这类动作复刻视频，你是不是网上见过不少。但当你真正上手制作，大概率会出现下面的情况。动作、姿势学跑偏；学了其他你不想要的东西，比如风格、长相、服装、背景；复杂动作和走位，你用文字根本描述不清楚......一句话概括，让当前AI视频模型“听懂话”和“全照做”很难，即使强如SeeDance 2.5。今天就教大家解决“动作复刻”这个难题。答案就是：

这是LibTV的新功能「深度动作捕捉」。LibTV同时还上线了「口播智能剪辑」，后面详细介绍。1 深度动作捕捉

一句话介绍功能：一键提取视频的深度信息，精准捕捉角色动作，减少其他干扰。

上面的黑白视频，就是原视频的深度信息视频。它捕捉了动作信息，过滤掉了其他信息。

它是生成“动作”的专属参考，动作的精准度和稳定性会大幅提高。

操作很简单。比如我要上演成龙的经典镜头。

这是原视频，上传到画布中。

点击「逐帧拉片」中的「深度动作捕捉」，然后选择分辨率就好了。

这里我一开始选的是480P，但后面发现SeeDance2.5不能用480P视频当参考。所以保险起见，推荐选720P。

下面是完整的深度信息视频：

这里我还踩了两个坑。

一是，SeeDance 2.5的参考视频+音频不能超过15s。最开始我直接创建的视频节点，把原视频和深度信息视频同时作为参考，结果超时了。

二是，SeeDance2.5不支持真实人像。

于是，我直接改用Agent生成。把原视频、深度信息视频和我的照片丢给Agent，它会自动选择合适的模型，规划分镜和参考。

最终视频如下，动作复刻还是很到位的吧。

再做一个钢铁侠出世的经典片段。我自己设计了一款钢铁侠盔甲：

操作还是一样简单。这是原视频：

这是深度信息视频：看看最终视频，是不是毫无违和感，动作精准复刻。

其实不仅是动作提取，深度信息视频中还包含了运镜和空间关系，这也是重要的参考依据。

其实「深度动作捕捉」功能的设计思想很通用：在流程中不稳定的环节间，增加稳定层，来保证效果的稳定性。

举个例子，我在做AI应用时，让AI输出总结报告。通常AI每次输出的格式、排版都会不同，那我就丢给它一份HTML代码，来限定每次输出的格式排版。

2 智能口播剪辑不少朋友都知道，我也做视频号，形式是口播。作为剪辑小白，刚开始做的时候可以说相当费力。先粗剪，剪掉说错的部分，拼接片段，去除停顿、口水词。然后精剪，加字幕，加花字，加特效，加画中画...... 每次剪辑都要花好几个小时。现在LibTV上线了「智能口播剪辑」功能，上面这些操作都能自动化完成。我带着大家测试一下。

在画布中，添加「智能剪辑」节点，选择「口播视频」。然后删掉示例素材，上传自己的素材，并连接节点。这里我上传了3段口播录像和2段录屏视频。

然后在节点中写清楚你的剪辑要求，选择好画面比例、目标时长、分辨率。LibTV会唤起剪辑Agent进行自动剪辑。

简单吧，咱再看看它具体是怎么工作的。和人类一样，Agent先理解素材，进行自动编排，剪掉无用的、重复的片段，压缩节奏。展示录屏时，还会做蒙版，人物也在小窗展示。粗剪后，会给我们看剪辑方案和粗剪成片，我们确认后，才会继续精剪。精剪时，会添加字幕、花字、音效，进行完整包装。

当然，这过程中咱可以随时提出要求，进行修改优化。我让它修改了字幕大小、花字样式、录屏素材位置。这是剪好的视频：作为对比，也给大家展示我自己手搓的版本：可以看到，剪辑效果很像。我自己花了两三个小时，LibTV只用了不到半小时。

当然，这个功能并不完美。最大问题是字幕不能修改文本，比如眼镜型号应该是是S1和G1，字幕识别的是SE和GE，改不过来。其次，花字的美观度也有提升空间。但这个功能依然实用，特别是对于打算开始做口播的小伙伴。有过很多人，真的是很多人，跟我说想做自媒体。但真正开始执行的，十个里也就一个。

两个天然的卡点：一是上镜，要克服心理障碍；二是剪辑，要克服技术障碍。

所以，LibTV这个「智能口播剪辑」功能，起码能让很大一部分人行动起来。我觉得这比剪辑效果更重要。写了不少安利LibTV新功能的文章，你会发现，这个产品的主线，从来都是：将AI视频的可控性，提升到能落地的水平话不多说，有需要的小伙伴直接冲LibTV官网

如果你有任何看法，欢迎在评论区一起讨论

如果有一点收获，可以点赞、转发、推荐文章，关注「AI机器人茶馆」