Nhập một bài viết kiến thức hoặc kịch bản đọc, xuất ra một video dựng hoàn chỉnh dài vài phút. Cốt lõi là một mô hình chiến lược được huấn luyện dựa trên Qwen3.5-9B: ở mỗi bước, nó đọc trạng thái dựng hiện tại có cấu trúc (chương, cảnh quay, lời dẫn, tư liệu, mẫu, nhạc nền, kết xuất) và chỉ đưa ra một lệnh gọi công cụ — chia chương, lập kế hoạch cảnh quay, tổng hợp lời dẫn, truy xuất tư liệu, áp dụng mẫu hoạt hình, chọn nhạc nền, đánh giá, phản tư, sửa lỗi, ghép nối; một video hoàn chỉnh mất khoảng 12 lần gọi; quy trình không bị cứng nhắc, các rào chắn chỉ từ chối các lệnh gọi không hợp lệ và không đưa ra quyết định thay cho mô hình. Dữ liệu huấn luyện đến từ "suy ngược quá trình dựng + phát lại xác minh": khôi phục 3,750 video hoàn chỉnh thành các quyết định dựng có thể thực thi, thu được hơn 13 vạn mẫu huấn luyện.
Thích 14 · Số sao mã nguồn 13
Lý do
- Đầy đủ: Trọng số chiến lược 9B (trên Hugging Face tencent/WeVisCut), môi trường chạy Studio với cùng bộ 12 công cụ và định dạng trạng thái như khi huấn luyện, cùng với quy trình xây dựng dữ liệu tạo ra các quỹ đạo huấn luyện data_construct_pipeline đều đã được mở, mã nguồn theo giấy phép Apache-2.0.
- Tác giả tuyên bố rằng trong môi trường công cụ thống nhất, nó vượt trội rõ rệt so với mô hình nền tảng, hiệu quả tương đương với Claude Opus 5, trong khi số lượng token để tạo mỗi phút video ít hơn khoảng 33 lần; đồng thời tự xây dựng một bộ tiêu chuẩn gồm 100 nhiệm vụ và 5 chỉ số, đo lường đồng thời chất lượng dựng và độ tin cậy của việc giao kết quả.
- Studio có thể tiếp tục chỉnh sửa: tám track đồng bộ (chương, cảnh quay, lời dẫn, phụ đề, tư liệu, mẫu, nhạc nền, kết xuất), có thể tạm dừng / tiếp tục, chỉnh sửa thủ công hoặc qua trò chuyện ("thay đổi phần mở đầu", "thay thế hình ảnh của 0:15"), chỉ kết xuất lại các cảnh quay đã thay đổi, hỗ trợ hoàn tác phiên bản.
Cách dùng
- Cài đặt: git clone github.com/Tencent/WeVisCut → pip install -r requirements.txt (trên máy GPU, trước tiên cài PyTorch tương ứng với CUDA, sau đó pip install -r requirements-gpu.txt) → bash scripts/setup_external_tools.sh (tải ffmpeg, Node và trình kết xuất, khoảng 1.1 GB).
- Trọng số: hf download tencent/WeVisCut --local-dir checkpoints/weviscut-9b; suy luận bf16 yêu cầu GPU NVIDIA có khoảng 24 GB VRAM, Python ≥ 3.11.
- Khởi động: bash run_studio.sh (có thể dùng --check trước để kiểm tra đường dẫn), mở trình duyệt tại http://<máy chủ>:8081/, dán kịch bản đọc để bắt đầu; nếu chỉ xem giao diện mà không tải mô hình, dùng --no-model.
- Nguồn tư liệu và nhạc nền có thể thay đổi trong studio_config.yaml, có thể trỏ tới giao diện HTTP riêng, thư mục cục bộ hoặc plugin Python.
Rủi ro
- Đây không phải là mô hình tạo video từ văn bản: hình ảnh đến từ việc truy xuất tư liệu và các mẫu hoạt hình, chất lượng video phụ thuộc vào các dịch vụ truy xuất, TTS và kết xuất mà bạn cấu hình; thẻ mô hình tuyên bố không đảm bảo độ chính xác về mặt thực tế và chất lượng video, cần xem xét thủ công trước khi phát hành.
- Tư liệu / nhạc nền mặc định đến từ việc tìm kiếm trên mạng mở, bản quyền do bạn tự chịu trách nhiệm; giấy phép trọng số trên Hugging Face được đánh dấu là other, README chỉ ghi "trọng số và các thành phần bên thứ ba tuân theo giấy phép riêng của chúng", cần kiểm tra kỹ trước khi sử dụng thương mại (mô hình nền tảng là Qwen3.5-9B).
- Việc tải trọng số yêu cầu ms-swift đã đăng ký qwen3_5; so sánh với Claude Opus 5 và các con số tiết kiệm token là do tác giả báo cáo, bộ tiêu chuẩn do tác giả tự xây dựng.
Biên tập: Phù hợp cho việc dựng thô các video đọc dạng kiến thức, giải thích: hãy để nó tạo ra một phiên bản trước, sau đó chỉnh sửa từng cảnh quay trên dòng thời gian.