十字路口目录 · AI 与视频

李凯文:从纪录片工作流到 AI 视频剪辑助手

重建 ChatCut 的产品选择与创始人经历,解释文字、时间线、风格和人机协作如何连接。

访谈脉络:纪录片导演为什么做视频剪辑助手

嘉宾档案李凯文,1992 年生,双鱼座,自认 MBTI 偏 INTP;美高 Kent School、罗德岛设计学院(RISD)毕业。
创业前经历广告与纪录片导演,曾任职 Vice Media 与 Discovery,后创办 Home Production;首部短片《孽种》于 2024 年入围金马奖。
产品与进展ChatCut(「用聊天的方式剪视频」);录制时团队 10 人,刚完成约 1,000 万人民币种子轮融资(早期获新加坡 Antler 小额支持,后获真格基金投资),收入利润暂未披露。
对谈场景《十字路口》做了两年、满百期、周更之后首次尝试双场景视频播客(Koji 笑称可做成《Founders and Cars Going to Places》系列):前半程 Koji 驾驶理想 Mega 从上海乌鲁木齐中路办公室接上李凯文驶往郊区淀山湖聊一小时,后半程在他曾隐居一年的湖心亭落座深谈。

一、离开市中心:从主动拥抱广告到淀山湖畔「憋大招」

车驶离市中心,Koji 从「离开市中心」这一人生关键词问起。李凯文回忆,转折落在 2022—2023 年间:上海那段特殊时期腾出独处时间,让他反问自己「怎么突然拍上广告了」。2016 年底他加入 Vice Media 并被派驻中国团队——美国媒体可依赖平台分成,中国当时的爱奇艺、优酷、腾讯几乎不可能靠流量养活内容团队,Vice 中国因此设了商业广告(commercial)部门。李凯文不仅没有抗拒,反而「争着做」「彻底主动拥抱商业」:一来商业项目有充足预算和班底,能测试「当钱不是问题时能拍出什么」;二来刚毕业自己拍短片无人问津,但履历写着给 Burger King、Adidas 拍过片,别人不看样片也会先高看一眼。

几年后技术提升趋缓、虚荣感消退,广告导演的另一面暴露无遗:除了创意,还得周旋说服演员、客户、甲方、乙方乃至「乙方的甲方」。看见擅长这套综合协调的人,他清醒地承认「每个人的品种不一样」,硬拼未必有好结果。转折来自一次淀山湖看景:他顺路跟中介看房,对一套房子一见钟情——他称这类瞬间是「上帝之手在推着你」,先从旧身份抽身再想下一步。搬来后他决定一整年不接广告、「憋一个招」,形式不限电影、产品或 App;那一年他拍出了入围金马奖的《孽种》。

同一时期 ChatGPT 问世。李凯文日常高频用 AI,转头打开 Adobe Premiere 剪片时强烈感到「在未来世界和远古时代之间穿越」,由此萌生了 ChatCut 的想法。他把这称为「接上帝的活」:解决普通人剪辑痛点靠的不是炫技,而是对真实生活简单而深入的洞察,自己比纯工程师更有内容一线优势,「上帝还没指定谁,我先把手举起来了」。

二、第一笔钱、Word 里的剪辑与「穷创业」的起点

金马影展期间,他遇见第一位投资人——新加坡早期机构 Antler 合伙人 Eric。相处一阵后,Eric 直接给了一小笔钱,看他能否把构想做成作品,检验毅力与执行力。李凯文称 Eric 是罕见的「empowering figure(赋能型人物)」:很多强者让人自惭形秽,而 Eric 自身很强却能放大身边每个人的能量。Koji 补充李曾说过的话:许多 VC 都在找他「为什么做不成」,只有 Eric 一直在找「为什么你能成」。李深以为然:世上多数事本来就会失败,挑毛病毫无难度。

