WeVisCut 開放 9B 剪輯代理：把解說稿變長影片，33 倍 Token 差距怎麼讀？
WeVisCut以9B模型選12種工具製作解說長片。解析90.5平均評分、33倍Token差距、原生系統成本，以及部署GPU、配音、素材與授權限制。
WeVisCut 用約 90 億參數的模型，安排從旁白到多分鐘影片的剪輯工作。騰訊團隊在 2026 年 10 月 28 日公開的論文，描述模型如何挑選工具、查看產出，再決定哪個鏡頭需要重做，處理的是長片製作中的連續決策。
這和輸入一句話就生成畫面的工具不同。旁白、素材、配音和時間軸互相依賴，只要中間一步缺檔，後面的成片計畫就可能無法執行。
WeVisCut 因此把剪輯狀態留在工具環境裡，讓模型依已產出的資產挑下一個動作。它還會保留已完成的鏡頭，避免修一個問題就把整支片重新做過。
論文在相同工具環境比較時，五項指標平均為 90.5，接近 Opus 5 的 89.9，每成功成片分鐘的生成 Token 則少約 33 倍。Token 是模型處理文字的單位，這個差距沒有證明所有製片成本與時間都少了相同倍數。
我認為這是專用代理把長流程做得更精簡的證據。它適合有固定解說稿與製作管線的團隊研究，還不能保證任意素材都能自動變成可商用的影片。
要判斷這個效率能不能移到自己的工作，先看 WeVisCut 到底負責哪些決策，哪些工作仍由外部工具完成。
WeVisCut 用 12 種工具完成剪輯，9B 模型負責選下一步
WeVisCut 的模型讀取當前剪輯狀態，再挑選規畫、素材、聲音、渲染或修復工具。依官方模型卡，9B 指約 90 億個模型參數，描述模型規模，並非電腦記憶體容量。
它的輸入以固定旁白或知識文章為主，最後交付多分鐘影片。模型要做的是把稿件切成能製作的鏡頭，安排素材與聲音，再確認這些內容真的接到時間軸上。
例如，旁白正在解釋樹木如何運水，畫面就需要支撐同一個意思。如果只找到一段風景好看、卻無法解釋該段內容的影片，能成功輸出檔案也還沒完成解說任務。
因此工具環境會保留每個鏡頭的素材、配音、長度與未解決問題。模型下一次不必只靠自己記得先前說過什麼，而是能查看已產出的剪輯紀錄。
同一模型換角色，不等於三個獨立大腦
編排者選下一個工具，內容生成者準備結構化內容，品評者檢查成果與修復需求。這些角色共用同一套模型參數，靠不同工作脈絡執行任務，並非三個互不相干的大模型各做一段。
每個編排回合選一種工具，但工具可以處理多個鏡頭。配音工具把文字變聲音，渲染工具把安排變成畫面，模型則依回傳結果決定是否繼續，不能用一段描述代替實際輸出。
這也讓「已計畫」與「已做完」保持區別。若缺少必要鏡頭或背景音樂，環境會回報阻礙，不會因模型宣稱可以合成就把影片標成完成。
論文保留的一條執行紀錄，就呈現「以為可交片」和「檔案已齊」的差異。模型反覆處理品質問題後，合成工具仍指出必要渲染結果缺失，因此流程還沒有資格結束。
後續動作補上時間軸組合與音樂，再重試原本被擋下的合成要求。這個案例的意義，是失敗回傳指出尚缺哪個產物，讓代理有機會接續處理，而不是再寫一段保證已完成的回答。
同時，修復有次數預算。用完修復額度，不會讓缺檔自動變成可交付成果。若最終影片未通過驗證，該次執行仍被記為未完成，先前軌跡也會保留以便追查。
修復同樣依實際產物進行。假設字幕裝飾有問題，相關鏡頭可以重做，但沒有變動的旁白聲音不必全部重新產生，長流程才不會一直重複相同工作。
模型能把流程走下去，仰賴工具回傳真實結果，而不只是一份看似完整的剪輯計畫。
從 3750 個成片專案，學出可以執行的剪輯決策
團隊先從既有旁白影片還原鏡頭意圖，再用實際工具執行，才得到可訓練的決策紀錄。原始論文使用 3,750 個成片專案，內容跨科技、商業與自然科學等領域。
