名。真正有品味、有功力的人，往往不愿意发布作品，也不愿承认自己用过这些模型，于是信息流里充斥的，是还不知道什么叫好的早期玩家。Labenz 说，他在 Waymark 的创意团队成员明显比他强，但他有时说不清原因。Burkhauser 把差距归结于词汇。如果你从没学过摄影构图，你能感觉画面不对，却没有词来描述。几个形容词、一位艺术家的名字，或者一个懂这些词的人对构图的点评，通常就能让作品提升一个档次。

同一封邮件还招募了一个生成式 AI 顾问委员会。报名人数远远超过任何一场真正能开得起来的会议，所以 Burkhauser 几乎是一个一个地与大部分人谈的。她最初发这封邮件，是因为她刚上任 CEO 就碰上了一次涨价，这对一批忠诚而又爱发声的客户来说，总是很敏感的时刻。有一条反复出现的反馈，其实分成两部分：别再把时间花在 AI 功能上，把这些时间投入到应用的核心质量上。她说，在涨价的同时听到这种话，就应该保持好奇。其中有些是真实的问题：性能、稳定性、上传和播放速度，这些都是团队一直在逐条解决的清单。而在她看来，用户所说的一些“核心质量”问题，其实本身就是 AI。

Descript 从第一天起就是 AI 原生的。像编辑文字稿一样剪辑视频，本身就是一个 AI 想法。绿幕是一个视觉模型。Studio Sound 是公司自己训练的模型。语音克隆、Overdub，以及 Regenerate（改掉说错的一个词，让录音用你自己的声音说出正确的词，口型也对得上），同样都是模型。把抱怨分类之后，一个敌意的层级浮现出来。当 AI 以特效、转场，或者一个感觉上很确定的按钮的形式出现时，用户就很喜欢，哪怕底下有模型在运行。绿色对勾，就继续做下去，做到没有尽头。Underlord 是自然语言协同剪辑助手，它处在中间：人人都想要它，人人都兴奋它能免去剪辑的苦差事，但也有很多人因为它在自己的使用场景里还不够完美而生气。没有人说不要做它，他们问的是为什么它还不能做得更好。

恨意集中在生成式视频上。虚拟形象还会招来一些，语音克隆和文本转语音则大多没有。深入挖掘这些愤怒，会在更广泛的“暂停 AI”风气之上，浮现出两个专门针对创作者的原因。第一，大家觉得自己像是吃错了药：宣传说这东西太神奇了，结果一用，却很烂。她说，这种反应很合理，因为要获得好的体验，你仍然需要对模型投入很深，而行业对这一点说得远远不够。第二，营销在自我反噬。她问：“你见过多少次这样的宣传语：Seedance 刚把枪顶在好莱坞的脑袋上，然后扣下了扳机？”如果技术是这样推销的，你刚刚拿枪指着的那些人，是不会兴致勃勃地来用你的产品的。

这并不是她谈论这件事的方式，也不是她的真实看法。她不认为生成式视频会终结传统电影，终结录制媒体，或让这些行业的从业者全都失业。它可能会改变工作，也可能创造工作；在她看来，大规模失业是不是主要走向，并不清楚。电影曾经也是一种新工具。这是又一种新工具，正确的态度是玩耍和好奇，别把它当成威胁。Labenz 在赞助商插播之后接着说，玩耍也是他自己常挂在嘴边的一句话：当今的前沿系统，比他用过的任何技术都更能回报这种玩耍。

Labenz 问，当模型这么难做基准测试时，你怎样决定要上线哪些生成模型。Burkhauser 描述了两道关卡。第一，这个模型到底能不能出现在 Descript 里？第二，它应该成为默认选项吗？大多数人永远不会碰模型选择器。深度使用 AI 的人会用 Nano Banana Pro 做逼真的换脸，用可灵做另一类工作；普通用户并不想要这种复杂度，你放在他们面前什么，他们就用什么。她承认，一个模型能不能进来，多少有点凭直觉。团队不会去评测世界上的每一个模型。他们把 fal 当作推理（inference）服务商，所以如果你不在 fal 上，你大概率也进不了 Descript。自定义接入意味着要签一份新的数据授权协议，而他们不愿意这么做。Seedance 现在出现在产品里，是因为它终于上了 fal。