拿钱后团队先瞄准相对专业的剪辑用户。背后的产品第一性很反直觉:剪辑看似多模态,实则大量核心工作发生在 Word 文档里——先把采访转文字,在文档里筛观点、调顺序,再落回时间线。ChatCut 因此拆成两步:把语音转成可编辑文本;再由 AI 编排文字并由工程系统映射回时间线。第一版只做完前半步(改文字同步剪视频),直到次年 4 月才长出 AI 剪辑雏形。当时他没想着做大规模 VC 公司,而是信奉「1,000 个 true fans(每人每年付 30 美元的小而美生意)」,先做 MVP 找第 1 个、前 10 个、前 100 个持续付费用户。虽然后来观念转变,他仍视这段「穷创业」为好训练——就像送孩子去美国留学,存折里最好别一上来塞 50 万美元,否则易染坏习惯。

三、早年冒险肌肉:鞍山打口碟、Kent School 与 RISD

从辽宁鞍山初中直接申请顶尖美高 Kent School,Koji 好奇他怎么做到的。李凯文说自己成绩仅中上,但对外界极其好奇:只要不是中文歌就听,听不懂也装作听懂。父亲出差按斤买「打口碟」(进口滞销尾货 CD,边缘被打缺口)当盲盒给他,没有互联网评分的年代「拆完也是盲盒」——拆出 Nirvana 也没法上网查评价,全靠自己耳朵建立审美,英语也因此突飞猛进。

动念去美高后他自己调研,赶上 Kent School 来上海面试。母亲是当地严厉的高中老师,他心里有兜底(「大不了回我妈学校」),抱着「it's okay, let's just try it」就去试了。打动招生官的是初中卖打口碟的故事:春游别人背面包饼干,他背一书包碟,塞耳机强行安利 Beatles、Nirvana(「买不买不重要,你听这不好听吗」)。他淘到一张缺口极薄、有一首歌幸存的 Blink-182 首版,打电话开着音响(stereo)隔空放歌:「牛不牛?50 块钱买不买?明天就没了」,同学当场要留两张。Koji 笑称这是最爽的商业模式,卖不掉还是自己的资产;李顺势引申到创业——成败常由命运决定,创业者能把握的是「即便失败,一起做事的过程和同行的人依然是好的」。

高中爱上电影后,大学走访走进罗德岛设计学院(RISD),感觉像踏上「外星球」,每个人的穿搭、音乐和品味都前所未见。那里极度鼓励独立思考,走出了 Airbnb 两位创始人 Brian Chesky 与 Joe Gebbia,以及与他同为 Kent School 和 RISD 校友的《恶搞之家》(Family Guy)主创。他用作家 Kurt Vonnegut 的「Dancing Lessons from God(上帝的舞蹈课)」形容自己:在相对保守的东北像出现了一次基因突变,愿顺着命运节拍学舞步。

四、导演 vs CEO:片场 SWAT、铺柏油马路与真格融资

比较导演与 CEO:两者都需要清晰愿景、厚脸皮与三顾茅庐,吸引资方、剧组(crew)与演员并承担 complete ownership;且导演每部片都从 0 到 1,「Always day one」。分水岭在于:电影拍完即定型,App 发布才刚开始长期迭代;剧组是「只筛选、不培养」(拍车广告只要拍过五支同类片的熟手),更像执行军事行动的 SWAT 特工队,危急时得独裁拍板;创业公司则必须把培养人当作长期投资。他反对真正的独裁,认为 10 人聚力远胜天才独裁者,把 CEO 定位为「铺柏油马路的人」——目标清晰、减少阻力。公司目标由他与合伙人(具备大厂经验与「特种兵方法论」的产品同学)互补制定。对受困传统行业想转型者,他建议极直接:「事情不是说出来、学出来的,是做出来的」,AI coding 时代已无借口迈不出第一步。

