实测全球上线的 vivago R1，我用它打造了一部赛博西游记短片

上周，《后西游记》在湖南卫视黄金档时段上映。

这部剧最大的特点，是全程采用 AIGC 参与制作，并可根据观众反馈调整未播内容。首播后，《后西游记》拿下同时段省级卫视收视第一，制作成本约为真人剧的十分之一，芒果 TV 官方播放量已达 1.1 亿次。

关注度之外，AI 视频正在进入新的阶段。过去，AI 更多承担单个镜头、单张图片的生成工作，而如今，行业开始探索让 AI 参与完整内容生产流程。

APPSO 之前也报道过，2026 世界人工智能大会（WAIC）期间，智象未来（HiDream.ai）正式发布全球首个无限时长内容创作智能体 vivago R1。

现在，vivago R1 已经正式全球上线，国内版本名为「够搭」（以下统称 vivago R1）。它试图解决的是另一个问题：当 AI 已经能够生成画面之后，普通人距离制作一部完整作品，还有多远？

▲ vivago R1 体验地址：vivago.ai

够搭体验地址：goudaai.com

热知识，vivago R1 是首个可稳定生成 3 至 5 分钟视频的对话式创作 Agent。

不同于需要用户自行搭建工作流的画布式、节点式工具，vivago R1 采用对话式创作路线，用户只需自然语言描述创意，就能完成从故事、脚本、分镜，到角色、镜头和成片生成的全流程，大幅降低了创作门槛。

如果说《后西游记》展示了 AI 如何进入影视工业，vivago R1 展示的则是 AI 如何以 Agent 形式参与影视生产，并将完整的内容生产能力交给普通用户。APPSO 决定第一时间上手测试。

实测 R1 ，一个人就是一支 AI 剧组

既然《后西游记》成为近期 AI 视频领域最受关注的话题，我们直接围绕西游主题进行创作。

我们为够搭设计了一部名为《重启 · 西游》的赛博朋克短片。

2099 年，人类记忆被统一意识网络「天庭系统」重写，最后一段未被改写的原始数据「悟空」从废弃数据中心中苏醒，携带「真经」穿越赛博朋克新长安城，在被系统猎杀之前上传真经。

视觉风格是东方赛博朋克——敦煌壁画遇上银翼杀手。

把创意输入够搭后，Agent 自动匹配 Cinematic Story Director，先生成完整分镜脚本和关键画面，然后等我确认创作方向之后继续生成视频。

在这一过程中，R1 够搭的 Chat 与画布形成了一套围绕 Agent 协作设计的创作流程。

Chat 负责承接用户意图、调用素材并推动脚本、分镜和视频生成；画布则结构化呈现脚本、分镜、视频及关键资产，方便用户查看进展、比较结果。简单来说，Chat 用于与 Agent 协作，画布用于整理和呈现创作成果。

视觉一致性是够搭给我留下最深印象的部分。APPSO 要求的「冷蓝色赛博世界风格」和「暖金调真经力量」的色调对比贯穿全片，没有跨场景的风格跳变。

悟空的角色形象——赛博僧袍、额头金色电路纹路、琥珀色瞳孔——在多个镜头间保持了辨识度；全息赛博佛像角色也做得相当高级，把那种神圣与赛博元素融合的气质展现得淋漓尽致。

新长安城全景那种细节密度极高的画面，通常是 AI 视频最容易崩的类型，城市细节、人物关系以及整体视觉风格需要同时保持稳定，而 R1 完成的效果已经接近一支完整概念短片。

过去，AI 视频最容易展示的是某个惊艳镜头。但一个行业共识是：即使拿到了世界上最强的模型，普通人依然做不出想要的东西。因为模型能力与用户想要的结果之间，存在巨大的 Gap ——这个 Gap 填充的是创作者脑中的审美、经验和判断，是海量被专业训练过的创作直觉。

