
微信|yokyliu617
过去两年,AI 视频产品的竞争经常被压缩成一张参数表:谁的画质更高,谁能生成更长的镜头,谁的速度更快。但随着图像、视频、3D 和 coding 能力快速进入基础模型,行业的分水岭正在发生变化。生成一个镜头不再是最难的事,难的是让角色、世界观、素材、镜头调度和后期剪辑持续衔接,最后交付一件完整作品。
这也是为什么,TapNow 成了这一轮 AI 视频创业公司里一个很特殊的玩家。它没有自研基础模型,却率先把“画布”带进视频创作,用产品创新找到了一群对一致性、可控性和完整工作流要求更高的用户。沿着这条路线,TapNow 逐渐把产品的重心放到一个更具体的问题上:模型生成的结果,怎样才能真正进入生产?
10 月 17 日,TapNow 上线 CreativeOS2.0。这次迭代的核心是让 Agent 通过编写和执行代码来组织、生成并修改视觉内容。Code2Video 不只用于制作动画、演示视频和视觉包装,也是 Cinemap 与 Monta 的底层能力:在 Cinemap 中,代码能力被延伸为对 3D 世界、角色、行为规则和镜头调度的组织;在 Monta 中,它参与素材编排、剪辑包装与交付。
TapNow 想做的不只是把 Code Video 当成一种视频制作方式,而是用它搭建新的 AI 原生创作产品形态。
当模型能力逐渐成为公共能力,Code2Video 如何与 Agent、资产和专业工作流结合,形成一套能够持续推进创作任务的系统?
我们用真实的任务测试了这套系统:把一篇包含六款硬件的项目推荐做成产品讲解视频,在暴雨夜港口调度一座 3D 虚拟片场,看 CreativeOS2.0 能不能把一次生成,推进为一项可以持续修改、调度和交付的生产任务?
1
从生成到生产,AI 创作开始走进真实工作流
伴随着如 Fable5.2 这类模型的 Coding 能力更强,基础模型用 Coding 生成视频的边界正在拓展。在 CreativeOS2.0 的更新中,硅星人最感兴趣的是 Code2Video 功能,对于并不是专业视频工作者的我们而言,用代码生成结构化讲解视频的方式,能够为我们的内容打开另一种新的可能,同时确定性和可编辑性更强。
“每周项目推荐”是硅星人的一个固定栏目。我们选了其中偏 AI 硬件的一期,将文章内容和七张真实产品图交给 TapNow Agent,希望它用 Code2Video 做成一条产品讲解视频。
Code2Video 这次采用的方式,是让 Agent 写代码,把文字、真实产品图、布局和动画规则组织起来,再渲染为视频。产品图片来自我们提供的素材,标题和参数按文字排版,位置、颜色、出现时间和运动轨迹可以被明确指定。对信息讲解来说,这意味着更强的确定性:我们需要的是一个数字准确落在指定位置,而不是模型生成一个“看起来像数字”的画面。
从成片看,它完成得比较好的是结构化排版。我们给出的三类内容被落实成三幕,每一幕沿用相同的版面:顶部交代类别和判断,左侧呈现产品名称与关键参数,右侧放真实产品图。六款硬件、不同尺寸和背景的图片,被收进同一套视觉秩序里。观众切换到下一个产品时,不需要重新寻找信息在哪里,注意力可以留给内容本身。
这种稳定并不等于六张静态卡片轮流播放。数字高亮、产品切换、机械臂的运动示意和结尾的聚合连线,让信息有了先后顺序。它保留了文章的分类逻辑,又减少了单屏需要阅读的文字。作为一条科技产品的视觉讲解初稿,这比单纯追求电影感更切合任务:产品能认出来,重点能看明白,不同项目之间可以比较。为了让它成为可以直接观看的讲解视频,我们又把按这三类内容写好的中文旁白交给 TapNow Agent。它调用 ElevenLabs V3 生成了约 39 秒的配音;我们再按旁白节奏调整各个产品画面的停留时间,合成下面这条 40 秒的配音版。文字负责解释判断,真实产品图和参数承担信息展示,原来需要逐屏阅读的内容,开始有了连续讲述的节奏。
Code2Video 实测:本周 AI 硬件项目推荐,40 秒中文配音版