成片本身可以顯示哪段旁白對到哪個鏡頭，卻不會完整保存剪輯師當時點過哪些工具。因此研究先回推鏡頭想傳達的內容，再在工具環境裡重新製作，不能把回推結果當成原作者操作紀錄。
重播過程會留下工具名稱、參數、回傳與失敗情形，再經有限次數的檢查和修復。這樣得到的 134,771 筆訓練樣本，才有「做這一步之後發生什麼」的因果資訊。
對長片代理而言，失敗回傳尤其重要。若訓練內容只有順利完成的理想流程，模型自行選錯工具時，就未必知道如何回到還能接續的狀態。
訓練從模仿步驟，走向自己處理回傳
最初階段先讓模型學會工具格式與基本流程，再把實際執行驗證過的成功或修復紀錄加入訓練。已完成的步驟會保留，讓改進集中在出問題的地方。
接著，老師模型在部分決策回合提供協助，並逐漸減少介入。學生必須面對自己執行後產生的狀態，最後在沒有老師代選下一步的情況下完成流程。
後續訓練再比較同一角色、同一剪輯狀態下的不同決策。因為候選動作面對相同工具與預算，評分才比較能反映哪個選擇確實推進製作，而非只是拿到容易的題目。
這些設計讓一個較小的專用模型，學到特定剪輯環境裡可重用的行為。它的優勢因此和工具、模板及訓練任務有關，不能直接推成任意剪輯工作都比大型通用模型好。
訓練的價值在讓政策處理執行回饋，因此不能把成片倒推直接當成原剪輯師的操作歷史。
90.5 分接近 Opus 5，先看評的是否同一件事
這組比較把模型放進相同工具與預算，用 100 項保留任務、五次獨立執行檢查製作能力。保留任務沒有拿來訓練，讓研究能觀察模型面對其他專案時的表現。
每個任務固定旁白、素材池、目標長度與畫面比例。相同環境下比較的是模型如何做剪輯決策，沒有讓某個模型額外取得另一套更強的剪輯工具。
這裡固定素材池也會影響結果：模型不用在無限網路內容裡任意挑片，而是在研究設定的來源和工具條件下完成要求。因此，若自己的剪輯工作高度依賴即時新聞素材，仍得重新檢查檢索與交付品質。
評分同時關心內容是否忠於稿件、畫面是否支持當下旁白，以及時間軸是否實現原計畫。後段鏡頭品質和素材多樣性，也被納入長流程一致性檢查。
另外一項指標才是端到端輸出，檢查是否產生能解碼、長度足夠且有必要旁白的影片。這能把根本無法交付的執行，與成功輸出卻內容欠佳的影片分開。
以下整理同工具比較的總體描述分數，滿分為 100，數值是五項指標平均。
| 系統 | 五項平均分數 |
|---|---|
| WeVisCut | 90.5 |
| 固定版本 Claude Opus 5 | 89.9 |
| 未經同樣專用訓練的 Qwen3.5-9B | 74.5 |
這個結果支持專用訓練有助於既定流程，也讓 WeVisCut 在這組任務接近大型模型。不過，平均分沒有提供整體不確定性估計，0.6 分差距不足以證明通用能力已經超越。
五項指標也不是完全獨立的五種能力。例如，後段鏡頭健康程度會用到畫面與旁白是否匹配，因此平均分應看成整理結果的方式，而非精確校準的品質機率。
語意判斷還使用視覺語言模型，也就是能同時理解圖文的評分者。研究安排獨立證據與人類校準，但作者也承認仍有裁判偏差，不能當成沒有主觀性的量測。
90.5 是五項指標的描述性平均，並不等於 90.5% 的片子已經符合發表品質。
少 33 倍 Token 不等於少 33 倍製片費
同工具比較的分母是成功輸出影片分鐘，分子計入失敗嘗試所花的生成文字與呼叫。這比只計算一支順利影片更接近整體剪輯負擔，因為沒交片的嘗試也會花資源。
WeVisCut 每成功輸出一分鐘，生成約 2,377 Token，Opus 5 為 78,763。後者除以前者約 33.1，表示在這套環境，專用模型用較少文字決策完成相近評分的工作。
工具呼叫量也從每分鐘 11.6 次降到 3.1 次。不過，呼叫次數和文字數都無法直接替代完整帳單，因為一次素材搜尋、配音或渲染，可能有不同資源與服務費用。
