•
對話 Roto：不做 “AI 剪映”，他們想把Netflix沒做好的互動劇用AI重做一遍
AI 視訊界的“剪映”太多了，而Roto 想做 AI 時代的 Netflix。
作為母公司 FansAI 發佈的全球首個開放世界互動視訊平台，Roto 背後的團隊均來自矽谷大廠與國內頂尖科技公司，試圖建構一個介於遊戲與影視之間的新物種。
對於創作者來說，Roto提供了一個節點式的創作工具，你可以設定劇情節點鋪陳故事，設定生成節點呼叫 AI 即時產出畫面，設定互動節點讓觀眾輸入文字或語音，或者通過分支節點決定故事走向不同的結局；發佈之後，對於觀眾來說，他們就不再是被動的接收者，而是可以把自己的名字、形像甚至決策即時融入劇情，讓每一次觀看都成為獨一無二的個性化體驗。產品體驗：https://rotopus.art/
我們和 FansAI聯合創始人、Roto創始人 David Xu 聊了聊，他此前是 TikTok、Snapchat 的 AI 產品經理，著手了 AI 綠幕、AI 相機等功能的落地，另一方面，他也是一個在話劇團表演、在 Livehouse 組樂隊的“非典型藝術生”。Roto 某種程度上正是這兩個自我合二為一的載體——他希望用技術去拓展藝術表達的邊界，而不是僅僅做一個冷冰冰的工具。
“我不否認市面上全鏈路視訊創作工具的價值，但如果只做工具，為了讓更多人付費，必須不斷降低門檻，很容易陷入製造‘電子垃圾’的死循環。”
在他看來，用 AI 生成視訊再發到抖音，本質上仍然是舊的內容消費邏輯；但每一代新技術的誕生，必然會催生一種全新的內容樣式，而Roto代表的互動式視訊，會是一種可能。
以下是對話實錄：
當一個矽谷產品經理，決定做“藝術生”的夢
矽星人：可以先給大家介紹一下你們的產品？
David： 我們分成兩部分：一部分是創作端，創作者可以用我們的平台去完成他們自己的 AI 互動劇並行布；另一部分是播放端，使用者作為觀眾觀看這些劇集，通過輸入、語音等互動動作，改變劇情。我們比較篤定的是未來的內容是由觀眾共同創作的，每一次觀看都可以成為獨特的、高沉浸度的體驗。
在創作流程上，現階段使用者按照“節點式”的邏輯建構劇情。節點主要有四種類型：
劇情模組（Story Module）：創作者上傳自己已有的、設定好基調的視訊內容。
- 互動模組（Viewer Interactive）：創作者設定問題或觸發點，讓觀眾輸入（文字或語音），這些輸入會被存下來影響後續發展。
- 分支模組（Branching）：根據使用者輸入的意圖或行為，判定劇情走向不同的結局。
- 生成模組（Generation Module）：創作者選擇各類視訊模型（如 Veo, Seedance 等），在使用者互動後即時生成畫面。
矽星人：相當於我可以用你們的平台做一個《完蛋了！我被美女包圍了》，並行布在你們平台上讓其他使用者玩？
David： 可以的。我們已經上線了十部互動短片，比如我們有一個教學短片叫《Roto 大戰 Bug》。
矽星人：挺可愛的，你們做了多久？
David： 一個人斷斷續續做了一周吧，這個是用Seedance 2.0 做的。如果你想做一個簡單的互動，可能 1 個小時就弄完，但如果你想做一個稍微看起來還不錯的片子，其實是需要很多構思的。
矽星人：這種互動形式其實並不完全算“新物種”，Netflix 之前也嘗試過《黑鏡：潘達斯奈基》，遊戲行業也有類似的 AVG。但現階段 AI 模型的能力還不足，生成速度慢、效果不穩定。為什麼你選擇在這個時間點切入？畢竟現在連基礎的 AI 視訊工具都還在解決“可用性”問題，你們還要在此基礎上加一層複雜的互動。