如今，行业开始面对更复杂的问题：如何让多个镜头、一段故事乃至一整支视频保持连贯。vivago R1 的最大亮点，正是 AI 视频从生成片段走向完整作品的交付。

· 当品牌广告，被 AI 装进一个对话框

完成长视频测试后，我们又尝试了商业广告场景。

我们准备了测试素材：一张人物照片、产品包装和 Logo；让够搭用这些素材做一条社媒广告——「每吃一口，人格切换一次」：没吃前低电量，第一口职场精英，第二口热血侠客，第三口松弛日常。

够搭匹配 Story Ad Director 后，先生成广告分镜，再根据确认后的方案完成视频制作。整个过程中，人物形象和产品包装保持了较好的连续性。

对于品牌、电商和内容创作者而言，AI 视频的价值体现在降低制作成本、缩短修改周期，并减少重复制作与人工调整的投入。当视频生成逐渐从一次性的创意尝试，走向稳定、可交付的生产流程，AI 视频也开始展现更清晰的商业价值。

· AI 开始理解互联网那些「人类暗号」

更刁钻的测试是网络热梗。

我们又输入了一段充满谐音梗的任务——「噜妹噜妹噜妹妹，猪 mer 猪 mer 猪 mermer.....，噜妹听到后走过来掐一下噜噜的脸，哄哄噜噜」。

这类内容看似简单，但实际上需要理解谐音梗、理解「掐脸」的情感含义、还要编排成有节奏的视频。不仅考察它的视频生成能力，还考察它的搜索和理解能力。

R1 先通过 Websearch 查了这个梗的来源，然后生成了包含原创角色和情绪转折的完整视频。

整个使用过程中，我们都没有告诉他噜噜的形象和声音，尽管如此，够搭做出来的还原度和情感表达已经相当不错，萌化了老夫的少女心。

· 未来每个人，都可能拥有自己的数字资产库

除了直接生成内容，够搭还有一个更重要的能力：帮助用户沉淀自己的创作资产。

在够搭的 SkillHub 中，用户可以找到大量预设功能，将抽象的 AI 能力转化成具体创作场景。它的价值在于降低用户理解 AI 能力的成本，让更多人知道自己可以用 AI 完成什么，也让创作从「想到一个点子」更快进入执行阶段。

其中，OOTD Advisor 是一个比较有代表性的功能。

APPSO 准备了一个 AI 生成的人物照作为素材，把它发给够搭，然后让它结合上传的人物形象特点，帮忙搭个四五套衣服。要求是既适合通勤穿，又不显得普通有班味。

它最终帮我搭配了四种风格的 OOTD， 说实话，每一种风格都颇具特色，真的太方便了！以后想试衣服，直接把我的照片和在网上看好的衣服发给它，岂不是可以直接赛博试衣？

最最最令人兴奋的功能，还不止如此。我们精挑细选，好不容易搭配出喜欢的穿搭，做出想要的动漫形象，以及栩栩如生的场景，总不能每次都「抽卡」吧？

够搭针对这种割裂感的体验，推出了资产库积累功能。资产库和普通收藏的差异在于，普通收藏通常保存的是用户看到的内容，而资产库沉淀的是用户在产品内生成、筛选并认可的内容，并在后续创作中直接调用。

比如我可以把我最喜欢的 OOTD 添加到资产库，再把噜噜的形象，还有之前「赛博西游」中的「天机塔」场景都加到素材库，来一场跨次元的对话 ~

一次创作不再只是一次性输出，而会逐渐成为下一次创作的素材基础。

从留声机到 vivago R1，人类创造力迎来第三次释放

回看人类历史，真正改变创作方式的技术，往往都在解决同一个问题：如何让更多人的想法抵达最终作品。

1877 年，爱迪生发明留声机，让声音第一次被记录和复现，人类表达开始摆脱时间与空间的限制。进入 20 世纪，单反相机的问世，尤其是微单的普及，让摄影从少数人的专业技能变成普通人记录世界、表达自我的方式。

