访谈脉络:用视频 Agent 把动画做成普通人的表达容器
OiiOii 创始人兼 CEO;中山大学毕业,INTJ、狮子座,笑称自己「还在一个能打的年龄」。开场与快问快答:十年动画心愿,以及「安静的力量」
节目一开场,Koji 分享即刻网友对 OiiOii 的高评价——「近半年没遇到什么惊喜的新产品,直到遇到 OiiOii」,他自己也用 OiiOii 给女儿做了一首圣诞歌曲 MV,女儿爱不释手地循环播放。闹闹随即补充,内测中涌现出许多意想不到的使用者,比如每天给孩子做动画小视频的家长,以及用动画给学生做科普短片的老师。
快问快答环节里,被问「如果不创业此刻会在做什么」,闹闹答道「去一个没太多人的地方隐居,养几只小动物,生活着就行了」。她坦言过去自己是完全闲不住的「外拓」状态,总觉得必须不停做事才算构建出意义;如今反而非常闲得住,把独处和安静当作充电——懂得了安静本身的意义,才能释放出更圆满的安静力量。
谈及为什么对动画如此执念,闹闹回溯了从腾讯离职后长达半年的 gap 经历。大学时她就梦想做动画,离职后先报插画班学角色设计,又去学专业三维动画软件 Maya,结果被极高的操作门槛劝退——「它太难用了」,做过产品经理的人对难用工具有天然抵触。加上彼时动画行业薪资微薄、近乎「为爱发电」,她最终没有贸然转行,而是开启了 6 年极限运动社区创业。但她始终忘不掉当时参观一家建模特效公司的一幕:整间屋子昏暗无空调,工作 5 年的建模总监月薪只有 1 万元,谈起自己做的作品时眼睛里却闪着极强的光。这份纯粹一直留在她心里。
真正把「AI + 动画」的念头点亮,是在 2022 年在字节看到图像生成模型 DALL·E 2 之际,她第一反应就是「这可以做动画」。此后去 B 站做动画业务、推进「离谱」项目,都在不断摸清动画产业、寻找切入口。到了 2025 年上半年,一方面原有环境已难继续施展,另一方面多模态视频模型突然像早年大语言模型那样开始高速内卷,加上 Agent(智能体)形态成熟,主客观时机交汇,团队在 7 月规划、8 月动手,正式做出 OiiOii。
从首尾帧到 All in Sora 2:AI 视频的两大帮派与架构转向
Koji 问她为什么认准 Agent 形态。闹闹给出三点理由:其一,Agent 天然擅长编排调用多种底层模型;其二,动画本就是剧本、角色、分镜、画面、配音多工种接力的流式工业流水线,与多 Agent 协作高度契合;其三,传统 GUI(图形用户界面)创作软件只会越叠越臃肿,而自然语言驱动的 Agent 能把复杂性藏在底层,给创作者极高自由度。
她把当时 AI 视频生成赛道拆成两大「宗门」:一是国内视频模型普遍擅长的「首尾帧」流派,给定起始帧与结束帧图像让模型推演中间过程,单镜头画面稳定性高;二是「参考图 + 文本」流派,依靠文字描述加多张元素参考图直接生成。
2025 年 8 月起步时,OiiOii 第一版采用的就是首尾帧路线:比如生成 8 个镜头,先画出 9 张首尾相接的关键帧图片,再分段生成视频拼接。团队当时的核心创新是引入一个 Task Agent(任务调度智能体),熟悉各个底层模型的长短板,按镜头内容自动路由——打斗镜头派给动作见长的海螺,人物微表情与细腻情感派给擅长情绪表达的模型,大片特效感(CG 感)则调用对应的影视风格模型。
做了大约一个月,首尾帧链路刚见雏形、正准备补齐 TTS(语音合成)、配乐和音效时,Sora 2 横空出世。闹闹在推特上刷到 Sora 2 生成的动画,震撼到「完全看不出任何 AI 痕迹」,镜头间的蒙太奇切镜极其自然。研发接入 Sora 2 后生成的第一个测试视频,是一只小螃蟹和一颗小海星打篮球——成片完整到让闹闹不敢相信「不会真的让我们做成了吧?」。虽然 Sora 2 文本权重很高,跨镜头角色与场景一致性不如首尾帧稳妥,但表现力与电影镜头语言优势巨大(她猜测其训练数据融入了大量高质量电影素材,做二创时甚至能隐约看出某部经典电影的影调)。团队短暂并行两条链路后,很快做出果断取舍:「老链路先不做了,全部切到 Sora 2。」
「超市与餐馆」理论:为什么模型变强不会消灭视频 Agent?
