这个功能太牛了！去年没做成的视频，我用LibTV做出来了

去年有一阵子，古人怼人的视频特别火。

小明剑魔在直播时有一段很经典的画面。他歪着头贴近镜头，说“回答我，look in my eyes，tell me why baby”。后来很多人把视频里的人换成苏轼、鲁迅和各种古代人物，看起来又荒诞又好笑。

我当时也很想把视频里的人换成鲁迅试试。看起来只是换一个人说同样的话，真正做起来却很麻烦。动作、人物、声音和口型都要分别处理，我折腾了一圈，最后没有做成功。

今天看到LibTV上线了深度动作捕捉功能，我又把去年的那段视频找了出来。这一次，终于做成功了。

人做一个动作很自然，一旦要写成提示词，就会突然发现自己根本说不清楚。

小明剑魔那段动作的幅度其实很小。歪头、靠近镜头、再离开镜头，每一步都不夸张，可那种味道全藏在细节里。

我先试了最直接的办法，把原视频作为参考，提示模型尽量还原动作和表情。后来又把同一段视频做了深度动作捕捉，继续使用同一张IP形象来生成。

为了看清这两种方式到底差在哪里，我把两段结果剪到了一起。我主要看三件事，头部歪斜的角度、人物和镜头之间的距离，以及每个动作发生的时间点。

直接参考原视频生成的版本，也会跟着做表情和头部动作，但仔细看会发现，动作的差别还是很大的。

使用深度动作捕捉生成的版本，变化会明显一些。人物先歪着头向镜头靠近，脸在画面中的占比随之变大，随后身体退回，再次向前探近。人物移动的方向、离镜头的远近和动作发生的先后关系，都保留得更完整。

这里说的视频质量更高 主要指的是动作完成度和动作相近度。它能做出几个相似姿势，也把姿势之间怎样衔接、人物怎样在镜头前移动一起带了过来。

为什么会有这个差别？中间生成的这段黑白灰视频，其实很关键。

这段视频用不同的灰度保留了人物轮廓、前后距离和场景里的空间层次。原人物的长相、服装颜色和房间细节被弱化了，模型接收到的重点变成了人物怎样移动、身体离镜头有多远，以及镜头怎样变化。

我又把深度动作捕捉的生成结果和原视频放在同一个画面里，这一次就能更清楚地看见，人物第一次靠近镜头、退回去、再次探近，以及头部向一侧倾斜的几个时间点，基本都能和原视频对应上。

直接参考时，模型既要理解人物和场景，又要自己猜动作里真正重要的部分。做过深度动作捕捉以后，动作和空间关系被单独提取出来，原视频里那些很难用语言写清楚的细节，就有了更明确的参考。

这也正好解决了我去年遇到的问题。我不需要再费力描述应该歪多少度、什么时候靠近镜头、退回去多远，模型已经能够从深度视频里读取这些信息。这比我去年做同样的事情，方便了太多太多。

小动作能够跟下来以后，我又试了迈克尔·杰克逊的太空步。

如果让我们用语言描述太空步，哪只脚先动、脚尖怎样支撑、另一只脚什么时候向后滑、身体重心怎么换，真的很难写准确。

这一次，我使用深度动作捕捉功能生成了视频。脚步向后滑动、身体重心的变化和整个表演节奏都能看出来。

真正让我产生“自己好像也能成为影视主角”这种感觉的，是后面那段古装舞蹈。

原视频里，舞者在宫殿中旋转，长袖随着身体展开。镜头会靠近、拉远，也会从高处俯拍。里面还有复杂的脚步、走位，以及人物与桌榻之间的位置关系。

我让自己的IP形象换上古装，进入重新设计的宫殿场景，再使用原舞蹈的深度动作信息生成。她什么时候旋转、从哪里走到哪里、镜头什么时候拉远，都能找到比较清楚的对应关系。

看到自己的IP形象真的能够这样跳舞，我忍不住想说“天晴了，雨停了，我又觉得我行了”。我以前看到喜欢的影视片段，也会忍不住想，如果有一天，自己也能成为里面的主角就好了。现在这个想法，离普通人已经越来越近了。

把想要参考动作的原视频，以及准备放进新视频的人物形象图片上传到LibTV画布。

选中原视频，在顶部工具栏找到“逐帧拉片”，打开下拉菜单，点击“深度动作捕捉”。

系统会弹出新的生成节点。默认480P，处理较快；720P支持30秒以内的视频，处理会稍慢。选择后点击“确认提取”，通常3分钟内完成。

提取完成后，黑白灰深度参考视频会以新节点的形式出现在画布上。

把人物形象图片和这个黑白灰深度视频添加到下游的视频生成节点，作为生成新视频的参考素材。

@图片1是人物形象，@视频2是刚刚提取出的深度动作视频。“动作运镜参考”这几个字也建议写清楚，让模型同时参考人物动作、位置变化和镜头运动。

模型选择SeaDance 2.5 我实测下来，效果会比较好。

生成前还要记得检查视频长度。参考动作只有几秒，就不要直接沿用一个很长的默认时长。按照自己真正需要的片段设置，能够减少无效生成，也能避免浪费积分。

我在测试时还遇到过视频像素过低、无法继续生成的提示。

这时可以先选中视频，点击左上角的“高清”，开启“画质增强”，先生成一版更清晰的视频，再进行深度动作捕捉。我试下来，这样更容易成功。

我以前录过一段时间的口播。录制还能坚持，真正让我泄气的是后面的剪辑。卡壳要删，重复的话要删，长停顿要删，几段视频还要重新拼起来。每次都要花很长时间，表达的热情也慢慢被消耗掉了。

这次，我上传了3段自己录制的口播，试了LibTV智能剪辑里的口播创作功能。

它可以上传口播素材和补充画面，再写下剪辑要求和目标时长。系统会先完成粗剪，处理口水词、重复内容和停顿，把片段重新拼接。确认粗剪后，还可以继续做字幕、配乐等细节包装。

我实测下来，它现在还有提升空间。和自己在剪映里花一两个小时仔细剪出来的片子相比，精细程度还有差距。它更适合先快速完成一版能看的粗剪，把最耗时间的基础整理交给系统。

很多普通创作者并不缺想法，可一想到后面还要拍、还要剪、还要反复修改，那一点刚冒出来的表达欲，可能就慢慢缩回去了。视频能够更快做出来，我们或许就愿意多拍一次，再多创作一次。