更能体现两种方式差别的,是修改。这次我们确实遇到了产品图裁切、图注与标签挤在一起、数字动画显示时机等需要调整的地方。Agent 随后改了取景范围、文字位置和动画参数:保留 CyboPal 的完整屏幕,把 Zilo 的图注下移,让 Nirva 的“3 天”在阅读时稳定显示。改动落在对应元素上,原有的分类、其他产品图和整条视频的风格可以继续保留。
传统生成视频也能借助参考图或编辑能力继续调整,但对于“只改这个数字”“只挪这一行字”这样的要求,代码提供了更直接的控制对象。确定性并不意味着第一次就不会出错,而是错误可以定位,修改有明确落点,不必为了修一个细节重新赌整段画面。这也让返工更有效率。当然,改完代码仍然需要预览和渲染,最终的文字、参数和视觉效果也需要人检查。
因此,Code2Video 尤其适合结构化的信息和知识:产品参数、概念之间的层级、步骤的先后、数据的对比,都能被写成清楚的排版和动画规则。文生视频模型擅长的表演、质感和氛围,仍然有自己的价值;而在“把一篇文章讲清楚”这类任务里,Code2Video 的可控性和可修改性更贴近编辑的工作习惯。两种能力也可以组合:用模型生产需要的影像素材,再用代码准确承载文字和信息。
这次结果是一条没有旁白和配乐的视觉讲解初稿,已经能看出文章如何变成视频,但还不能等同于完成配音、混音的发布版本。它让我们看到的生产价值,是内容工作者可以先用自然语言把知识结构变成可观看、可校对、可继续修改的内容。项目推荐、产品培训、研究报告、企业介绍,都存在这样的需求。
Code2Video 解决了视频生成的可编辑性,而 Cinemap 则升级了 2D 视频的维度。我们在 Cinemap 的 Agent 里输入一段场景描述:暴雨夜的港口,有旧仓库、通往码头的狭窄道路、远处的货轮和起重机;希望安排一场追逐,并先搭建可编辑的低精度场景。
我们没有自己建模,也没有逐一输入物体坐标,而是直接告诉 Agent:让主角从旧仓库跑向码头,两名追逐者从两侧包抄,其中一人晚三秒出发。系统把这句话落成三条不同颜色的路线和一条 18 秒的动作时间线。主角的路线被拆成四段,右侧追逐者的轨道则先等待、再起跑。人物何时动、从哪里经过、何时抵达路口,开始有了可以播放和调整的依据。

接下来是给这场戏摆相机:高位俯拍交代包抄关系,低机位沿道路侧向移动,码头尽头的固定机位朝来路反打。在二号机的取景界面里,可以看到 28mm 焦段、沿动线移动、看向主角和中景等设置;画布上则显示相机路径及对应的时间节点。我们提出的是“贴近地面跟着主角拍”,具体的空间操作由 Agent 承接,再由我们看画面、判断这个角度是否合适。

这种可控性比“再生成一个角度”更具体。人物路线、摄影机动线和剪辑切点,都存在于同一场戏里;三台机位记录的是同一次追逐,而不是三个彼此独立的想象。自动剪辑把 18 秒预演分成四段,在低机位、高位和反打之间切换,我们还能对照时间线继续调整。白模使用的是简化人物与场景,承担的也是预演工作:先判断空间关系和调度,再决定怎样把它拍成最终画面。
Cinemap 实测:18 秒三人调度、三机位白模预演
白模之后,我们继续把二号机的预演作为参考送入 Canvas,由 Agent 配置 Seedance 2.5,得到一段 15 秒、720p 的效果片。集装箱有了金属材质,路灯在积水中留下倒影,简化人物被转化成有表情和奔跑动作的 3D 动画角色。低机位跟着主角向前移动,中间切到追逐者,再回到主角,港口追逐由空间里的走位安排,变成了一段可以观看的戏。
Cinemap 渲染效果:「成片·机位 2」,15 秒、720p
这里接续的是两种能力:Cinemap 先把场景、人物和机位组织成预演,视频模型再依据参考生成具体画面。创作者可以先判断“人从哪里来、镜头从哪里看”,再调整角色造型和画面风格。三维空间因而成为视频生产可以继续使用的创作依据。
