TapNow:不拼自研模型,怎么靠画布跑通AI视频全流程?
AI 创作的下一场竞争,是把作品做完
这两年AI视频产品比拼,常常被简化成看参数:画质谁强、镜头谁长、出片谁快。可图像、视频、3D和coding能力纷纷进了基础模型之后,行业的分界点就挪了位置。生成单个镜头不再是难事,真正难的是角色、世界观、素材、镜头调度和后期剪辑能一路接得上,最终交出一件完整作品。
TapNow 因此成了这轮AI视频创业公司里挺特别的一家。基础模型它没自研,却先把“画布”引入了视频创作,靠产品上的创新聚起一批用户,这批人对一致性、可控性和完整工作流的要求更高。顺着这条路,TapNow 把产品重心移向一个更实际的问题:模型生成的结果,怎么才算真正进了生产环节?
10月17日,CreativeOS2.0 上线。这轮迭代的关键,是让 Agent 通过写代码、跑代码来组织、生成和修改视觉内容。Code2Video 的用处不限于动画、演示视频和视觉包装,它还是 Cinemap 和 Monta 的底层能力:放到 Cinemap 里,代码能力被拉长成对3D世界、角色、行为规则和镜头调度的组织;放到 Monta 里,它负责素材编排、剪辑包装与交付。
把 Code Video 仅仅当作一种视频制作手段,并不是 TapNow 的目标;它想借这个能力搭出一种新的AI原生创作产品形态。
模型能力慢慢变成公共能力之后,Code2Video 怎么跟 Agent、资产和专业工作流拧在一起,长成一套能持续把创作任务往前推的系统?
我们拿真实任务试了这套系统:把一篇含六款硬件的项目推荐做成产品讲解视频,再在暴雨夜的港口调度一座3D虚拟片场,看 CreativeOS2.0 能不能把一次生成,变成一项能反复修改、调度和交付的生产任务。
从生成到生产,AI创作开始走进真实工作流
Fable5.2 这类模型的 Coding 能力越来越强,基础模型用 Coding 生成视频的边界也在往外扩。CreativeOS2.0 这次更新里,硅星人最感兴趣的是 Code2Video:对我们这些并非专业视频工作者的人来说,用代码生成结构化讲解视频,等于给内容开了另一种可能,确定性和可编辑性也更强。
“每周项目推荐”是硅星人的固定栏目。我们挑了一期偏AI硬件的,把文章内容和七张真实产品图交给 TapNow Agent,请它用 Code2Video 做成一条产品讲解视频。
这一回 Code2Video 的路子是让 Agent 写代码:文字、真实产品图、布局和动画规则先被组织起来,再渲染成视频。产品图来自我们给的素材,标题和参数按文字排版,位置、颜色、出现时间和运动轨迹都能明确指定。做信息讲解,这就意味着确定性更强——我们要的是一个数字准确落在指定位置,而不是模型画出一个“看着像数字”的画面。
从成片看,结构化排版这块它做得不错。我们给的三类内容落成了三幕,每一幕版面一致:顶部说明类别和判断,左侧摆产品名称与关键参数,右侧放真实产品图。六款硬件、尺寸和背景各不相同的图片,被收进同一套视觉秩序。观众换到下一个产品时,不用再找信息在哪儿,注意力可以留给内容本身。
稳定归稳定,这可不是六张静态卡片轮流播。数字高亮、产品切换、机械臂的运动示意,加上结尾的聚合连线,让信息有了先后顺序。文章的分类逻辑留住了,单屏要读的字也少了。作为一条科技产品的视觉讲解初稿,这比一味追求电影感更贴任务:产品认得出来,重点看得明白,不同项目之间还能比。为了让它变成能直接看的讲解视频,我们又把这按三类内容写好的中文旁白交给 TapNow Agent。它调 ElevenLabs V3 生成了约39秒的配音;我们再照着旁白节奏调各产品画面的停留时间,合成了下面这条40秒的配音版。文字负责解释判断,真实产品图和参数承担信息展示,原先要逐屏读的内容,开始有了连续讲述的节奏。
Code2Video 实测:本周 AI 硬件项目推荐,40 秒中文配音版
