Hugging Face 推出 AI WebTV：用全套開源模型搭建全天候 AI 電視流

AI WebTV 是一個把開源多模態模型串聯起來、實現不間斷影片推流的實驗性技術演示專案。它的核心邏輯很直接：讓人類定一個基礎主題，由大語言模型擴寫成分鏡提示詞，再交給開源影片模型生成片段、平滑插幀並自動配樂，最後打包成影片流全天候推送到直播間。

自動化流水線怎麼跑起來

整個推流系統基於 Node.js 和 TypeScript 開發，各個生成模組主要託管在 Hugging Face 的 Spaces 上。

流程的第一步是劇本生成。人類輸入一個基礎概念，系統讓 ChatGPT 將其擴充套件成一串獨立影片鏡頭的提示詞，保證內容能持續生成且有變化。

影片生成的核心是開源模型 Zeroscope V2。系統採用了兩階段生成方案，第一階段用 zeroscope_v2_576 生成 576x320 解析度的基礎片段，第二階段用 zeroscope_v2_XL 進行二次放大，輸出 1024x576 的畫質。前後兩次呼叫必須使用完全相同的提示詞。

為了快速原型化，系統直接通過 npm 包 @gradio/client 遠端呼叫部署在 Space 上的 Gradio 介面，生成好的影片片段會自動拉取到本地儲存。

影片落地後進入後處理階段。為了消除畫面的卡頓感，系統引入了插幀演算法 FILM，讓畫面過渡更平滑。與此同時，系統呼叫開源音訊模型 MusicGen 生成背景音樂，並與畫面合成。

最後一步是推流播出。系統用 FFmpeg 把生成的多個 mp4 影片和 m4a 音訊組合成播放列表，以極低延遲的 FLV 格式，通過 RTMP 協議推送到 node-media-server 或 Twitch 直播入口。

效果與翻車現場

二次放大配合 FILM 插幀之後，影片畫質和流暢度有了肉眼可見的改善，但目前的開源影片模型仍有明顯的侷限。

方向理解錯誤十分常見。系統生成的畫面有時會出現倒放現象，提示詞裡設定的顏色也容易被模型直接忽略。

另一個有趣的問題是提示詞洩露。模型經常把提示詞裡的文字生硬地畫在畫面裡，比如提示詞帶有 llama 時，畫面裡不僅會出現羊駝，還會憑空浮現燃燒著的 llama 字母；提到 IMAX 或單反機型時，甚至會直接把相機本身畫在鏡頭正中。

針對這些問題，專案建議寫提示詞時要像鏡頭指令碼一樣精確，明確給出運鏡軌跡、主體朝向和運動速度；同時多鏡頭之間要儘量複用細節描述，避免畫面風格跳躍。

怎麼體驗與部署

如果你想看看實際播出的效果，可以直接訪問 Hugging Face 上的 AI WebTV Space，手機端也可以通過官方提供的 Twitch 映象流觀看。

如果你打算自己部署一套，建議把官方用到的 Zeroscope 和 MusicGen 等 Gradio Spaces 複製到自己的賬號下執行，因為公共 Space 很容易出現排隊擁堵甚至被暫停服務。

為什麼重要

AI WebTV 最值得看的地方，在於它證明了只用社群現有的開源元件，就能跑通一整套無人值守的端到端內容生成與播出流。對於想探索自動化短影片製作、互動直播間或生成式媒體實驗的開發者來說，這是一套非常實用的參考架構。

不過就目前而言，它依然是一次純粹的技術概念驗證。生成的片段時長短、缺乏嚴密的劇情編排，算力開銷也不小，距離真正具備觀賞性的虛擬電視臺還有很長一段路要走。