David： 根本還是在於我們相信AI會帶來下一代內容形式。AI 帶來的核心變革是“相對即時”和“個性化”：
- 相對即時：雖然現在生成還要幾秒甚至更久，但相比傳統影視製作的“非同步”（拍完剪完才能看），AI 正在向“同步”演進。
- 個性化：過去的內容，創作者和觀眾邊界分明。但在 AI 時代，觀眾可以把自己的名字、形像甚至決策融入劇情。
我們不必像 Netflix 那樣把所有分支的可能性都拍出來（那成本太高了），而是在框架內，讓 AI 根據觀眾的輸入去即時生成。這是一條此前從未有過的路徑。
矽星人：所以你不想等技術完全成熟了再做？
David： 對。技術的發展是階梯式的，現在的模型可能還不夠快，但我們判斷未來一定會達到秒級甚至毫秒級。在這個技術成熟的一兩年過渡期裡，內容側的思考是不能停滯的。
就像短影片剛出來時，大家花了很長時間才探索出“豎屏、15秒、全身拍攝、快節奏剪輯”這套範式。AI 互動內容也需要時間去探索它的鏡頭語言和敘事邏輯。對於小公司來說，如果等大廠把技術都做完美了再進場，我們就沒有任何機會了。我們必須在技術還不成熟的時候，先把“新一代內容平台”的範式立住。
矽星人：你對“內容”本身有執念嗎？在此次創業之前，你的經歷是怎樣的？
David：我本科畢業後在矽谷呆了 10 年，先後在 Pinterest、TikTok 和 Snapchat 做產品經理。在 TikTok 時，我們做了 AI 綠幕；在 Snapchat，我負責將攝影機下的功能全 AI 化（AI 配文、修復、生圖），接觸了非常多的模型，但更多還是基於技術，去找成熟場景下的最佳化可能。但我始終覺得每一代新技術的誕生，都會催生一種全新的內容樣式。
就像照相機帶來了攝影，電腦帶來了 CG 和遊戲。現在的 AI 視訊技術，如果不去創造新樣式，只是用來做傳統的視訊，那就是在走老路。
另外，我也算是一個藝術創作者。我在清華讀書的時候是話劇團、街舞團的成員，後來組過樂隊當主唱，在海外的十年裡，我也會去 Livehouse 演出，參加一些跳舞的活動和比賽。
矽星人：多才多藝型創業者，所以你讀書的時候成績怎麼樣？
David：那肯定是一般<笑>。但我會覺得清華很好的一點是，你在裡面可以活成各種樣子。如果你是很想學習，你是可以在學術上鑽研。但如果你想探索其他東西，學校也提供這些資源，比如會請中戲的老師來教課。對藝術創作的愛好，我畢業十多年了，一直都沒有斷過。
在過去，技術圈和藝術圈是有 Gap 的。做技術的人容易輕視內容，覺得那是“軟”的東西；做內容的人又不懂技術邊界。Roto 對我來說，就是把這兩個自我合二為一的載體。我希望用技術去拓展藝術表達的邊界，而不是僅僅做一個冷冰冰的工具。
不做新“剪映”，做下一代“AI愛優騰”
矽星人：現在市面上有很多 AI 視訊創作工具，大多致力於解決從劇本到生成的全鏈路問題。而 Roto 目前似乎更側重於互動架構，創作過程中存在“斷層”，使用者可能需要在其他平台生成好素材再上傳。你們為什麼不把“劇本生成”或“一鍵抽卡”這部分功能做進去？你們和這些工具的本質區別究竟在那裡？
David：首先，我不否認目前市面上那些“全鏈路工具”的路線，但我認為這個賽道已經捲得太同質化了。
大家現在的通用邏輯都很像：從劇本拆解到關鍵幀，再到生成片段、拼接。但這套鏈路大家都在做，如果我們現在也衝進去，很容易就變成單純的“搶市場”和“做推廣”，跟別人其實拉不開差距。
我們要先做別人做不了的事——也就是這個節點式的創作架構、互動邏輯的搭建，以及配套的播放器。這是我們的核心差異化。