第一版在几乎零营销下跑出一批付费用户后,他意识到需要更陡斜率,回国整整一个月高频见 VC,自嘲「像 GPT 一样完成了一轮深度强化学习」。遇见真格基金刘元让他再次感叹缘分:看数据太多易磨平感性,而刘元在理性之外保留了稀缺的感性与真实好奇——两人大聊电影,李原以为对方在「温水煮青蛙」,结果随手推的片子刘元凌晨两点看完并立刻反馈。两人对非共识选择同样同频:如同赌马,A 胜率 70%、B 胜率 30%,押对冷门证明多数人错判才带来真正满足感。给创业者的融资建议是放平心态:不存在百发百中的完美话术,融资是长期同船关系的起点,成交前曲线一直显得不可能,被拒唯一解法是聊下一个,等天时地利人和凑齐。

五、有事做是最大财富、湖边一年与「难关即工作」

抵达淀山湖畔,水面开阔如海。李凯文感慨,做 ChatCut 后第一次在富裕的美高老同学眼里看到羡慕——不是羡慕钱,而是他拥有一件值得全情投入的事业。Koji 立刻共鸣:「有事做才是最大财富」,并分享了自己的亲历(原转写误标为李发言,按官方简介与履历实为 Koji 回忆):2014—2015 年聚美上市时他 29 岁、赚了一笔钱,裸辞赴美借住朋友三面环湖的湖景房;头两天兴致勃勃绕湖跑步,第四天独自躺在白色大沙发上反复摸手机却无人联系,抑郁感首次如潮水涌来,从此明白躺平并不快乐。

李凯文接着回忆在淀山湖整整隐居的四季:每两周开车去一次山姆囤粮,每天走路、锻炼、冥想;年末回头看判若两人,彻底摆脱「上海广告纪录片导演」单一标签,生出更强定力。被问从前导演日薪,他直言「一天 10 万块钱」,但本质是无杠杆的时间换钱;软件产品既有强杠杆,又能做热爱之事。引用弗兰克尔《活出意义来》(Man's Search for Meaning),他认为只要真心相信价值,越难受反而越享受,就像电影不经九九八十一难就不好看。经历过片场高压洗礼,他拆解了「everything goes wrong」背后的错觉:人们默认事情本该顺利,而他的心态是「nothing's supposed to go right」,难关不是工作前的障碍,处理意外本身就是工作(that's the job)。Koji 笑着补上《障碍即道路》(The Obstacle Is the Way)。

六、湖心亭深谈:编辑器之上的「思维层」与风格从何而来

落座湖心亭,话题直入 ChatCut 核心。自然语言剪视频会不会成真?李凯文反问:过去视频本来就是靠聊天剪出来的——客户每天在微信里给剪辑师发指令「这段删掉、那句放最前面、配音乐和 MG 动画」。当然,微调一帧时手动拖动更快更准,聊天不必包办一切。传统编辑器(Premiere、Final Cut、DaVinci Resolve、剪映)在交互上已 99% 重合,「轮子早就圆了」;但由于无法直接在 Premiere 底层改造(插件限制过多),团队仍不得不一定程度自造编辑器,让编辑器与 AI 平衡演进。真正壁垒在编辑器之上的「抽象层 / 思维层」:让今天的「小学生 AI」读高中、读大学,看懂素材后主动给出高于用户自身水准的成片方案。

过去一年最棘手的难题是影片风格化。剪辑分两层:第一层客观可验证(不能把话卡断、指定口水词得删净、抖音竖屏须为 9:16);第二层则是高度主观的个人节奏与气质——不像 AI coding 有清晰 bug 可做强化学习闭环。李凯文结合剪 Vice 与 Discovery 纪录片的体会指出,他从不带着「我要注入李凯文风格」的 ego 去剪,而是老实遵循流程(follow a process)——看采访、整理 Word、抽丝剥茧,风格是流程自然长出的副产品。他反对拿 10 万组「原素材 → 成片」暴力做端到端强化学习,笑称像武侠小说里「走火入魔」。下一步解法是把真实剪辑师工作流拆成多个 Agent 协作,把没写进训练语料的人类常识(common sense)与细致检查清单(checklist)落入系统。