留声机让每个人都可以保存自己的声音，单反相机让每个人都可以记录眼前的世界。

而今天，AI 视频正在推动第三次创造力释放。

过去，一个人脑海中的故事想变成一部完整视频，需要经过一条复杂的专业链路。编剧负责构建故事，导演负责设计镜头，摄影负责捕捉画面，剪辑负责组织节奏，后期负责完成最终呈现。

创意和作品之间，始终隔着一层复杂的「翻译层」。

AI 视频的发展，正在改变这一关系。

早期 AI 视频模型，例如 Sora，让大众第一次看到机器生成视频的可能性。一句自然语言描述，就可以生成具有电影感的画面，让人类第一次感受到 AI 视频创作的魔力。

但从一个惊艳的镜头，到一部完整的视频作品，中间依然存在巨大距离。视频创作真正困难的地方，在于如何让多个镜头保持统一，让角色在不同场景中保持一致，让故事拥有连续的叙事逻辑。

这也是 R1 想解决的问题。如开头所述，当下行业正在形成两条路线：一种把模型、工具和参数交给用户，让创作者自行组合和调试，换取更高自由度；

另一种则像 R1 一样，是将专业创作者的经验、审美和判断逻辑融入 Agent 编排能力。用户只需简单对话，背后则由 Agent 理解并执行完整创作流程。

两种路径没有绝对对错。前者上限更高，适合专业创作者；后者门槛更低、交付更稳定。

这也指向一个更本质的判断：模型能力不等于产品能力。

在 AI 视频创作里，模型和工具链再复杂，若不能将创意稳定组织成完整作品，就只是「能力展示」，而非真正的生产力。

除了面向普通用户的对话式创作体验，R1 也开始向开发者和专业内容团队开放更高阶的使用方式。目前，够搭已经支持 CLI 命令行交互模式，让用户可以通过终端直接调用视频生成、素材渲染、任务调度以及参数配置等能力，感兴趣的朋友不妨尝试一下。

而从够搭出发，我们也可以进一步看到它背后的公司——成立于 2023 年的智象未来（HiDream.ai）。

作为一家专注多模态生成式人工智能的企业，智象未来自主研发了 HiDream-O1 系列大模型，并将多模态理解与生成能力应用于内容创作。

支撑这一目标的，是智象未来在模型架构上的长期探索。当前许多视频生成模型会先将图像压缩至隐空间，再基于压缩表达进行学习和生成。虽然这种方式能够降低计算成本，但也可能损失文字、表情和纹理等细节。

HiDream-O1 系列采用原生全模态 UiT（Unified Transformer）架构，减少 VAE 和独立文本编码器等环节，将图像像素、文本 Token、视频体素、音频、动作及空间关系等原始信号映射至统一 Token 空间，再通过同一套 UiT 完成理解、生成和推理。

在这一技术路线下，智象未来进一步拓展了世界模型的能力边界。截止到今年 7 月，智象未来原生全模态交互式世界模型 HiDream-O1-World 在 WBench 评测中取得领先表现。

无论是 HiDream-O1-Image，还是 HiDream-O1-World，智象未来作为创新型大模型企业，正逐步形成覆盖视觉模型、交互式世界模型及具身世界模型的模型家族矩阵，构建统一世界模型基座的技术闭环。

而模型之外，智象未来也在持续推动产品化加速落地。

如果说 HiDream 系列大模型探索的是模型能力的上限，那么 vivago R1 则致力于把这些能力转化为人人都能使用的创作体验。

从留声机到单反相机，再到 vivago R1，人类创造力的每一次释放，都伴随着创作门槛的降低。

一边是在提升 AI 视频生产的能力边界，一边是在扩大参与创作的人群范围。当这两股力量同时推进，够搭真正改变的，将是未来每个人都拥有用 AI 讲述自己故事的机会。

作者：单玉喆、莫崇宇