这使它更像一个虚拟片场,而不是孤立的 3D 生成器。现在市场上并不缺能做 3D 的模型和工具,缺的是把 3D 放进一条具体创作链路:前面承接已有的角色、脚本和资产,后面还能进入分镜、视频生成、剪辑,甚至继续发展为游戏或互动内容。
1
产品要做的,就是不停创新和定义
基础模型有了 coding 能力,大家都知道;基础模型的 3D 能力提高,大家也都知道。于是市场上很快出现了一批能写动画、做网页、生成 3D 游戏和虚拟世界的产品。
但模型能力从来不自动等于产品能力。模型告诉所有人“这件事现在可能了”,产品公司要回答的则是:它应该在什么时候出现,以什么方式被使用,解决谁的哪一个具体问题。
这也是 TapNow 坚持做“一站式”的原因。它不是为了在产品菜单里堆出更多功能,而是因为创作最怕被打断:脚本在文档里,参考图在网盘里,3D 场景在另一款软件里,视频散落在几个模型网站,剪辑又回到本地软件。每切换一次,丢失的不只是时间,还有资产、上下文,以及创作者刚刚形成的判断。
CreativeOS2.0 因而把画布变成人和 Agent 共用的工作空间。创作者可以说话,也可以点击、圈选、拖动,通过空间位置表达“这里”“这个人”“这一段”;Agent Team 在后台拆解和并行推进任务。用户不需要管理每一个 session,也不必先研究该选哪个模型。
TapNow 产品负责人 Ethan 告诉我们:“我们希望用户不要再关心提示词本身,或者选哪些模型本身,而关注于整体的创作。”
这句话也解释了 TapNow 在“给人用,还是给 Agent 用”之间的选择。它首先仍然是给人用的:人负责方向、审美和关键判断,Agent 接住复杂执行;但它也通过 MCP 向外部 Agent 开放能力。换句话说,人不需要迁就机器的操作方式,Agent 也不必被锁在单一入口里。判断权留给创作者,执行权可以在不同 Agent 之间流动。
功能很多,但门槛不一定要高。用户说“把二号机压低”“保持这个角色,换掉环境”“把这篇项目推荐做成 40 秒视频”,系统再判断要调用什么模型、是否使用代码、怎样继承已有资产。复杂度并没有消失,只是被产品吸收了。
这也解释了为什么 TapNow 不想把自己限定成一款影视工具。企业营销、电商内容、产品介绍、培训、活动和游戏原型,看上去行业不同,却都包含需求理解、素材组织、内容生产、反复修改和最终交付。TapNow 接入千问办公、与 WorkBuddy 合作,意义也不只是多了两个分发入口,而是它的创作能力开始进入用户原本就在使用的工作环境。
Cinemap 又把这条边界向外推了一层。Ethan 将它形容为“Cinemap 是另一块无限画布,只是它是一块 3D 画布”。对导演,它可以是虚拟片场;对游戏团队,它可以成为关卡和世界的起点;对品牌、展览和活动,它也可能变成互动空间。TapNow 的边界因此不再是“视频生成”,甚至不只是“视频创作”,而是所有需要同时组织文字、图像、视频、声音、空间与交互的创作任务。
当然,AI 时代没有一劳永逸的领先。一个好的交互被验证之后,很快会成为行业共识。对 TapNow 来说,护城河不在某一个按钮,而在于持续定义下一种创作方式的能力:从画布、Agent 到三维预演,率先把前沿技术做成创作者能直接上手的完整工作流,然后在真实使用中不断迭代。
Ethan 对这件事的说法很直接:"我们最关心的是,明天最先进的生产力出现时,TapNow 能不能最早把它变成创作者真正用得上的能力,并且一直走在前面。"
创业公司未必需要沿着大厂画出的赛道追赶。它也可以不断重新定义产品形态,把所有人都能调用的模型能力,装进一条只有自己最理解的创作流程里。TapNow 很早用画布重新组织视频生成,现在又试图用 Agent Team、Code2Video、Cinemap 和 Monta,把画布变成一套生产系统。
AI 生成工具回答的是“能不能做出一个结果”;CreativeOS2.0 想回答的是“能不能把一件事做完”。从生成到生产,可能正是下一阶段 AI 创作产品真正的分水岭。








