跨国深谈← 返回←Synthesia CEO：AI 视频不会进好莱坞，而是创造新媒介

Synthesia CEO：AI 视频不会进好莱坞，而是创造新媒介

关联

人物 Victor Riparbelli

公司 Synthesia

概念 虚拟形象 · 智能体 · 基础模型层 · 应用层

这一集是 Synthesia 的联合创始人兼 CEO Victor 聊他们怎么用 AI 虚拟形象做视频——最反直觉的一点是，他认为好莱坞会是最后一个采用 AI 视频的行业，AI 生成的内容不会出现在电影院或 Netflix 上，而是诞生在 TikTok 和 Instagram 上，成为一种全新的内容流派 。

Synthesia 起源于 2016 年 Victor 在伦敦看到斯坦福副教授 Matthias 的一篇论文，这篇论文首次展示神经网络生成逼真视频。Victor 当时在研究 VR 内容创作，发现 VR 的分发和内容制作是双重难题，但如果同样的技术用在视频上，视频的基础设施（YouTube 等）已经存在，分发问题直接消失 。

2017 年公司成立，融资极其困难——他们被近一百个投资人拒绝，因为当时所有人只想投金融科技，而他们在讲”十年后用想象力就能做好莱坞电影”的科幻故事 。最终 Mark Cuban 通过一封冷邮件，14 小时邮件往来后就投了一百万美元，因为他自己在家实现过那篇论文，完全共享这个愿景 。

找到真正的用户：不是好莱坞，是企业里发 PDF 的人

最初他们找好莱坞工作室和视频制作机构合作，结果碰壁——这些人的质量要求极高，实验意愿极低，因为他们已经在产出很棒的内容了 。转机来自另一群人：企业里负责培训和教育的人。

这些人拼命想做视频，但唯一能做的就是把长篇文本或幻灯片发出去。他们反复说的是同一件事：我写了这么多内容没人读，读了也记不住，我需要视频和音频，但我没有能力做 。

关键发现是评估标准完全不同：好莱坞拿 AI 视频和真实电影比，说质量太差；而这些企业用户拿 AI 视频和 10 页 PDF 文档比，觉得好太多了 。这就是 Synthesia 的第一个真实用例——企业里的解释性、教育性视频。

产品形态上，Victor 把它比作 PowerPoint 2.0：普通办公人员登录网页应用，选一个虚拟形象（可以是自己），输入脚本，组合视觉素材，就能生成视频 。不是给视频专家用的，是给写 PPT 的人用的。

从单向视频到双向对话：虚拟形象 + 智能体

Synthesia 正在推出的第二个大产品，是把视频从”单向广播”变成”双向对话” 。具体做法：在视频中插入智能体（背后是 LLM 驱动），比如销售培训场景——员工先看一段教学视频，然后智能体假装成客户，跟你对话 15 分钟，你要回答问题、处理异议、建立同理心 。

这比被动看视频有效得多，因为人们通过练习和大声说出来学习效果更好 。系统还能通过技术给表现打分，让创建视频的人知道你到底理解了没有 。

这套实时交互目前在做 beta 测试，几个月内正式发布。第一个场景是培训（他们叫”技能”），之后会扩展到销售模拟、招聘等 。同时也会提供底层 API，让开发者只用实时虚拟形象而不用其他功能 。

Victor 认为，未来你跟公司互动的方式不太会像现在这样浏览网站（本质上是一本小册子），而是打开一个跟虚拟形象的 Zoom 通话，虚拟形象可以调出内容、共享屏幕，更像跟真人销售做演示 。不过他也指出，面向客户时对质量和延迟的要求极高，必须感觉像跟真人说话；内部用例可以稍微放宽 。

和视频生成平台的区别：不争通用模型，做垂直应用

面对 Sora 这类通用视频生成平台，Victor 的定位很清晰：不竞争。他认为行业会分成基础模型层和应用层 。

通用世界模型需要海量算力和人才，Google 这种公司做得最好，Synthesia 不去争。他们训练的模型非常垂直——专门针对虚拟形象、人对着镜头说话的场景：需要生成任意长度的片段（不是只有 8 分钟）、需要保持身份一致性（虚拟形象不能每次变样）。他们把通用模型当作合作伙伴和底层供应商来用，比如想让虚拟形象在车里驾驶，就调用通用模型的能力再包一层工作流 。