原生系統比較，是另一個問題
論文另把 WeVisCut 和兩個完整剪輯系統比較，允許各自使用原生工具與編排。這組維持相同腳本、素材池及交付要求，但無法再把差異全部歸到模型本身。
以下數字都是每成功輸出一分鐘影片的成本，時間與美元分子同樣納入失敗嘗試。
| 系統 | 實際製作分鐘 | 估計美元 |
|---|---|---|
| WeVisCut | 2.1 | 0.09 |
| Crayotter | 8.6 | 0.97 |
| VideoAgent | 10.4 | 0.58 |
這組結果可用來理解作者測試條件下的完整流程效率，卻不是公開服務價目表。若換了配音、素材或運算供應商，費用與等待時間也會變動。
更不能把同工具的 33 倍文字差距，和這張表的美元差距相乘。兩組實驗分別回答決策模型的效率與完整系統的效率，混算會得到沒有實驗支持的節省幅度。
文字決策變省是好消息，但部署時仍要把配音、素材、渲染和失敗嘗試算進自己的完整帳單。
延伸閱讀：Kino AI 影片剪輯上線：Claude Code、Codex 如何接素材、時間軸與審片？
部署 WeVisCut 前，先確認工具、素材與審片工作
模型權重只能在相應工具環境中完成影片，因此部署成本會隨 GPU、配音及素材服務改變。GPU 是適合大量平行運算的處理器，這裡負責執行模型推論，與只開啟剪輯介面不同。
官方部署說明要求 Python 3.11 以上。模型卡列出約 24GB 記憶體的 NVIDIA GPU，作為指定精度推論的需求。這不是所有外部服務與渲染工作合計的固定硬體保證。
Studio 可以只開介面而不載入模型，方便查看時間軸與操作。但若把這個模式說成不用 GPU 也能執行完整模型製作，就混淆了展示介面與推論服務。
可編修時間軸，並沒有消除內容責任
工具保留暫停、繼續、手動或對話修改、單鏡頭重做與版本回復，讓人能接續整理。這些能力減少全部重來的需要，也表示成果可以被檢查和修改，而非只能接受一次輸出的影片。
官方網站的互動示範，是依實際剪輯紀錄重播的展示，不能視為本站已即時操作成功。觀看它能了解預期流程，但無法替自己的機器、素材與服務設定完成驗證。
程式採 Apache 2.0 授權，但模型卡把權重及第三方元件留給各自條款。檢索到的影片、背景音樂和成片內容，也不會因使用這個代理就自動取得商業使用權。
目前模板庫還會限制視覺呈現，素材檢索的穩定性也影響長片品質。若某段需要特殊視覺語言，系統可能只能用最接近的模板，不能保證完全符合導演或品牌要求。
如果流程已固定且有人審查內容與權利，專用代理值得試驗。任意片型全自動交付仍超出這份研究。
延伸閱讀：VideoGen Model 1 限量開放：十分鐘短片之外，提示詞擴寫實驗證明了什麼？
WeVisCut 常見問題
WeVisCut 是一般文生影片模型嗎？
它主要負責選工具、維護剪輯狀態與修復，依靠相應環境產出影片。這和直接由模型生成全部連續畫面的產品，有不同工作分工。
33 倍是否表示費用降到三十三分之一？
原數字比較每成功成片分鐘的生成 Token，不是所有服務的美元費用。若用它做預算，仍須另外納入素材、配音、運算和失敗嘗試。
90.5 分的影片可以直接公開嗎？
那是五個研究指標的平均分，模型卡仍要求人類檢查知識正確性與製作品質。實際發表還需要確認影像、音樂與其他素材用途。
誰比較適合研究這套工具？
已有固定旁白與剪輯流程、能部署相應服務的團隊，較容易把省下的決策工作接回日常。若需要新聞現場剪輯或大量特殊影像風格，就要另找符合自己需求的測試證據。
可以先看官方專案展示與模型卡，把自己的腳本及素材條件和研究任務對照，再決定是否投入部署。
歡迎免費訂閱 AI 郵報，持續追蹤影片代理與創作工具研究。