而且說實話，現階段 AI 寫劇本的能力也就“60 分水平”。讓 AI 自動寫劇本、拆分鏡，已經被證明效果還不夠好，很難產出真正高品質的內容。創作者可以帶著好的劇本進來，或者在其他工具裡生成好素材，然後利用我們的平台把這些素材“搭”成一棵複雜的劇情樹。
更重要的是，如果只做工具，很容易陷入一個製造“電子垃圾”的死循環。因為做工具的商業模式通常是收訂閱費（ARR），為了讓更多人付費，你必須不斷降低門檻，搞各種“一鍵生成”的範本，追求自動化。這就導致使用者生產出大量低品質、同質化的內容。這些內容除了滿足使用者那一瞬間的“生成快感”，其實沒有任何消費價值——發到朋友圈沒人看，發到抖音沒流量。沒人看，使用者就不願意持續付費，整個生態就轉不起來。
我們選擇做平台，做 AI 時代的 Netflix。我相信一定是 PGC（專業生產內容）帶動 UGC（使用者生產內容）。所以現階段我們不追求讓所有人都能一鍵生成，而是通過邀請制，聯合國內最頭部的 AI 創作者（比如海辛、野菩薩）和傳統的影視/短劇公司，用我們的工具去真正打磨出高品質的精品內容。
矽星人：做平台的難度在於，使用者為什麼要到你的網站來看？如果我把生成的視訊直接發到抖音上呢？
David： 傳統的視訊平台（愛奇藝、抖音）播不了我們的內容。因為 Roto 的內容是非線性的、即時生成的。你在抖音上看到的是一個錄製好的死視訊，但在 Roto 上，你輸入一句“拿著光劍戰鬥”，主角真的會拿出光劍；你選擇“拯救”或“逃跑”，劇情真的會走向不同的結局。這種“可互動的動態體驗”，必須依賴我們自研的播放器才能實現。這就是我們獨立存在的價值。
當然，我們支援使用者將體驗過程匯出為視訊切片發到社媒，但這只是為了傳播，完整的互動體驗只能在 Roto 發生。
矽星人：冷啟動的死循環怎麼解決？沒有創作者就沒有內容，沒有內容就沒有使用者。在產品早期，你們如何解決創作者的“吃飯”問題？
David： 這個問題非常關鍵。我們現階段的商業化策略很明確：通過 B 端的品牌資源，來養 C 端的生態。
我們現在不會去向創作者收訂閱費，反而鼓勵他們多做。通過我們積累的商業資源，我們正在推一種全新的“品牌互動廣告”。
品牌方其實非常願意為“新形式”買單。比如一個球鞋廣告，用H5頁面的方式，通過 Roto 的技術，使用者可以輸入指令：“我想看王一博穿這雙鞋”或者“我想看迪麗熱巴穿”，廣告裡的人和鞋就會即時改變。這種高互動率的廣告樣式是傳統視訊做不到的。
矽星人：這是一個資源生意。
David： 是的。目前無論是用 H5 還是其他方式，都是為了把生態打起來。
在“抽卡”與“控制”之間，尋找工程化解法
矽星人：要實現你說的這種體驗，光靠現在的視訊生成模型似乎不夠。具體到工程層面，比如我在體驗時發現，生成的內容需要和上下文強關聯。如果使用者輸入的內容太離譜，模型“崩”了怎麼辦？
David： 這是一個非常關鍵的工程問題。我們並沒有把生成的權利 100% 交給使用者，而是採用了一種“完形填空”的機制。
在我們的生成節點裡，創作者其實已經預設了一個 Prompt 的“底座”（大概佔 60%），比如規定了“中景、夜晚、賽博朋克風格、主角拿著某物”。觀眾的輸入（比如“拿著一把鹹魚”）會被轉化為一個“標籤”，嵌入到這個 Prompt 中（佔 30%）。
系統不會直接把這個 Prompt組合扔給視訊模型，而是在後台先跑一遍語言模型（LLM）。LLM 會根據劇情背景（Context），將使用者的簡單輸入改寫為一段更符合視訊模型理解的、情節飽滿的 Video Prompt。比如你只輸入了“一把劍”，後台可能會將其擴充為“在昏暗的燭光下，主角緊緊握住一把寒光閃閃的古劍，眼神堅毅”。這樣既保證了使用者的參與感，又確保了生成內容在創作者設定的審美和邏輯框架內，避免了“抽卡”式的不可控。