两种方式差别更明显的地方,是修改。这次我们真碰上了产品图裁切、图注与标签挤在一起、数字动画显示时机这些要调的地方。Agent 随后改了取景范围、文字位置和动画参数:CyboPal 的完整屏幕留住,Zilo 的图注往下移,Nirva 的“3 天”在阅读时能稳定显示。改动落在对应元素上,原来的分类、其他产品图和整条视频的风格都能继续保留。
传统生成视频也能靠参考图或编辑能力接着调,但碰上“只改这个数字”“只挪这一行字”这类要求,代码给出的控制对象更直接。确定性不是说第一次就不出错,而是错了能定位,修改有明确落点,不必为了修一个细节把整段画面重新赌一遍。返工也因此更有效率。当然,代码改完还得预览、渲染,最终的文字、参数和视觉效果也要人来检查。
所以 Code2Video 特别适合结构化的信息和知识:产品参数、概念之间的层级、步骤的先后、数据的对比,都能写成清楚的排版和动画规则。文生视频模型擅长的表演、质感和氛围,价值仍在;可到了“把一篇文章讲清楚”这类任务,Code2Video 的可控和可改更贴近编辑的工作习惯。两种能力也能搭着用:模型生产需要的影像素材,代码准确承载文字和信息。
这次的结果是一条没有旁白和配乐的视觉讲解初稿,已经能看出文章怎么变成视频,但还谈不上是配完音、混完音的发布版本。它让我们看到的生产价值在于,内容工作者可以先拿自然语言把知识结构变成可观看、可校对、可继续修改的内容。项目推荐、产品培训、研究报告、企业介绍,都有这样的需求。
Code2Video 把视频生成的可编辑性补上了,Cinemap 要做的则是把 2D 视频抬到三维。我们在 Cinemap 的 Agent 里敲进一段场景:暴雨夜的港口,旧仓库、通向码头的窄路、远处的货轮和起重机;打算安排一场追逐,先要一个能编辑的低精度场景。
建模没做,物体坐标也没一个个输,我们只是对 Agent 说:主角从旧仓库跑向码头,两名追逐者从两侧包抄,其中一人晚三秒出发。这句话被系统落成三条不同颜色的路线,外加一条 18 秒的动作时间线。主角的路线拆成四段,右侧追逐者的轨道先等着、再起跑。人物什么时候动、从哪里过、几时到路口,从此有了能播放、能调整的凭据。

接着给这场戏摆机位:高位俯拍交代包抄关系,低机位沿道路侧移,码头尽头架一台固定机位朝来路反打。二号机的取景界面里,28mm 焦段、沿动线移动、看向主角和中景这些设置都摆着;画布上标出相机路径和对应的时间节点。我们只提了一句“贴近地面跟着主角拍”,具体怎么在空间里落,交给 Agent 承接,再由我们盯画面,判断这个角度行不行。

所谓可控,比“再生成一个角度”实在得多。人物路线、摄影机动线、剪辑切点全在同一场戏里;三台机位记的是同一次追逐,不是三份各想各的画面。自动剪辑把 18 秒预演切成四段,在低机位、高位和反打之间来回切,时间线摆在那儿,还能接着调。白模用的是简化人物和场景,干的也是预演的活:先把空间关系和调度看明白,再决定怎么把它拍成最终画面。
Cinemap 实测:18 秒三人调度、三机位白模预演
白模做完,我们把二号机的预演当参考送进 Canvas,由 Agent 配好 Seedance 2.5,跑出一段 15 秒、720p 的效果片。集装箱有了金属质感,路灯在积水里留下倒影,简化人物变成有表情、会奔跑的 3D 动画角色。低机位跟着主角往前走,中间切到追逐者,再回到主角,港口追逐从空间里的走位,变成了一段能看的戏。
Cinemap 渲染效果:「成片·机位 2」,15 秒、720p
这里接上的是两段能力:Cinemap 先把场景、人物、机位组织成预演,视频模型再照着参考生成具体画面。创作者可以先判断“人从哪里来、镜头从哪里看”,再去调角色造型和画面风格。三维空间就这样成了视频生产里可以接着用的创作依据。
