BaoCut 解读虚拟主播原理：像皮影戏一样拆层驱动，支持接入 Agent 自动出片

现在做一条 AI 口播视频，最常见的路子是直接用视频生成模型硬算。画面里的真人眨眨眼、动动嘴，显卡在后台疯狂燃烧，一旦配音改一个字，整段视频就得推倒重跑。

BaoCut 换了一条完全不同的路子。它公开解读了自家虚拟主播的技术逻辑，说白了不是在「生成视频」，而是在用代码演一出精巧的现代皮影戏。

拆出二十七层，像弹簧一样驱动

这套机制的核心可以拆成三步：拆、动、说。

第一步是拆层。AI 先画出一张正面肖像，接着再修改十一次，程序通过逐像素比对差异，把人物拆分出二十七个图层。官方演示里的主播形象就由字节的 Seedream 5.5 生成。

第二步是驱动。系统把骨架、变形和弹簧逻辑移植自开源项目 LivLiv Player（采用 Apache-2.0 协议）。整张画被罩在一张网格里，推一下网就能转头，配合十七个旋钮参数控制，让头发呈现弹簧般的物理晃动。

第三步是口型匹配。它不靠音量高低来粗暴开合嘴巴，而是读取每个文字的具体读音来挑选对应嘴型，甚至让嘴型动作比声音提前 0.03 秒发生，契合人类说话的肌肉直觉。

正因为底层是基于 2D 图层和网格变形，它不需要高性能显卡实时渲染像素。如果视频改了某句配音，系统只需要重新计算嘴型数据，角色画面完全不用重新绘制。

装上 Agent，一句话自动剪片

除了底层驱动，BaoCut 还把它做成了开发工具可以调用的技能。在终端里运行一行 baocut skill install，就能把这个技能装给 Claude Code 或者 Codex 这类代码智能体。

在日常流程里，用户完全不需要手动调参。你既可以直接选用 BaoCut 内置的 19 位原创卡通主播，也可以让智能体帮你现画一个自己的形象。

自己制作形象大约需要 9 次图片生成，要求正面、睁眼、闭嘴、纯色背景，而且必须有头发。确认后智能体就会自动改图、拆层并打包成角色。

接下来只要给一句自然语言指令，比如制作一条某主题的 3 分钟讲解视频，智能体就会自动写稿、配音、算好口型，把主播摆在画面右下角并生成审片链接，确认无误后即可导出成片。

不过这套方案目前边界也很明确。它只做卡通形象，不做真人照片对口型，也不做换脸。

语言上，它对中文、英文、日文假名和韩文的口型匹配最准，其他语种依然主要依赖音量控制开合。此外，主播转头角度被限制在 30 度以内，画面里没有手，暂时也不支持光头角色。

为什么重要

对于个人创作者和独立开发者来说，这是把短视频制作成本打到地板上的一次尝试。现在的 AI 讲解视频往往陷入两难：要么用真人换脸模型，渲染巨慢且渲染成本高昂；要么用静态 PPT，画面枯燥没人看。BaoCut 证明了哪怕不依赖昂贵的视频模型算力，靠巧妙的图层工程也能做出足够生动的讲解视频。

我们认为，BaoCut 最聪明的地方在于把重心从「生成像素」转向了「驱动资产」。它没有去硬卷底层视频扩散模型的超大算力，而是借用成熟的骨骼网格与音频音素匹配，把重型计算变成了轻量的前端运动。尤其是把能力封装为 Agent skill，让编码助手直接拥有了剪辑台的操作权，把写文案、配音到合成成片整合成了一条完全自动化的流水线。

它的隐患在于表现力上限天然受制于 2D 骨骼。30 度的转头限制、缺少手势肢体语言、不支持真人以及无法处理光头，让它现阶段只能作为知识讲解、软件教程或资讯播报的辅助角标。但对很多只需要一个可爱角色在画面角落陪聊的用户来说，这种又快又省算力的方法，恰恰是目前最实用的解法。