七、关键取舍:「不生成像素」、「蓝领 AI」与转向非专业创作者

李凯文冷静点出一个现实反差:科技圈天天高呼 AI 革命,但飞机上、地铁里人们刷的抖音视频,「拍法和剪法一点都没变」。他把 ChatCut 定位为最接地气的「蓝领 AI」,对标视频审片工具 Frame.io——审片极度小众、不「性感」,却因把真实工作流解决透彻而做成数十亿美元生意。团队起初瞄准专业剪辑师,但「轮胎一接触地表就醒悟了」:专业人士深陷 Premiere 生态极难迁移。于是果断转向「想表达、想起号却被剪辑门槛卡住的非专业创作者」——手机拍摄已足够好,帮零基础的人一步跨到 80 分,商业价值可能远超帮专业人士提效 1.3 倍。

在技术红线上,ChatCut 绝不生成摄影画面像素,只用代码生成上层 MG 动画(Motion Graphics,类似 Adobe After Effects 的动态图形):市面用 Google Veo、可灵(Kling)或即梦生成的片子一眼露出模板与 AI 味,而 ChatCut 剪出的作品千差万别、看不出 AI 痕迹。具体案例包括:一位老师把课件和大纲扔进 ChatCut 生成一组组 MG 动画,配自己口播直接起号;房地产从业者也能独立剪出房源视频。面对 Koji 提出的另一条路线(普通人只给想法、由 AI 直接生成整套视觉画面),李凯文态度鲜明:视频的本质是人与人交流,哪怕画面粗糙,真实人物讲真实故事仍有不可替代的生命力;生成可以是新艺术手法,但认为全生成能替代真实拍摄是对世界的误判。

八、技术瓶颈、无剧本叙事与「80% 可改胜过 90% 不可改」

产品成熟仍有两大技术关口:上下文长度(视频是 token 黑洞,早先 Claude 与 GPT 连半小时视频都放不下)与细粒度多模态理解(Gemini 是好的开头,能大致听懂内容,但离帧级精准剪辑尚有距离)。针对「视频剪辑不像 Cursor 那样有海量开源代码训练」的追问,李给出三点回应:剪辑核心靠 LLM 已具备的常识;先把可验证、指哪打哪的一半做满已具巨大价值;自建平台能持续沉淀用户工作流与修改数据来调优系统。

他把自己的核心切入点归因于纪录片出身,并区分了两种创作:有剧本(Scripted)电影逻辑早已铁板钉钉,难在从 100 条表演里选最佳微表情——就像《花样年华》梁朝伟问张曼玉「我有个船票,你会不会跟我走?」,拍 100 条 take 让 AI 选最好的「forget it, cannot be done」;无剧本(Unscripted)创作(纪录片、YouTuber、抖音自媒体乃至这期播客)面对海量混沌素材,要从无序中生长出叙事线——普通人去长白山滑雪随手拍剪抖音,本质只是低难度版的王兵三年素材剪三小时《铁西区》。窗口期同样关键:早期 Antler 作为 Lovable 首个投资方给了他们无限量 Lovable 额度,团队顺势率先以 Web 切入占坑,如今再从零追赶难度已陡增。

将肌肉记忆产品化时,李借用习惯理论:剪辑充满机缘巧合、存在多个正确答案,逼 AI 找唯一正解必错;应为 Agent 培养好习惯——缺画面就回翻素材库、故事到节点就找同期声金句(sound bite)、转场尽力寻匹配镜头(transition),由细微习惯涌现宏观品质。他也绝非原教旨自然语言派,团队在时间线与文字编辑上投入极重,核心原则清晰干脆:宁可 AI 做到 80% 但留给人完整修改空间,也不要做到 90% 却让人无法改。