面对最尖锐的灵魂拷问——「如果未来进化到 Sora 4、Sora 5,端到端能力极强,OiiOii 会不会被吃掉?」——闹闹给出一个广为流传的比喻:基础大模型是大型超市或菜市场,提供食材;视频 Agent 是开在小吃街上的川菜馆、粤菜馆、火锅店,针对特定人群的口味烹饪成品。
在闹闹看来,即便未来模型迭代,底层视频模型也极难「大一统」:先天上各家的数据采集与标注标准天差地别,人眼对视觉细微差异极其敏感;后天上各家战略侧重不同(例如可灵、海螺各有侧重影视大片或动作)。消费者当然可以去超市买菜自己做,但永远有人愿意直接下馆子。即便是超市(像物美、盒马)自己开始卖熟食,也取代不了深耕细分口味的专业餐馆——专业性本身无法穷尽。
她透露,团队大约 60% 到 70% 的功夫花在用户界面根本看不见的「后厨调味」 上,并用三个具体实例拆解了什么叫「用同一份食材炒出不一样的味道」:
- 垂类创作知识库(以二次元 MV 为例):同一句 Prompt(如「让他们几个跳一段 K-pop 做个 MV」)和相同参考图直接扔进 Sora 2,效果远不及 OiiOii。团队系统拆解市面上优秀的二次元 MV,提炼出节奏、运镜、转场和音效规律沉淀为知识库,在用户给出简短意图后自动扩写专业指令并编排视听语言。
- 刻意拿捏的「分镜断点感」:有用户反馈部分剧情分镜之间存在轻微跳跃,其实这是团队有意调节的结果——如果每个镜头无缝衔接得过于平滑,整段剧情反而平淡无起伏,必须像厨师控火候一样把连贯性与戏剧转折调到黄金平衡点。
- 「放辣椒过头」的场景一致性调试:早期只用文本描述场景、只喂局部小元素,跨镜头背景容易飘移;听完用户反馈后团队加入完整场景参考图,结果背景虽然牢牢锁死,却限制了模型的空间想象力,画面变得死板、人物像生硬贴在背景板上的「贴片」——就像客人嫌川菜不够辣,厨师猛加一勺辣椒反而辣得吃不下。这件事也让团队深刻意识到:底层模型纹丝不动,仅仅微调输入条件就能彻底改变成片观感。
目标用户演化:为什么不做漫剧和 UGC,以及意外涌现的「社交关系动画」
聊到商业切口,闹闹清晰复盘了两次「主动放弃」:
- 暂不切漫剧(漫画风格短剧):第一,漫剧极度考验剧本功底,这既非当前模型长板也非团队优势;第二,漫剧高度依赖买量投流;第三,漫剧是在既有成熟流水线上拼人工精修效率,而团队不想做重人力生意。
- 暂不做类似「离谱」的泛 UGC 内容社区:一方面,当下用户的单次内容信息消费阈值很高,浅层 UGC 很难撑起大型独立 App 的留存;另一方面,大型社区对用户体量与视频推理算力的资金消耗极高,时机未到。
团队最终锚定了中间层——一人或两三人规模的小型自媒体动画工作室,细分为三类:①围绕固定原创 IP 连续更新的动画自媒体(过去两三人小团队一周更 1 集,借助 OiiOii 的固定 IP 角色连续生成功能,粗算一天能出 10 集,精挑细选日更 1—2 集毫无压力);②ACG 圈层的 MV 创作者;③讲历史、做科普的非动画自媒体,内容极适合动画表达,只是过去成本高不可攀。
但内测一个月后,市场给出了三类完全出乎意料的惊喜用户:①漫剧创作者还是找上门来了——虽然 OiiOii 还没做剧本上传等专属功能,他们发现根本不需要一键成片,只要快速生成高可用分镜下载回去自己剪,效率就已大幅跃升;②零视频经验、不愿真人出镜的普通 C 端用户,把动画当成表达内在精神世界的面具;③并非为了公共流量的「私人社交关系」创作者——家长给孩子做、学生给老师做、情侣互做、成年人给父母做、主人给自家宠物做。面对多元需求,闹闹表示终极目标并不是一刀切做减法,而是借鉴当年抖音深耕垂类的打法:排好优先级,逐一研究每个垂类的内容结构、沉淀专属知识库,一个一个啃下来。
两个月四次架构重构、与剪映的互补,以及把「孤独」翻译成镜头
Koji 抛出视频 Agent 最难啃的工程问题:传统剪辑软件和固定工作流(Workflow)高度可控,自然语言 Agent 则极其灵活却容易失控,OiiOii 怎么做到「既要又要」?闹闹坦言,为了兼顾「流水线的稳定性」与「随时和流水线上每个 Agent 自由对话修改」,团队在短短两个月里做了四次架构重构:
| 重构阶段 | 核心架构思路 | 实际暴露的痛点 |
|---|---|---|
| 第一版 | 纯靠 System Prompt 定义多个 Agent,全权交由大语言模型自主决定流程与交接 | 自由度过高、极不可控,模型经常「不听话」,该交棒给下一个 Agent 时不交棒。 |
| 第二版 | 切换为严格锁死的固定 Workflow 流水线 | 稳定性提升,但彻底牺牲了用户中途插话修改与探索的自由度。 |
| 第三版 | 在固定流水线中引入退出/返回「信号」:检测到修改需求时跳出主干,改完再发信号回流 | 状态跳转极易出错,用户常遇到系统跳出去就忘了回来,或者没正确退出而僵硬地继续往下跑。 |
| 第四版 | 在第三版基础上允许跨分支流程跳转,进一步平衡可控与灵活 | 录制时仍处于密集调试阶段,持续提升边界状态下的稳定性。 |
在产品交互上,OiiOii 采用「导演带队」的群聊隐喻:剧本、角色设计等表面可见的 7 个具名 Agent 像拉群协作一样彼此召唤,而界面之下还隐藏着负责调度与辅助的隐形双层 Agent,处理跨角色上下文记忆颇具挑战。不过闹闹认为,相比 Photoshop → Sketch → Figma 或 Premiere → Final Cut → 剪映这种不断堆功能再被简化工具颠覆的循环,Agent 允许用户主动探索边界,甚至做出连研发团队都惊呼「这是用我们产品做的吗?」的高阶作品。
作为前剪映负责人,闹闹也直面了「OiiOii 会不会吃掉剪映」以及「Cursor for 视频编辑」的话题。她把剪映拆成两层:底层通用的剪辑轨道,以及嫁接抖音内容生态的模板体系(后者具备极强护城河)。OiiOii 切中的是更靠前的内容生成增量市场:随着 Sora 2 这类模型把镜头切换与复杂特效内化到生成环节,过去极其繁琐的重度特效和转场反而最容易被模型替代;而「把片尾删掉 0.1 秒」、调顺序、最后统一合入配音(避免多模型音色不统一)这类极轻量的精准微调,直接上手拖动轨道远比用自然语言发指令高效。因此两者是叠加增效的关系——以前在剪映里耗时 3 小时,今后在 OiiOii 生成再进剪映精修可能只需 30 分钟。
谈到如何帮不懂镜头语言的普通人做出「有感觉」的片子,闹闹举了一个动人的设计细节:用户说不出推拉摇移,却能说出「孤独」「悲伤」「欢乐」「治愈」等情绪词。团队把影视视听语言拆解映射进系统——比如选择「孤独」,背后会组合长长的走廊、灰白色调等理性构图元素来传达感性氛围,恰如朱自清《背影》里铁轨旁拎着橘子的父亲。此外用户还可以调用大师导演风格,只是目前融入个人原创细节的自由度还不够高,团队仍在持续打磨。
微信的右脑、字节的左脑,与好产品经理的三条底座
作为少有的横跨腾讯微信事业群与字节跳动核心产品线的老兵,闹闹用「右脑与左脑」复盘了两段修行。她先严谨纠正:自己在腾讯并非微信核心负责人,而是早期做 QQ 邮箱移动端,但深受张小龙(「龙神」)的产品价值观浸润——哪怕一个版本更新语(例如微信曾配迈克尔·杰克逊照片写「我所说的都是错的」,以及冷不丁推出让人上瘾的小游戏「跳箱子/跳一跳」),背后都藏着极深的人性洞察。当时团队每天都要读大量用户反馈(记不清是一百多条还是上千条)并亲自回复,训练「泡在用户里识别真伪需求」的肌肉直觉,绝不坐在会议室里空口争论。
刚到字节做抖音特效时,她一度抵触纯粹的数据指标驱动——把按钮无限放大肯定涨点击,体验未必更好。直到深耕「策略产品」才恍然大悟:通过用户浏览特效视频、点开转盘、点收藏等真实行为,测算出谁是大概率会跟风拍特效的人群,先把趋势「造」给他们引爆模仿,数据其实比口头反馈更诚实。两家巨头看似一感性一理性,本质共同点却惊人一致:把各自基因里的长板发挥到极致(微信把人性洞察做到极致,张小龙的拍板建立在开放倾听与更深思考之上;字节把推荐引擎与科学决策做到极致)。而 AI 时代数据量尚未形成规模,恰恰需要「微信的体验直觉」叠加「字节式的模型搭配策略」。