这样一来,它更像个虚拟片场,而不是单打独斗的 3D 生成器。市面上能做 3D 的模型和工具并不少,少的是把 3D 塞进一条具体创作链路:前头接住已有的角色、脚本和资产,后头还能进分镜、视频生成、剪辑,甚至继续长成游戏或互动内容。
产品要做的,就是不停创新和定义
基础模型会 coding 了,大家都知道;基础模型的 3D 能力上来了,大家也知道。市场上很快冒出一批产品,能写动画、做网页、生成 3D 游戏和虚拟世界。
可模型能力从来不会自动变成产品能力。模型告诉所有人“这件事现在可能了”,产品公司要回答的是另一套问题:它该在什么时候出现,以什么方式被用,解决谁的哪一个具体问题。
TapNow 坚持做“一站式”,原因也在这儿。它不是要在菜单里堆更多功能,而是因为创作最怕被打断:脚本在文档里,参考图在网盘里,3D 场景在另一款软件里,视频散在几个模型网站,剪辑又回到本地软件。每切一次,丢的不只是时间,还有资产、上下文,以及创作者刚形成的判断。
CreativeOS2.0 于是把画布变成人和 Agent 共用的工作空间。创作者可以开口说,也可以点、圈、拖,用空间位置表达“这里”“这个人”“这一段”;Agent Team 在后台拆任务、并行推进。用户不用管每一个 session,也不必先研究该挑哪个模型。
TapNow 产品负责人 Ethan 表示,团队希望用户把注意力放在整体创作上,不必再纠结提示词怎么写、模型怎么选。
这句话也点明了 TapNow 在“给人用,还是给 Agent 用”之间的取舍。它首先还是给人用的:方向、审美和关键判断归人,复杂执行由 Agent 接住;同时它也通过 MCP 把能力开放给外部 Agent。人不用迁就机器的操作方式,Agent 也不必锁在单一入口里。判断权留在创作者手上,执行权可以在不同 Agent 之间流动。
功能是很多,门槛却不一定高。用户说一句“把二号机压低”“保持这个角色,换掉环境”“把这篇项目推荐做成 40 秒视频”,系统再去判断调什么模型、要不要用代码、怎样继承已有资产。复杂度没消失,只是被产品吞了进去。
这也是 TapNow 不愿把自己框成影视工具的原因。企业营销、电商内容、产品介绍、培训、活动、游戏原型,行业看着不一样,里头都装着需求理解、素材组织、内容生产、反复修改和最终交付。TapNow 接入千问办公、与 WorkBuddy 合作,多出来的不只是两个分发入口,它的创作能力开始走进用户本来就在用的工作环境。
Cinemap 又把这条边界往外推了一层。Ethan 说:“Cinemap 是另一块无限画布,只是它是一块 3D 画布”。对导演,它可以是虚拟片场;对游戏团队,它可以是关卡和世界的起点;对品牌、展览和活动,它也可能变成互动空间。TapNow 的边界于是不再是“视频生成”,甚至不只是“视频创作”,而是所有要同时组织文字、图像、视频、声音、空间与交互的创作任务。
当然,AI 时代没有什么领先能一劳永逸。一个好交互被验证之后,很快会变成行业共识。对 TapNow 来说,壁垒不在某一个按钮,而在于持续定义下一种创作方式的能力:从画布、Agent 到三维预演,先把前沿技术做成创作者能直接上手的完整工作流,再在真实使用里不断迭代。
Ethan 把话讲得很直白:“我们最关心的是,明天最先进的生产力出现时,TapNow 能不能最早把它变成创作者真正用得上的能力,并且一直走在前面。”
创业公司不一定非得顺着大厂划好的赛道去追。换条路也走得通:不断把产品形态重新定义一遍,让所有人都能调用的模型能力,落进一条只有自己最懂的创作流程里。视频生成这块,TapNow 很早就用画布重新组织过;眼下它又想靠 Agent Team、Code2Video、Cinemap 和 Monta,把画布做成一套生产系统。
面对 AI 生成工具,人们问的是“能不能做出一个结果”;CreativeOS2.0 要答的则是“能不能把一件事做完”。从生成走到生产,或许就是下一阶段 AI 创作产品真正的分水岭。