声音克隆方面，他们自己训练语音模型，因为企业客户有特殊需求——比如保留口音，市面上现有方案做不好这一点 。同时也用第三方来覆盖更多语言。

AI 内容是新流派，不是好莱坞的替代品

Victor 用合成器打比方：70 年代合成器被发明来模仿钢琴和吉他，但质量差，结果人们拿它创造了全新的电子音乐流派，而钢琴和吉他今天依然在用 。AI 视频也是一样——它不会替代真人拍摄，而是会成为一种看起来根本不同的新流派 。

好莱坞不会是最先拥抱 AI 的，反而可能是最后。AI 生成的娱乐内容不会出现在院线，而是由没钱的电影系学生在笔记本电脑上做出 17 分钟的短片，发到 Instagram 上 。真人拍摄加 AI 视觉特效（比如五分钟就能生成你在太空中漂浮的画面）会先被采用，但主体仍然是真实视频 。

关于名人虚拟形象的授权（比如让贝克汉姆教数学），Victor 认为技术上 6 到 12 个月内就能做到 ，商业模式上可以想象成每个视频付名人 1 美元 ，但这不是 Synthesia 的重点——他们是企业 B2B 平台 。他的判断标准很硬：除非技术好到看不出区别，否则对消费者场景来说就不够好 。

本集带走

• 找对评估标尺比提升技术更重要：同样一个 AI 视频，跟好莱坞电影比是垃圾，跟 10 页 PDF 比就是飞跃。找到你的用户拿什么在做对比，比盲目追求质量提升更关键。
• 从单向到双向是视频产品的下一步：在视频中嵌入 LLM 驱动的智能体，让观看者从被动接收变成主动练习和对话，这是企业培训场景里明确的价值升级。
• 不跟基础模型争，做垂直场景的应用层：通用视频生成是 Google 们的游戏，Synthesia 专注”人对镜头说话”这个垂直场景的特殊需求（任意长度、身份一致性），把通用模型当供应商用。
• AI 内容是新流派，不是替代品：就像合成器没有替代钢琴而是创造了电子乐，AI 视频会诞生自己的内容形式，先在短视频平台爆发，而不是冲击院线。
• 冷启动融资的非共识策略：找已经自己实现过相关技术、天然共享愿景的投资人（Mark Cuban 自己在家跑过那篇论文），这样对话从”怎么建公司”开始，而不是从”这东西十年后可能吗”开始。

它将把创建内容的边际成本驱动到零。
It’s going to drive the marginal cost of creating content to zero.
—— Victor Riparbelli · [03:50]

我们找到了他的邮箱，给他发了一封冷邮件，他在四分钟内回复说，我觉得这真的很有趣，带回了一些更多的问题，然后我们进行了一次 14 小时的邮件往来。
We found his email, we sent him a cold email, and he responded back within four minutes saying, I think this is really interesting, came back with some more questions, and then we had a 14-hour email conversation with him.
—— Victor Riparbelli · [08:45]

我对这些事情的感觉一直是，除非技术真正好到你无法分辨区别，否则它就不够好。
My sense with this stuff is always that until the technology is truly so good that you cannot tell the difference, it’s not good enough.
—— Victor Riparbelli · [18:22]

我认为好莱坞将是最后一个采用任何这些东西的行业。
I think Hollywood is going to be the last industry to adopt any of these things.
—— Victor Riparbelli · [27:47]

我认为你将看到的 AI 生成的娱乐内容不在电影院里。
And I think what you will see AI-generated entertainment is not in the cinemas.
—— Victor Riparbelli · [27:51]

AI 内容将只是它自己的流派，看起来将根本不同。
AI content is just going to be its own genre that’s going to look fundamentally different.
—— Victor Riparbelli · [29:22]

我们现在正在尝试的是发明一种专属于我们的新媒体格式。
What we’re trying right now is invent a new media format that is proprietary to us.
—— Victor Riparbelli · [35:45]