ACTx486 互動媒體演示：看播客能隨時打斷提問，畫面主角當場回應

平時在手機上看長影片，體驗基本是單向的：遇到聽不懂的黑話，你只能按暫停去搜；想追問一句「這事跟我有什麼關係」，螢幕對面的人也不會理你。

研究者公佈了一個叫 ACTx486 的互動媒體研究演示。它的思路很簡單，但也足夠大膽：把一段現成的播客錄影，變成一個能聽懂你說話、能當場回應、還能隨時接回原片的新媒體。

隨時打斷，畫面裡的主角轉頭回答你

演示選了一期極其抓人眼球的現成播客，畫面裡坐著兩位大眾極熟悉的面孔，包括馬斯克和喬·羅根。測試觀眾坐在沙發上用手機看影片，中途隨時輕點螢幕就能插話。

比如問噴火器怎麼工作，畫面裡的嘉賓就會轉過頭來解釋，系統還會根據對話即時生成圖表；讓馬斯克把星艦拿出來拆開講，畫面裡就真的會加入一個能 3D 旋轉的模型，之後即便繼續提別的問題，模型也會老老實實留在原地。

你還可以要求他們切換語言，兩位主持人能各自用不同的語種回應，但音色和神態完全保留；甚至只要開啟前置攝像頭，系統就能把觀眾自己的畫面直接加到演播室現場。

更有意思的是連貫性。你的每一輪互動都會被保留，包括場景裡新增的衣服、道具和語言，直到這一段支線徹底結束，畫面才會絲滑地切回原本錄製好的正片，雙方視線、節奏和音效都儘量做到原汁原味。

效果驚豔，但現在還做不到即時

不過，要做到這一切，目前代價相當大。

團隊坦承，現在的 ACTx486 還是「真正的生成，而非即時生成」。系統背後需要完成資訊路由、即時查資料、撰寫回答並重新渲染整段影片，完整生成一次互動需要好幾分鐘。因此目前展示的所有 demo，其實都是提前預渲染好的成品。

團隊給出的理想延遲是 6 秒以內，但他們承認目前離這個目標還有相當距離，正在嘗試不同的工程架構。

另外，因為直接用了名人的肖像和聲音，團隊也設了嚴格的邊界：系統只能依據嘉賓本人的公開記錄來生成回答，嚴禁代他們表態個人或政治問題；影片上也有清晰的標記，在真實鏡頭和 AI 生成之間切換時會即時提醒。

為什麼重要

我們認為，ACTx486 這一步走得極聰明的地方，在於它放棄了「從空白對話方塊開始」的聊天迷思。

生成式 AI 固然什麼都能畫、什麼都能寫，但把決定權全甩給使用者，其實是種巨大的認知負擔。ACTx486 反其道而行，拿現成影片搭好敘事框架、節奏和語境，使用者只需要在感興趣的地方充當「微導演」，體驗遠比面對一個冷冰冰的輸入框輕鬆自然。

對內容行業來說，這可能是一條全新的中間路線。它既不是完全預錄的死影片，也不是毫無章法的純虛擬人直播，而是用現成素材做錨點，把原本一次性的視聽內容改造成了可探索的知識空間。

當然，隱患也同樣明顯。生成需要幾分鐘的現狀，意味著它眼下還無法變成大眾能隨意上手的日常工具；更重要的是，用知名人物的聲音和長相去說沒說過的話，哪怕有公開記錄作依據、哪怕標明瞭生成標籤，倫理和深度偽造的風險依然如影隨形。開發團隊選擇把 demo 公開來探討防護機制，也說明這道題他們自己還沒徹底解開。