在 fal 内部，他们尽量保证多样性，不让长期占据公开排行榜的实验室包揽名额，因为领先者随时可能在一周之内再次拿到最好的结果。默认选项的产生是一套更正式的流程：外部评测，加上他们自己针对常见客户用例的测试，再加上与当前默认选项的 A/B 测试。如果线上测试与内部评测的结果一致，他们就上线。目前图像生成的默认选项是 Nano Banana Pro。视频的默认选项是谷歌的 Veo，他们正在考虑把它换成 Seedance。内部评测是由一群可信赖的人给输出打分，并非完全自动化的流水线。Labenz 指出，审美质量一直是模型很难判断的东西。Burkhauser 不确定是否应该尝试把它自动化。

她和 Midjourney 的 CEO 吃过一顿饭，对方告诉她，他们之所以仍然拥有最有审美的图像生成，是因为他一直亲自干预评判。按照他的说法，谷歌则是让一个民主投票式的评审小组或某种自动化机制来挑选，结果获胜的总是千篇一律的漂亮金发女郎。Burkhauser 认为，在高度依赖判断的任务上，让一位经过筛选、有品味的人永远拍板，是合理的。Studio Sound 是她举的一个内部例子。它最初是由一位耳朵很好的大提琴手做出来的；第一次评测，就是这个人听完之后说，这个版本更好。他离开之后，团队不得不把他的耳朵在做什么记录下来：让一种背景噪音去除效果更好的因素，一共有 37 个。他们最近把 Studio Sound 与每一家新的供应商做了评测，最终还是保留了自家的版本。

她不认为生成式视频会赢者通吃。奥斯卡级别的特效，和足够便宜、适合亚马逊商品页的视频，不会被同一个模型拿下。有些工作是批量的，不在乎跨时间或跨声音的一致性；有些工作每次生成值几千美元。有用的问题是：你的核心客户是谁，主打的使用场景是什么。Seedance 是眼下正在纠结的一个难题。当你想要一个有主见的剪辑，做出一些你没要求的艺术选择时，它很强。Descript 的用户大多需要的是 B-roll（辅助画面），而辅助画面本不该抢镜。对于填充画面来说，Seedance 可能太贵，也太抢镜。这就是默认选项迟迟定不下来的原因。她还认为，编排型智能体最终必须根据项目上下文挑选合适的模型，同时命中成本、质量和使用场景这个靶心。

Underlord 目前是通过给视频加文字描述来“看”视频的：逐帧生成文字，并用一些技巧来模拟眼睛和耳朵。Burkhauser 说它表现还可以，而且让智能体具备多模态能力，是智能体质量团队的头号优先事项，一次重大升级预计在一两个月后推出。Labenz 见过 Gemini 把他仅仅是转头的动作，错当成了硬切，产生幻觉。“自研还是外采”这条线，本身就是战略上的靶心。Descript 想成为编辑录制媒体的世界第一。Regenerate 就是例子：事后修改一个回答，或者因为加州新增了一条法律，就更新一条两年前的讲解视频，而无需整段重录。跳切平滑功能即将上线，这样一来，生硬的剪辑看起来就像说话的人只是动了一下。纯粹的生成，他们不打算自己做。她说，在那个领域砸下数亿美元的公司，最终还是会输给谷歌，而她不想那样把钱烧掉。

她一方面对人类面部表情有一种占有欲，对那些号称是她、实际上却不是她的克隆版本感到不安。另一方面，她又希望能进行一次真实的对话，然后在后期制作时把妆容、灯光、服装，还有那句蠢台词都修好。她真正想要的杀手级用例，是增强型的真人录制媒体。他们投资的地方，是那些别人没有收集过数据、他们又能在不烧钱的前提下做出来、而前沿实验室大概率不会在意的领域。对谷歌来说，去除重拍远没有 3 秒片段之间的声音一致性那么有意思。用户的点赞和点踩会告诉团队，质量标准在哪些地方没有达到，无论是去除重拍这类确定性操作，还是 Underlord 的请求。她告诉 Labenz，要给智能体加上约束：把语气词去掉，除非去掉之后剪得不干净，那种情况下就保留。

