深耕数码、AI兴趣领域
8
5
我让10款AI帮我剪了条Vlog，表现让我惊讶...
2026-10-05 17:31:26
0点赞
1收藏
0评论
先看这张图。
奶油色的点阵纸，白边照片，手写字体，邮票邮戳一样不少。这是我越南旅行vlog里的一页。它不是我剪的，是AI剪的。
而且剪出这一页的AI，只是这场比赛的参赛选手之一。
事情要从头说起。
上个月，我去越南加云南玩了八天：昆明出发，河口过关，老街进越南，河内、岘港、会安，一路玩到腿软。两个人的八天，我用影石Luna Ultra拍下了620多个文件，整整26GB。
回来打开文件夹的那一刻，我人傻了：全部预览一遍都要花半天，剪完？下辈子吧。
但我转念一想：现在AI都这么强了，凭什么不让它们替我剪？
说干就干。我把市面上主流的10款大模型全喊来了：腾讯混元Hy4、Kimi K2.8、MiniMax M3、豆包2.1 Turbo、Kimi K3、豆包2.1 Pro、DeepSeek V4.1 Flash、ChatGPT-6、GLM 5.3 Flash、GLM 5.3。
规则很简单，也很残忍：
同一场旅行，同一份26GB素材，同一份提示词：明亮、清透、轻微偏暖，要松弛感，先高光预览再出标题，夏日手帐风。全部使用各家的官方Agent工具，让它们开始剪辑。
那说到AI剪辑，是不是有很多小伙伴觉得就是使用咱们日常使用的Pr、剪映这类工具呢？
那其实AI剪视频跟人不一样：它们是写脚本，批量自动分析素材、生成字幕和手帐卡片，再一段一段渲染出来。
10条片子看完，有惊艳，也有惊吓。
最终成绩单先放这儿：
💀 第10名 腾讯混元Hy4 ｜4分
四个字评价：「交付事故」
说实话，它的前半段没我想象的差：满屏电影感，平均3秒一个镜头，会安的灯笼、岘港的海岸线都知道放大展示，选片眼光在线。
我一度以为它要逆袭。
然后，我瞥了一眼播放器。
画面，停在4分27秒。音频，一路跑到6分23秒。
也就是说：最后将近两分钟，全是黑屏，只有BGM在孤独地响。
还没完。我翻了翻它的输出文件夹，一个0字节的导出失败文件，就那么大咧咧地躺着。
它翻车了，但它自己压根不知道——因为导出之后，它没有检查。
剪得好不好是一回事，文件能不能完整播放，是另一回事。
交付都没完成，神仙选片也救不了你。4分，垫底。
· · ·
🎨 第9名 Kimi K2.8 ｜6分
一个只管美、不管死活的艺术家
K2.8的审美真没得黑：会安的黄墙、灯笼、夜市，被它做成一本英文旅行手帐。拍立得、胶带、撕纸边、小涂鸦全都有，还有英文注释，风格统一得像买来的。
但它有三个毛病，个个致命：
一，转场全靠闪白。动不动冒出一帧接近全白的画面——不像翻手帐，像屏幕坏了。
二，节奏慢到离谱。镜头时长中位数11秒，最长一段接近40秒。我要的是松弛感，不是PPT轮播。
三，最离谱的：我的行程有8天，它剪到第7天，直接剧终。最后一天呢？被它吃了。
风格成立，执行粗糙。6分。
· · ·
🤫 第8名 MiniMax M3 ｜6.2分
闷声干活的老实人，声音也是真的闷
M3走极简路线：不搞花哨排版，只留高光预览、标题、日期卡、结尾卡。
真实是真的，偷懒也是真的——大量素材没有重新设计，竖屏照片直接怼进16:9画布，两边黑边宽得能再放一部电影。
最要命的是声音：综合响度只有-26.9 LUFS，全场最轻，跟最响的差了约15dB。看它的片子，我的手指就没离开过音量键。
