TwelveLabs 推出视频副驾 Rodeo：用一句话帮剪辑师扒出关键镜头

做过视频剪辑的人大概都经历过这种折磨：硬盘里堆着几十甚至几百个小时的素材，为了找一个两秒钟的回眸或者一句特定语气的话，得把进度条来回拉上大半天。

专门做视频理解模型的 TwelveLabs，这次打算直接帮剪辑师把这个体力活省掉。他们正式推出了第一款面向终端创作者的应用层产品 Rodeo，定位是一个由 AI 驱动的创意副驾。

就像给剪辑台配了个把素材全看过的助理

说白了，Rodeo 让你不用再给素材一个个打标签、建分类文件夹。你直接用平时说话的口吻告诉它你需要什么画面，它就会翻遍整个素材库，把最合适的片段挑出来甚至拼好。

官方强调它和普通关键词搜帧不太一样。它不光能识别画面里有没有一辆红色的车，还能理解当下的情境和情绪，也就是不仅知道画面里有什么，还懂这个片段在整个故事里为什么重要。

对于纪录片导演、制片人或者商业剪辑师来说，这相当于身边坐了一个把你所有素材从头到尾仔细看了一遍的助手。按照 TwelveLabs 的说法，创作者几分钟内就能把粗剪素材搭出故事骨架。

以往这类 AI 智能体部署起来往往需要繁琐的 IT 环境配置。这次 TwelveLabs 借助 MCP 等成熟生态，把 Rodeo 做成了开箱即用的产品，创作者不需要任何技术对接就能直接上手。

背后撑腰的两款专用底座模型

TwelveLabs 之前一直是做模型和基础设施起家的，这次做应用端，底气主要来自自家的两款模型。

一个是 Marengo 3.0。官方把它形容为把视频当成动态系统来读的模型，能同时压缩并分析音频、文本、动作、画面以及整体节奏，让视频像文字一样可以被精准检索。

另一个是长视频理解模型 Pegasus 1.5。它支持最长达一小时的视频输入，结合视觉和声音信息来生成对视频的深度文字描述，而且在保持低延迟的同时控制住了成本。

这两套模型组合在一起，一个负责全局理解与跨模态对齐，一个负责长篇幅的深度提炼，才撑起了 Rodeo 实时查找与剪辑素材的能力。

为什么重要

对于剪辑师和内容创作者来说，Rodeo 的价值非常直接：它砍掉的是剪辑流程中最枯燥、最耗时的翻素材阶段。如果你手里常年压着数以百计的采访录像或活动记录，这种自然语言检索完全值得第一时间试试，它能把翻看素材的精力省下来做真正有创意的叙事判断。

从行业角度看，这是专用视频模型厂商的一次重要转身。以前像 TwelveLabs 这类公司大多躲在 API 背后卖算力和模型调用，客户主要是大企业或开发者；现在直接下场做工作流软件，看起来会直接切入 Adobe Premiere 或剪映这类剪辑生态的腹地，倒逼传统非编软件加快原生智能体的集成速度。

我们认为 TwelveLabs 这一步走得很聪明。单纯卖视频理解 API，很多没有工程团队的创作者根本用不上，而做成创作者拿手即用的副驾，才真正把自己的模型壁垒转化成了产品体验。不过隐患也在于，专业剪辑对裁切点、节奏感和叙事微调的要求极高，AI 挑出的片段究竟是真懂上下文还是碰巧蒙对，还要看它在复杂长故事里的实际成片率究竟有多高。