皇后区杰克逊高地，某栋公寓里。
三个人，三个工位，一条流水线。
戴眼镜的坐在最左边，敲完最後一行字，把文档拖进共享文件夹。
屏幕上的文件名标着「hs-atk-019」。
文档里是一段视频脚本：一个自称前急救员的中年白人男性，坐在厨房餐桌前，声音发抖地控诉他亲眼看见一个骨科医生在没有儿科资质的情况下，对一个七岁女孩开了刀。
「十九号搞定了。」
中间工位的络腮胡点开文件。
他的工作分两步。
第一步是定妆，为脚本角色生成一张脸。
他在本地部署的开源图像模型中输入提示词：白人男性，四十五至五十岁，方脸，法令纹深，蓝灰色眼睛，藏蓝色工装外套。
回车键敲下，屏幕同时弹出四张面孔。
不管是生图还是生视频，这个过程在圈内被称为抽卡。
以前做ai视频，全凭概率。後来技术更迭，新一代模型支持多模态输入。
同时喂入参考图片、音频和文字，模型依循参考生成，良品率提升了一个量级。
但他们无法使用商业平台。
主流商业模型会在生成的每一帧画面中嵌入c2pa元数据签名，等同於「ai制造」的隐形水印。
tiktok的检测系统会自动读取签名，打上ai生成标签。
他们只能依赖修改过的本地部署开源模型，没有水印，代价是极低的良品率。
他从4张定妆照中选出合适的那张保存，进入第二步：
生成视频。
定妆照作为角色锚点拖入视频生成模型的参考面板，挂载预先录制好的台词音频，提示词栏填入表情、动作与镜头指示，随後丢进队列。