用AI工具创作视频，也慢慢往接近真实物理世界和模仿真人方向发展。看我文章的老朋友应该还记得 9 个月前写过一篇《可灵大模型在短视频上发力》推文，在当时来讲Diffusion Transformer架构是具备强大能力的新鲜事物。
近日，字节跳动旗下的AI创作平台即梦AI正式上线“动作模仿”功能。用户只需通过“数字人”入口上传一张人物图片和一条参考视频，即可生成一条动态视频。图片中的人物不仅能复刻参考视频的动作，还能“一比一还原情绪”。个人觉得这一功能的推出，揭示了AI视频生成技术从“工具化”迈向“生态化”的关键一步，并重新定义了“数字人”的创作边界。
动作迁移进步为情绪同步
即梦AI“动作模仿”功能之所以引发关注，核心在于它的技术方案是显式与隐式特征混合驱动的。
之前的AI视频生成技术，虽能实现动作控制，但表情迁移的精细度和情感还原度仍有局限。
这次，团队通过自研的 face motion tokenizer 技术，从驱动视频中精准提取表情细节，并将其映射到静态图片生成的人物上，从而实现了“情绪同步”。
技术升级的背后，是字节跳动对多模态技术的持续深耕。
2025年2月，即梦AI曾预告其闭源模型OmniHuman，支持通过“图片+音频”生成视频，但当时的功能更侧重于动作与音频节奏的匹配。
相比之下，“动作模仿”进一步将输入模态扩展为“图片+视频”，并强化了表情与情绪的耦合，标志着多模态技术的应用场景从“功能型创作”向“情感型表达”跨越。
人人可导演时代的到来
传统视频制作中，角色动作设计需要专业动画师逐帧调整，成本高昂。而即梦AI的“动作模仿”功能将这一过程简化为“上传-生成”两步，且支持肖像、半身、全身等多种画幅，甚至可处理动漫、3D卡通等非真人素材。
轻量化操作大幅降低了创作门槛，普通用户也能够轻松实现以下场景。
个人娱乐，将老照片中的亲人“复活”，重现其标志性动作与笑容。
内容营销，品牌IP形象，如虚拟代言人快速生成广告视频。
教育演示，历史人物“亲自”讲解历史事件，增强教学沉浸感。
值得注意的是，即梦AI官方提供了3个动作模板，并允许用户上传本地文件、最长30秒，这一设计既降低了新手的学习成本，又保留了进阶用户的创作自由度。
创造力与安全性之间的较量
尽管即梦AI强调上传素材需“合法授权”，并对输出视频添加“AI生成”水印，但技术落地的潜在风险仍不容忽视。
用户存在滥用他人肖像或视频片段，导致侵权纠纷，如用明星照片生成跳舞视频并牟利。
情绪的高度还原，控制不好的话会被用于制造虚假新闻或诽谤内容。
当任何人都能轻易“复制”他人的动作与表情，个体的独特性会被技术稀释掉。
即梦AI的应对策略是“技术+制度”双保险，既通过安全审核过滤违规内容，又限制视频时长（30秒）并标注水印，增加滥用成本。
我认为，这些措施是否能跟上技术滥用的速度，仍需观察。
（一）底层技术整合，结合OmniHuman的音频驱动能力与“动作模仿”的视频驱动能力，未来或支持“多模态混合输入”，进一步丰富创作维度。
（二）用户增长飞轮，即梦用户数在春节前后从76万飙升至200万，此次新功能上线或推动新一轮增长。而用户数据的积累又将反哺模型优化，形成正向循环。
（三）生态协同，一旦接入DeepSeek后，即梦就能实现“脚本-视频-分发”的一站式创作闭环，成为字节跳动AI版图中对标MidJourney+RunwayML的超级平台。
“动作模仿”功能的终极意义，或许在于它触及了一个本质问题，即数字人是否需要“灵魂”。
当前的技术已能复刻动作与表情，但“灵魂”的构成远不止于此。它包含记忆、决策逻辑甚至价值观。
⋯ ⋯
想要达到，就需要进行交互升级了。结合大语言模型，让数字人根据用户指令实时调整动作与情绪。
优化个性化训练，允许用户为数字人注入专属行为模式，形成“数字分身”。
制定伦理框架，与技术发展同步建立数字人权责规范，例如明确AI生成内容的归属权。
⋯ ⋯
梦想落地才有价值，该设想需要去落地。到那时数字人将不再是被操控的“提线木偶”，而是具备“人格”的创作伙伴。
飞流直下三千尺，疑是银河落九天。即梦AI的“动作模仿”功能，既是技术的胜利，也是人性的试金石。它让我们惊叹于AI的创造力，也迫使社会重新审视“真实”与“虚拟”的边界。
真正的挑战不在于技术本身，而在于我们能否在拥抱创新的同时，守住人性的底线。
（文：陳寳）