被问做一个好产品经理最重要的品质,闹闹干脆给出三条:
- 移情能力:瞬间从「经验老到的专家」抽身切换成「一窍不通的小白」,做自己和用户的旁观者(Koji 联想到马化腾说的「一秒变小白用户」)。
- 50% 的自信 + 50% 的自省:如阴阳平衡,只自信易变自负、只自省易生自卑,用冷静自省看清盲区,反而能筑牢真正的自信;一旦自我感过强,就会彻底丧失移情能力。
- 对技术敏感:不必亲自写代码(闹闹自己也不会写代码),但必须深刻理解技术边界与规律,才能把前沿能力翻译成用户产品。她自幼对视听敏感又酷爱物理规律,如今做多模态动画产品,回望过去每一段看似弯路的经历,竟像乔布斯说的「把所有点连成一线」,感到格外幸运。
「OiiOii」的小蜗牛、冲突是做事的力量、与 2026 反共识预言
聊到公司取名,闹闹笑道原本几轮头脑风暴都没定下来,一位技术同事提议二次元打招呼常说「oi」,叠成两声 OiiOii 既亲切顺口,字形上两个 O 加两个 i 又酷似两只小蜗牛,寓意踏实慢慢爬又足够可爱。
Koji 翻出她朋友圈的两句金句深聊。第一句是「将隐形的愿力显化到产品上是秘籍,掌握者寥寥无几,要更精纯」。闹闹回忆离开「离谱」时的不舍:前一个项目里夹杂了太多自己无法掌控的外部杂质,如今独立创业,终于可以把更精纯的团队愿力灌注进产品。第二句是「要允许冲突,甚至制造冲突,因为冲突是做事的力量,是筛选做事的人的方式」。爱好打篮球的她相信良性竞争能激发对手潜能:在字节做特效时曾与多个团队抢业务打得不可开交,打完仗发现彼此都「以事为先」,反倒成了背靠背的战友;第一次创业时,她亲手开掉的第一位员工竟是自己的好朋友,当时被骂得狗血淋头、对方离职还挖走了人,但一年后对方自己带队踩过同样的坑,主动加回微信说「我终于理解你了」。只要初心不是害人,时间会证明一切。
如今显得极其平和(Peaceful)的她,中学时代竟然组过摇滚乐队、玩过极限运动,浑身反骨。经历过上一段创业起伏与家庭变故后,她悟出一个反差极大的自由观:年轻时以为向外呐喊、反抗就是自由,结果反倒在不断索求中给自己造了牢笼;向内审视才发现,安静并不是软弱,而是一种无需过度用力的广阔能量——「闹」与「静」其实是追寻自由的一体两面。
谈及自己最推崇的企业家——皮克斯联合创始人(艾德·卡特穆尔),Koji 问她为什么不像偶像那样直接去拍动画片。闹闹答得通透:皮克斯创始人自幼热爱动画却既画不好画也不会讲故事,靠热爱的计算机与物理用分形图形学做出史上第一只电脑生成的手(1 分钟短片),一步步进工业光魔最终开启 3D 动画电影时代。这启发了她:自己既非顶级画师也非编剧,最擅长的是用产品连接技术与创意,因此选择用 OiiOii 进入这个商业世界里「少数愿意奖励纯粹与热爱」的行业(她以迪士尼、皮克斯以及中国的王微与追光动画、饺子为例)。
展望 2026 年的 AI 视频演进,闹闹给出一个冷静的反共识判断:未来模型画质、可编辑性与实时互动性都会提升,但更高的编辑自由度与实时互动,反而可能让受众变窄、变小众——因为大众已被短视频规训成习惯被动消费(唯一动作就是上下滑),多加一步主动交互就会筛掉大量普通人;反倒是像 Sora 2 那样只把切镜和叙事体验做得更自然顺滑,就能瞬间引爆大众市场。另外,视频模型短期内不会大一统,而 OiiOii 未来也可能逐步开放模型自选。
尾声两个快答极具个人色彩:如果拿到 300 万美元分投 3 位天使创业者,她第二反应是「投给自己」——因为天使投资首要投给最了解、最信任的人。而在压轴的 10 个「我是」彩蛋中,因修习佛法正刻意放下身份执念,她请求豁免,只留下两句分量极重的话:第一,「我是一个正在尽量减少『我是某某』的人」;第二,「我是一个容器」——借用李安那句「不是我更有才华,只是电影之神刚好选中了我,我是一个容器」,她希望自己和 OiiOii 都成为「动画之神」的通道,不替用户决定要讲什么,而是让所有想讲故事的人借这个容器把故事讲出来。
机制拆解:用户中途改剧本时,多 Agent 流水线究竟卡在哪里?