Underlord 应当是真正的开放世界式，不能只是一个有 28 个工具的菜单，遇到第 29 个想法就歇菜。评测会抽取真实用户查询的随机样本，由一群大语言模型（LLM）评审打分，并对新旧版本取平均。第一档：没有弄坏任何东西，目标接近 100%。第二档：做了我要求的事，目标是 90%。第三档：做得好，她希望年底前达到 80%，因为到了那个时候，人们才会开始相信，协同剪辑助手能把活儿做到和自己差不多的水平。粗剪已经是个亮点。视觉方面的工作还不行，这就是多模态被列为优先事项的原因。语气词在点赞点踩中成为一个热点，团队为此花了几个冲刺周期。模型层面的押注，是一个带有底层工具的通用外壳（harness），前提是通用智能会持续进步。下一个 Claude 版本发布时，他们希望在 15 分钟内完成评测，并且上线到产品里。他们不会花研究经费去追赶各家实验室。

由此得出一条设计原则：Underlord 在编辑器里能做的事，人也都能做；反过来也一样。它是一个协作者，就像 Descript 从第一天起就是团队工具一样。如今它寄居在项目层面。它需要搬到云盘层面，然后完全走出 Descript，通过 MCP 成为你带进 Claude Cowork 的协作者。Burkhauser 已经这样用了：她让 Cowork 梳理一周的 Notion 和 Slack 记录，从她真正说过的话里提出 6 个片段创意，把草稿脚本直接丢进新的 Descript 项目，然后再用她自己写的一个技能，把录制好的内容变成领英上的金句。她很痴迷的一位用户，会在 Zoom 录制结束后触发一个剪辑播客的技能，只在最后打开 Descript 检查一下。Labenz 自己有一个 v1 版本，会把“欢迎来到 Cognitive Revolution”之前的内容，以及感谢语之后的内容全部剪掉。他指出，API 甚至不提供完全确定性的细粒度剪辑，你只能给 Underlord 下指令。转录可以作为确定性工具。媒体编排、视觉剪辑和版式则留在 Descript 里。可以把它理解为：让 Claude Code 雇一个 Underlord 当你的视频团队。如果谷歌或 OpenAI 决定把这份工作当作它们要做到最好的事，她大概什么也做不了。一个可靠的视频编辑器，在这棵树上处于很高的位置。你得先爬过许多分支，才会自愿永远维护其中某一根。

Labenz 把话题推向一个更遥远的地平线：OpenAI 已经公开把目标定为在 2028 年 3 月前做出自主 AI 研究员。如果编程智能体能自己持续投入工作，那么专用模型和为视频定制的“感官器官”，就不再像是护城河了。只要社会做好必要的工作，让这样的未来变得美好，Burkhauser 对更多劳动被自动化是感到兴奋的，但她对这个时间表持怀疑态度。每当有人提出这样的说法，就把它写成白纸黑字。系统在没有人类监督的情况下能做什么，不能做什么？实际情况通常比标题句理性得多。她认为，我们高估了 AI 在近期对劳动和社会的冲击，却低估了长期的转变。她没法告诉你五年后劳动力市场会是什么样子，也说不清 Descript 会处于什么位置。不过她有信心，公司拥有一些惯例，能让它迅速调整战略。

两三年后，播客剪辑师还会是一份工作吗？她不知道。人们还会被雇来讲故事吗？会。讲什么样的故事、用什么媒介、面向谁，这一切都会变。如果你擅长的是采访别人，并把有意思的内容带到世界上去，那么这依然是一份工作，尤其是当你拥抱新媒介和新渠道的时候。Labenz 提出了一个更冷峻的问题：赢家和输家是否还是同一批人？那些被取代的人，能否转向新的赢家位置？Burkhauser 说，经济总会重新分配资源。如果这次的节奏被压缩了，社会就需要能在极端冲击中接住人的制度。她不认同存在永久、不可逆转的失败者，除非这正是我们选择要建设的社会。

