EditYourself 视频编辑利器：改说话内容消除卡壳，无缝对齐口型

录过口播或者演讲视频的人都懂，最让人崩溃的往往不是记不住词，而是录到一半突然卡壳、结巴了一下。

按传统的剪辑办法，你把结巴那半秒剪掉，画面肯定会猛地跳一下，也就是让人出戏的「硬切」。要是不想留硬切，就只能重录一遍，或者找素材盖上去。

来自 Pipio AI 的 John Flynn、Wolfgang Paier、Dimitar Dinev，与 Sam Nhut Nguyen 等多位研究者发布了视频编辑框架 EditYourself，想要彻底改变这套后期流程。

像改 Word 文档一样改视频

EditYourself 做的事情说白了很简单：它让视频剪辑变得像修改文本文档一样直观。

只要在文字转录稿里删掉卡壳的字词，或者直接换上一句全新的台词，AI 就会自动根据新音频重新生成对应的口型与面部运动，并且无缝拼回原视频里。

在研究展示的例子里，奥巴马演讲时有多次犹豫和卡壳。传统手动剪辑去掉这些卡顿后画面跳动明显，而 EditYourself 去除卡壳后，人物动作和表情过渡非常自然，完全看不出拼接痕迹。

更厉害的是，它不仅能修剪掉「who who has...」这类结巴短句，还能直接往原视频里插入原本没说过的全新句子，或者删改整段内容，同时保持原主体的身份特征和光影连贯。

140 亿参数模型，拆成两趟跑

目前的视频生成模型大多擅长从头画一段新视频，但在已有视频上做局部微调时，人物容易变脸，背景也会晃动。EditYourself 是怎么稳住画面的？

它的底层基于 140 亿参数的 LTX-0.9.7 扩散变换器（DiT）以及配套的 Video-VAE，在 32×32×8 压缩率的潜空间里进行微调。视频生成采用两趟渲染机制，先在粗糙表征上完成初步去噪，再通过学习上采样进行高分辨率去噪。

为了保证口型严丝合缝，团队设计了两阶段训练方案和窗化音频调节策略。这套方案不用对音频特征做降采样，也不受视频原始帧率的限制。

面对长视频中容易出现的脸部变形和时序漂移问题，他们引入了名为「前后向 RoPE 条件调节」的参考身份机制，并结合 TeaCache 感知推理，让长片段里的角色外貌始终保持稳定。

为什么重要

对于内容创作者和视频制作团队来说，EditYourself 带来的最大改变是工作流的颠覆。过去的规则是「脚本必须完美才能开机」，现在变成了「先拍一遍，台词后面再改」。哪怕录制后发现某句话说错了、事实数据需要更新，或者需要为不同渠道定制不同版本，都不需要把演讲者重新请回影棚，敲几下键盘就能完成修正。

这一特性如果进一步接入大语言模型，完全有可能让 AI 智能体自主接管粗剪和去口水词的工作，把后期剪辑的枯燥环节大幅压缩。

不过，这种技术的门槛降低也伴随着显而易见的隐患。能够无缝替换台词、甚至凭空插入一整句话，意味着深度伪造的制作成本再次断崖式下跌。以前靠看口型跳变、听音频瑕疵来辨别真伪的经验正在迅速失效。我们认为，在商业剪辑软件迅速集成这项功能的同时，行业必须尽快在生成的每一帧里建立可靠的数字水印与溯源标准，否则假视频带来的信任危机只会比现在更棘手。