闹闹提到两个月四次架构重构、系统「跳出去修改后忘了回来」,点中了多 Agent 视频工作流最核心的状态管理难题。假设用户生成一段三镜头动画:①小猫推门走出家门,②在街角遇见朋友,③一起散步回家。系统按顺序已生成前两个镜头,此时用户突然打断说:「把朋友改成一只橘色小狗」。
一个既灵活又可控的流水线必须完成四步显式状态控制,而不是只把指令塞进聊天记录:
- 挂起与快照(Checkpoint):暂停后续镜头 3 的渲染队列,记录当前全局版本号与各节点产出状态。
- 上游资产改写与脏标记(Dirty Propagation):只更新「朋友」的角色设定档案与参考图,并沿着依赖图自动标脏——镜头 1 未出现朋友可以保留,镜头 2 已渲染但依赖该角色必须重绘,镜头 3 尚未渲染则自动绑定新角色设定。
- 最小范围重算(Partial Re-execution):仅重跑受影响节点,避免从头全量重绘浪费算力与等待时间,也避免沿用缓存里的旧参考图导致「改了设定却画出旧人」。
- 确定性回流(Deterministic Resume):校验修改验收通过后,显式触发状态机回到主干节点继续完成镜头 3 及配音合成。
纯靠大模型自由提示词调度时,模型极易遗漏依赖关系或丢失恢复指针;纯靠死板固定流水线则无法响应中途插话。这正是 OiiOii 第三、四版架构反复调试「退出与返回信号」的底层原因(以上三镜头依赖图为解释性机制示例,不代表 OiiOii 内部具体实现代码)。
独立判断:「超市里的熟食」与「专业餐馆」之间,壁垒究竟在哪里?
模型进化既给餐馆送好食材,也在不断吞噬浅层「调味」
「超市与餐馆」的比喻精准说明了垂类创作编排的价值,却不能自动保证每家餐馆都安全。如果模型厂商只提供底层 API,应用层靠知识库、镜头美学与多模型路由确实能做出明显差距;但如果模型厂商像盒马做熟食一样,亲自把 MV、漫剧分镜、角色一致性与内置剪辑做成低价一站式应用,浅层 Prompt 扩写壁垒就会被迅速抹平。衡量一家视频 Agent 是否真正站稳,要落到同批真实任务上的硬对比:端到端成片可用率、局部返工修改成本、单分钟推理费用,以及用户做完第一支爆款尝鲜视频后的长期复购留存。
「一致性」与「镜头表现力」天生张力十足,应做成可调旋钮
闹闹分享的「加场景图反而像贴片」是一条极有价值的实操洞察:不同视频品类对一致性和想象力的权重截然不同——连续剧漫剧和固定 IP 动画容不得角色脸盲与背景跳变,而情绪短片或音乐 MV 恰恰需要大胆的蒙太奇跳切与画面隐喻。产品侧不必把「越一致越好」奉为单一指标,而应按内容模板或创作者分级暴露可控梯度(例如仅锁主角形象 vs 同时锁场景机位),让高阶创作者保有介入空间。
「私人社交关系动画」与「自媒体生产工具」指向两套完全不同的产品指标
内测意外跑出的两类核心需求其实逻辑迥异:给孩子做圣诞 MV、给伴侣和宠物做动画看重的是零门槛、情绪戳中与即做即分享,用户并不追求日更十集,却极度看重第一次打开时的惊喜感;而自媒体工作室与漫剧团队算的是单位时长成本、可控修改效率与平台完播率。后续逐个啃垂类时,团队需要为「个人情感纪念」和「专业流量生产」分别建立留存与付费口径,避免用单一活跃指标混淆两类人群的真实价值。
证据边界与资料索引
本文依据节目官方简介与整期机器转写文本重建,并结合语境校正了少量明显同音/专名转写误差(如 PixVerse、杂质),未对音频做逐字听审。公司融资进展、团队人数、四次架构重构、小工作室效率对比及底层模型评估均来自嘉宾录制时的口述,未独立实测;机制拆解中的三镜头依赖图与状态回流步骤为解释性示例,不代表 OiiOii 内部具体实现。