结尾还特别仓促：先黑屏近8秒，最后一句「把夏天装进手帐里」只停留2秒——话都没说完就散场了。
6.2分，可惜了这份克制。
· · ·
🎬 第7名 豆包2.1 Turbo ｜6.5分
把力气全用错了地方的卷王
全场最卷，也最偏题。
青橙调、暗角、胶片颗粒，胶片感确实给你拉满了。可我的提示词白纸黑字写着：明亮、清透、轻微偏暖。
它交上来的，是一部偏暗偏冷的公路电影。
开场顺序也是反的：要求先预览再出标题，它上来就把标题怼你脸上。竖屏素材做了模糊背景填充，但两边有明显的涂抹感；响度-24.7 LUFS，也偏轻。
但你真不能说它没本事，72个镜头，全部列成剪辑清单，一条不落；最后一天没素材，它还知道拿机舱照片和第一天的车站做首尾呼应。
能力有，方向偏。6.5分。
· · ·
✍️ 第6名 Kimi K3 ｜7.8分
文案封神，败给一个方块字
K3的开场，是十款里最惊艳的：会安灯笼街、龙桥喷火、火车街，连续三个高光镜头甩完，标题卡压上来——「两个人的八天」，路线、纸飞机、邮戳、胶带，安排得明明白白。
更绝的是文案：
「离开岘港那天下雨了。」「夜市里的手作摊。」「有人在天上飞。」
这不像AI在介绍景点，这像一个刚旅行回来的朋友，在照片背后随手写的话。
我差点就宣布它提前毕业了。
直到我在第七天的路线图正中间，看到一个方框乱码。它想放个小飞机图标，字体不支持。就这一个方块，卡在片子最中间，想忽略都难。
离「可以直接发」就差最后一道质检，它没做。
7.8分，一个方块字引发的败笔。
· · ·
🛡️ 第5名 豆包2.1 Pro ｜8分
六边形战士，但没有记忆点
先说清楚：Pro的能力明显强于Turbo。该有的全有：开场预览、标题卡、日期卡、结尾卡；画面明亮，风格清新。
竖屏素材的处理甚至称得上聪明：不硬裁横屏，而是做成一张足够大的拍立得纸卡，放在柔和的虚化背景上——构图保住了，黑边也消失了。
它还把Live Photo里的动态内容提取出来，自己生成了三段原创配乐。
但看完整个片子，我愣了三秒：有哪个画面，是我能记住的？一幕都没有。
每一项都合格，每一项都差一口气——完成度很高，个性约等于无，一份标准答案。
对了，别再说豆包模型不行了：它只是稳得让你挑不出毛病，也夸不出花。
8分。
· · ·
🎵 第4名 DeepSeek V4.1 Flash ｜8.3分
选片鬼才，兼职程序员
DeepSeek的选片，是这次最让我服的之一：铁路隧道里的剪影、暮色下的海边、深夜的教堂——每个镜头都精准踩在光线和构图最好的那一秒。
全片约80个镜头，平均3.7秒一个，快而不乱，全场看起来最爽快。
更离谱的是，它连BGM都是自己用代码合成的：木吉他、贝斯、沙锤，零外部采样，再把街市、海浪、火车的现场声混进去。响度-11.6 LUFS，全场最响。
最后一天没素材，它没有拿别的日期糊弄，而是画了一张返程动车票——老街、河口、昆明南，C560。
就这一张票：克制、聪明，还有点浪漫。
扣分项：手帐元素用得太少，很多细节要按暂停才看得见。
8.3分。
· · ·
📖 第3名 ChatGPT-6 ｜8.6分
它把整本手帐「盘活」了
先交代：GPT-6开的是弱思考档，Astra的Ultra额度，实在烧不起。
即便如此，它依然是全场最懂素材结构的一个。这批照片里混着不少Live Photo，很多模型把它们当普通照片，GPT-6把12张动态图全部提取出来，再加上14段视频。