矽星人：還有那些環節用到了AI，你們是如何去搭建的？
David： 這是一個多模態的協作流程。首先是意圖識別：當使用者輸入文字或語音時，LLM 會判斷這個意圖是傾向於“正向拯救”還是“悲觀逃跑”，從而決定劇情走向那個分支。
其次是生成執行：我們會呼叫視訊模型生成畫面，呼叫語音模型生成角色的對白。我們目前對模型持開放態度，比如最近火爆的 Seedance 2.0，它的控制力度和表現力都有階梯式的提升，我們就可以接入。我們相信隨著推理加速技術的發展，視訊生成終將達到“即時”等級。Roto 現在做的，就是為那個“即時時刻”搭建好所有的基礎設施和內容範式。
技術+藝術+商業的組合，做全球市場
矽星人：你的MBTI是什麼？
David： 我是 ENFP，快樂小狗。
矽星人：ENFP，創業者裡面很少誒。
David：對，我其實還是一個蠻在乎過程是否快樂開心的人。創業是一個生活方式，在這個過程中，整個體驗，然後對世界或者一件事兒的理解，包括你結交的這些小夥伴，這個對我來說最重要。
矽星人：但是ENFP其實容易情緒化，再加上創業的過程中波折也很多。
David：我不是個情緒化的人，但創業的過程中，有時候你就覺得這個事情怎麼就做不出來，對吧？短時間內有很多事情放在一起。
我給自己的忠告是：既然你選擇了創業，掌握了控制權，就要接受這種不穩定。其實沒有那一天是“World Ending Day”（世界末日）。你不會因為一個決定，公司就立刻死掉。凡事都是有餘地的，關鍵還是看整體節奏，創始人心態也會傳導給團隊，對吧。
矽星人：你和你的團隊是怎麼認識的？
David：我和我的合夥人是大概去年上半年的時候認識的。在組隊之前，我一直在思考：到底什麼樣的人適合一起創業？我身邊很多清華或者矽谷的朋友，他們的創業團隊通常是“全技術班底”，大家程式碼能力都很強。但我這次想嘗試一種不同的建隊思路——“技術+藝術+商業”三位一體。
我自己負責技術和藝術願景，而我的合夥人則是一位在商業化上非常有經驗的連續創業者，他有豐富的廣告行業背景和品牌資源。這種互補的組合，讓我很好奇能不能在商業落地上跑出一些不一樣的嘗試，畢竟只靠技術很容易陷入“不知道怎麼賺錢”的困境。
矽星人：創業差不多半年，你感覺國內外的氛圍有什麼區別？
David： 可能因為我在海外待了很久。我的感受是，國外是下限很高但上限不夠高的環境，大家可以過得很安穩，做長期主義的 Research；而國內是下限很低但上限很高的環境，生存壓力大，市場急躁，但如果你有想法，這裡的產業鏈速度、人力成本和政策支援能讓你極快地把東西落地。
我選擇回國創業，也是希望能結合兩邊的優勢：用矽谷的長期主義思考產品，用中國的速度去實現它。
矽星人：那 Roto 最終的市場定位是怎樣的？側重國內還是國外？
David： 我們的目標一定是全球化，甚至更側重海外市場。
國內的內容產業已經高度平台化了，像愛優騰抖這樣的巨頭把持著流量，新的使用者和創作者規模化確實比較難，但小公司也有很多值得做的事兒。
相比之下，海外市場是“內容至上”，而非單純的“流量至上” 。在海外，像 A24 這樣的小型 Studio 或者一些獨立的內容製作公司，只要內容夠好，是有生存空間的，不會輕易被大平台卷死。我覺得海外的競爭環境對極致創新的小企業更友好 。
所以我們在產品形態上，我們一定會做獨立的 App，做全球的推廣，在 Twitter、YouTube 上花精力，不拘泥於國內的敘事邏輯，去賺全球市場的錢。 (矽星人Pro)