实际的产品问题离得更近。单次按钮点击或 Underlord 的一条指令，现在一下子就可能耗掉几美元的积分，对于过去允许免费点击的软件来说，这是一个古怪的新世界。作为消费者，Burkhauser 讨厌这种感觉，即便这笔交易很划算：花一美元请人替你剪片段，就比自己花一下午来剪划算。但 AI 仍然让 Descript 实打实地花钱，所以免费加无限量并不是选项。定价围绕的是使用节奏来设计：业余爱好者应当每月能做出一件真正好的作品，创作者每周一件，企业团队每周好几件。积分放在一个共享池里，不按功能分开计算，因为播客主可能根本用不到 AI 语音，却每周可能需要好几次片段。健康与否的一个标准是：每月活跃用户中，购买追加积分的应当少于 5%。如果有一半的用户都在撞上限额，那它就不算好玩的游乐园了。她认为这种形态是暂时的。业界公认的终点是按结果定价，也许按导出计费：只有你真正拿到价值，才收费。在那个世界里，模型仍然太贵，所以大家现在都在那个让人不舒服的阶段里过日子。

Labenz 最后的拉远视角是：能否避免一个无限垃圾内容的未来？模型仍然很贵，这是一道刹车；但如果在没有新的社会契约的情况下，生成变得更便宜，这道刹车就可能被松开。Burkhauser 说，问她这个问题的人通常来自科技或经济领域，而对这两个领域她都要说一句：他们没有看到，内容既有一点生意的成分，也有一点艺术的成分。艺术表达并不像世界其他领域那样，明显地受自由市场虚无主义驱动。相机并没有杀死绘画，只是永久性地改变了这种媒介，因为机器一旦能做逼真的画，人们就对写实绘画失去了兴趣。艺术会以出人意料的方式，回应当下的技术和文化。真正有创造力的工作会率先行动，然后企业就会想分一块蛋糕。

她引用了《穿普拉达的女王》里的 Miranda Priestly：一位设计师在春季系列里用了一种天蓝色，几年后，你在 Marshalls 的特价筐里就能买到它。内容也是这样运作的。有审美眼光的人，会用这项技术做出意想不到的事情，甚至是与它对着干。营销人员则会把这种风格偷过去。尤其是在怀疑的时刻，很容易展望未来，看到噩梦。有人向她推销过这样一个世界：没有人类创作者，只有一部手机盯着你的眼球，替你生成接下来的几秒，让你永远无法移开视线。她指出，David Foster Wallace 早在九十年代就在《Infinite Jest》里写过这种情景。也许它真的会发生。她更兴奋的是看艺术家如何使用这些工具，又如何与它们抗衡。她认为，即便在一个充斥垃圾内容的世界里，这些东西也会在市场上胜出。

这次对话留下了一份简短的工作清单。判断一段片段是不是垃圾内容，就问问动机是不是钱，生产是不是规模化的；不要因为是自己粗糙的实验，就觉得在道德上可以网开一面，也不要把每一次失败的初稿，都和算法驱动的泛滥归为一类。在媒介里待得足够久，才会对提示词和风格形成自己的看法。如果你觉得哪里不对，却说不出原因，就去看你欣赏的作品，直到你积累起描述它们的形容词。给开放世界式剪辑器下指令时，加上 Labenz 在节目里学到的那条约束：去掉语气词，除非去掉之后剪得不干净，那就保留。

善用点赞点踩。Burkhauser 明确表示，这些投票决定了接下来几个冲刺周期要处理哪些热点，语气词就是这样成为重点的。如果你有书面记录，就照搬她的 Cowork 循环：把一周的 Notion 和 Slack 记录挖一遍，找出你已经说过的想法，把草稿脚本丢进 Descript，录制，然后运行一个符合你想要的片段风格的技能。Labenz 说，分享这些业余爱好者写的剪播客技能，意义与其说在于某个工作流有多好，不如说在于让人发现自己原来也能做到这件事。还有，当某家实验室公布一个像 2028 年 3 月这样的自主研究员时间表时，就慢下来，把这笔赌注白纸黑字地写下来，直到那些无需监督的能力被明确列出来。标题句通常比它所要论证的观点更响亮。