接近5分钟的成片里，有3分07秒是真正在动的画面。
海浪在拍，锦鲤在游，街上的人和车一直在走。别的模型是让照片缓缓放大、假装在动；它是直接把整本手帐做活了。标题页也不是干巴巴的淡入，而是像翻开一本笔记本。
最后一天没素材，它做了一页「返程」，用时间轴标出老街、河口、昆明。
最离谱的是版权意识：音乐署名文案全给准备好了，直接复制进发布简介就能发。这觉悟，很多人类博主都没有。
扣分：声音偏轻，个别转场闪白。
8.6分。
· · ·
📏 第2名 GLM 5.3 Flash ｜8.8分
如果只看「听话程度」，它是第一
GLM 5.3 Flash对提示词的执行，精确得像用尺子量过：画面明亮、清透、偏暖，一个字都没跑偏。
开篇预览结束，一张贴在纸面上的日本桥拍立得标题卡；每天一张日期卡，日期、星期、地点、天气全齐。
最绝的是旁边那条行程进度线，旅行走到哪一天，线路就亮到哪一天。
但它真正的杀手锏是声音：火车街那段，火车贴脸开过来的瞬间，背景音乐自动降到三成，让真实的火车呼啸当主角，现场声完整保留。从头到尾，用户不用碰一下音量键。
输在哪？版式太乖。全片基本都是单张拍立得，稳是稳，少了那种让人忍不住暂停截图的「哇」。
8.8分，以微小差距屈居第二。
· · ·
🏆 第1名 GLM 5.3 ｜9.1分
它剪的不是vlog，是一本杂志
看它第一眼，我就知道这次冠军没了悬念。
它不像一条vlog，更像一本排版、印刷、装订完成的旅行杂志：奶油色点阵纸、白边照片、鼠尾草绿和珊瑚橘的胶带、邮票、邮戳、手写字体——所有元素都属于同一套视觉语言。
有的页面单张照片，有的两张错落拼贴；位置、倾斜角度、留白，全都设计过。每天的卡片，连星期、天气、温度都标了出来。
缺点也很直白：全片只用了约30张照片、7段视频，素材利用率全场倒数；个别竖排文字离边缘太近，差点被裁掉。
但综合视觉、声音、叙事、完成度来看——它就是最接近「专业作品」的那一条。9.1分，实至名归。
· · ·
💰 但是 冠军的账单 比你想象中烧钱
封神的代价，是钱包先阵亡
GLM 5.3不具备视觉能力，分析素材时视觉接口频繁报错。它想了个狠招：自己写了个本地识别脚本。
聪明是真聪明，烧也是真烧——
这条9.1分的片子，烧掉了整整两个5小时额度。
对比一下：第二名GLM 5.3 Flash，只用了一个额度的20%；GPT-6弱思考，用了50%。
所以这份榜单还有个隐藏款：性价比之王，GLM 5.3 Flash。
· · ·
写在最后：10条片子看完，三点暴论
第一，模型们已经会「看懂」素材了。GPT-6知道Live Photo里藏着会动的画面；所有模型都发现我给的行程单和实际景点对不上——并且都自己纠正了。
第二，缺素材的时候，才见真功夫。最后一天没有拍摄素材：有的一剪到第7天直接跑路，有的拿机舱照片首尾呼应，有的画了张动车票，有的做了整页返程。没素材可用的时候，才是AI能力真正分层的地方。
第三，交完作业会不会回头检查，是分水岭。混元4那个0字节文件，就静静躺在文件夹里。当然，这些未必全是模型的锅，Agent工具（Harness）也得背一半。
回到最初的问题：AI现在能独立剪vlog吗？
实测答案：能。前几名已经做到「不用大改，直接能发」。
但AI剪辑真正的差距，早就不是会不会切镜头了——是审美统不统一，是素材有没有被真正读懂，
以及，它能不能意识到自己哪里没做好。
最后这三条，恰好也是人做内容最贵的东西。