九、Gemini 红利、「炼金师」文化、9 分幸福与电影梦

过去一两年模型迭代中,Gemini 2.5 与 Gemini 3.0 贡献最大:2.5 的 100 万—200 万 token 长上下文让团队暂免搭建 RAG 与向量数据库,直接释放迭代速度;3.0 让代码生成 MG 动画真正成立——李再次划界:「生成代码像替你做 PPT,不是变出一个奥特曼把房子踩扁」,并拒绝为显得勤奋而盲目接入无效多模态生成 API。他借 Sora 早期「滑雪者」demo 反衬理想终局:Sora 标识过强,反倒压过创作者本人;ChatCut 的成功是像用 ChatGPT 写邮件一样透明不抢戏,让成片回归创作者自身水位。

团队管理上,他重点讲了「炼金师」文化:炼金师必具双重身份,做好研发、产品或设计本职之外,炼金是副业更是荣誉,呼应古希腊词源 amateur(为爱而做的人)。ChatCut 惊艳的 MG 动画既不在 PRD 也不在周目标里,完全是一位产品同学出于执念业余折腾出来的;刚折腾上手两天 Gemini 3 便发布,团队立刻全员跟进。AI 时代工程师同样要学会炼金——只按作业单写代码终会被 AI 接管,不断试错鼓捣的 tinker(像炼金术士不断试红水加绿水变蓝水、意外发现能愈合伤口)才不可替代;Google 80/20 文化孵化的 NotebookLM、工程师给自己随手做出的 Claude Code 均属此类。招聘也从单看技术转向看综合素养与生活执念——连爱吃什么都没有标准的人,很难对产品有高标准。

借塔勒布《反脆弱》,他把管理目标定义为「系统性地制造有利于自己的意外」。面对 Koji 追问「期待意外是否因为方向不清」,李反驳恰恰相反:正因自己极度看清终局,才敢放心放手多种路径探索——「当你能听见音乐的时候,你弹什么都是对的;老板自己不知道要什么,团队怎么干都是错的。」

尾声,李凯文给当下幸福度打 9 分(满分 10 分):找到热爱又有商业潜力的毕生之作(life's work),且清醒珍惜此刻好戏(「I know I'm very lucky」);扣掉的 1 分来自残余竞技心与 ego。谈及电影梦,他并不着急,像侯孝贤高龄仍可拍片,如今创业皆是未来燃料。回忆 RISD 第一节电影课教授问「不做导演做什么」,他答「接我爸的厂子」,教授点破:「那就是你的电影。」电影只是封装器,真正决定厚度的,是对生活的理解。

机制拆解:从删改一句话到编排整条时间线

ChatCut 的架构核心是在「非结构化音视频流」与「可读可改的语义表示」间建立双向映射,并在其上编排多 Agent 习惯流。用一段 45 秒访谈原素材演示完整数据流与失效边界:

可跟算示例:把 45 秒口播访谈剪成 18 秒开场钩子 原素材含四段带时间戳转写:S1(00:00–00:11)「嗯……最开始我们试过方案 A,觉得挺稳。」;S2(00:11–00:23)「上线第一周方案 A 延迟太高,用户全退出了。」;S3(00:23–00:34)「呃,所以我们连夜换方案 B,响应压到一秒内。」;S4(00:34–00:45)「换完留存翻倍,是过去半年最值的重来。」
  1. 词级对齐与剪辑决策表(EDL):语音识别输出每个词的毫秒区间(如 [11.20s, 11.45s])与气口静音区间。删掉「嗯……」「呃」时映射为时间切片重拼;若边界偏移 150 毫秒就会切掉下一字起音,造成「硬卡半句」的可验证错误。
  2. 多 Agent 习惯编排:面对高层指令「开头更有吸引力、讲清换 B 原因、转 9:16 竖屏并加数据动效」,叙事 Agent 将 S4 前置作钩子,接 S2 → S3 舍弃 S1 压至约 18 秒并检查主语指代是否断裂;画幅与 B-roll Agent 裁为 9:16 并跟踪人脸防出画,遇跳切触发「翻素材补空镜或 100%→110% 轻推镜」习惯;MG 动画 Agent 提取「一秒内」「留存翻倍」,由代码模型生成可改参数的矢量/组件动效叠于真实画面上层,不碰底层像素。
  3. 非破坏性回写:全部决策以独立轨道(视频、字幕、动效)写回可编辑时间线而非烘焙死片;用户不满 S4 前置,拖回或恢复 S1 只需数秒。

隐蔽耦合点:客观规则与主观节奏高度纠缠——「删口水词」若一刀切掉思考前 0.6 秒停顿,会让语气喘不过气;「9:16 构图」过了几何校验,眼神是否被字幕动画遮挡仍依赖多模态理解与人工微调。

独立判断:如何检验「视频剪辑的 Cursor 时刻」是否成立

一、真正该测的是「端到端总交付成本」,而非初稿速度

「帮新手做到 80 分胜过帮专家提效 1.3 倍」是清晰的定位假说,但评测不能只看初稿耗时。应在同批无剧本素材上对比三组:A 组传统手剪、B 组 AI 出初稿再人工精修、C 组端到端黑箱出片,分新手与专业剪辑师统计总耗时、返工次数、因果扭曲率及盲评满意度。若 AI 2 分钟出初稿却因时间线混乱迫使用户返工 25 分钟,表面提速反拖慢交付。

二、「80% 可改胜过 90% 不可改」降低了创作意图漂移的代价

创作者导入素材时往往未定最终成片形态,叙事与节奏是在反复试看中涌现的。可编辑时间线加参数化 MG 代码层的价值,在于把每次 AI 决策变成低成本可逆操作;而纯像素级生成一旦改局部就需重抽整段视频,随机性与返工代价陡增。ChatCut 的长期挑战在于:既保住复杂时间线的可控度,又不让界面复杂到吓退零基础用户。

三、「风格来自工作流」是值得用消融实验验证的假说

流程与 checklist 最擅长抬高结构合理性下限,却未必能自动学会高度依赖视听直觉的节奏美学上限。可设计三组盲测对照——仅靠成片样本拟合/检索、仅靠工作流 checklist 编排、以及「工作流骨架 + 历史成片风格检索」混合方案——检验流程与偏好数据究竟是替代还是互补。

四、长上下文红利既加速起步,也压缩应用层窗口期

Gemini 2.5 免去早期 RAG、3.0 催生 MG 动画,说明应用层紧贴模型红利带。一旦基础模型把长视频帧级理解与代码渲染标准化,单靠长上下文调用难以筑墙;真正护城河取决于非破坏性编辑引擎稳定性、平台沉淀的真实修改轨迹数据(记录用户删了哪刀、改了哪个动效),以及把「炼金师偶得」转化为新手高复购工作流的能力。

证据边界与资料索引

本文依据《十字路口》节目官方简介与整期第三方机器转写文稿重建,尚未对原始音频逐字听审。原始转写存在局部误差,正文已结合官方简介与上下文审慎校正:车内聊到 2014—2015 年聚美上市后裸辞赴美住湖景房并感到抑郁的经历,原始转写误标为李凯文,核对官方简介与年龄(李生于 1992 年)确认应为 Koji 的共鸣故事;专名如刘元、Kent School、RISD、Veo / 可灵 / 即梦、Claude Code 在原始转写中存在同音误写,正文已按语义还原。融资额、日薪、团队规模、用户案例及模型体验均为嘉宾自述,未做独立核查或产品实测;机制拆解中的 45 秒示例与对照实验均为分析构造。

《十字路口》:李凯文谈 ChatCut · 本期文字稿(BidClub) · 返回近一年节目目录