我让10款AI帮我剪了条Vlog,表现让我惊讶...

先看这张图。

奶油色的点阵纸，白边照片，手写字体，邮票邮戳一样不少。这是我越南旅行 vlog 里的一页。它不是我剪的，是 AI 剪的。

而且剪出这一页的 AI ，只是这场比赛的参赛选手之一。

事情要从头说起。

上个月，我去越南加云南玩了八天：昆明出发，河口过关，老街进越南，河内、岘港、会安，一路玩到腿软。两个人的八天，我用影石 Luna Ultra 拍下了 620 多个文件，整整 26GB 。

回来打开文件夹的那一刻，我人傻了：全部预览一遍都要花半天，剪完？下辈子吧。

但我转念一想：现在 AI 都这么强了，凭什么不让它们替我剪？

说干就干。我把市面上主流的 10 款大模型全喊来了：腾讯混元 Hy4 、 Kimi K2.8 、 MiniMax M3 、豆包 2.1 Turbo 、 Kimi K3 、豆包 2.1 Pro 、 DeepSeek V4.1 Flash 、 ChatGPT-6 、 GLM 5.3 Flash 、 GLM 5.3 。

规则很简单，也很残忍：

同一场旅行，同一份 26GB 素材，同一份提示词：明亮、清透、轻微偏暖，要松弛感，先高光预览再出标题，夏日手帐风。全部使用各家的官方 Agent 工具，让它们开始剪辑。

那说到 AI 剪辑，是不是有很多小伙伴觉得就是使用咱们日常使用的 Pr 、剪映这类工具呢？

那其实 AI 剪视频跟人不一样：它们是写脚本，批量自动分析素材、生成字幕和手帐卡片，再一段一段渲染出来。

10 条片子看完，有惊艳，也有惊吓。

最终成绩单先放这儿：

💀 第 10 名 腾讯混元 Hy4 　｜ 4 分

四个字评价：「交付事故」

说实话，它的前半段没我想象的差：满屏电影感，平均 3 秒一个镜头，会安的灯笼、岘港的海岸线都知道放大展示，选片眼光在线。

我一度以为它要逆袭。

然后，我瞥了一眼播放器。

画面，停在 4 分 27 秒。音频，一路跑到 6 分 23 秒。

也就是说：最后将近两分钟，全是黑屏，只有 BGM 在孤独地响。

还没完。我翻了翻它的输出文件夹，一个 0 字节的导出失败文件，就那么大咧咧地躺着。

它翻车了，但它自己压根不知道——因为导出之后，它没有检查。

剪得好不好是一回事，文件能不能完整播放，是另一回事。

交付都没完成，神仙选片也救不了你。 4 分，垫底。

· · ·

🎨 第 9 名 Kimi K2.8 　｜ 6 分

一个只管美、不管死活的艺术家

K2.8 的审美真没得黑：会安的黄墙、灯笼、夜市，被它做成一本英文旅行手帐。拍立得、胶带、撕纸边、小涂鸦全都有，还有英文注释，风格统一得像买来的。

但它有三个毛病，个个致命：

一，转场全靠闪白。动不动冒出一帧接近全白的画面——不像翻手帐，像屏幕坏了。

二，节奏慢到离谱。镜头时长中位数 11 秒，最长一段接近 40 秒。我要的是松弛感，不是 PPT 轮播。

三，最离谱的：我的行程有 8 天，它剪到第 7 天，直接剧终。最后一天呢？被它吃了。

风格成立，执行粗糙。 6 分。

· · ·

🤫 第 8 名 MiniMax M3 　｜ 6.2 分

闷声干活的老实人，声音也是真的闷

M3 走极简路线：不搞花哨排版，只留高光预览、标题、日期卡、结尾卡。

真实是真的，偷懒也是真的——大量素材没有重新设计，竖屏照片直接怼进 16:9 画布，两边黑边宽得能再放一部电影。

最要命的是声音：综合响度只有-26.9 LUFS ，全场最轻，跟最响的差了约 15dB 。看它的片子，我的手指就没离开过音量键。

结尾还特别仓促：先黑屏近 8 秒，最后一句「把夏天装进手帐里」只停留 2 秒——话都没说完就散场了。

6.2 分，可惜了这份克制。

· · ·

🎬 第 7 名 豆包 2.1 Turbo 　｜ 6.5 分

把力气全用错了地方的卷王

全场最卷，也最偏题。

青橙调、暗角、胶片颗粒，胶片感确实给你拉满了。可我的提示词白纸黑字写着：明亮、清透、轻微偏暖。

它交上来的，是一部偏暗偏冷的公路电影。

开场顺序也是反的：要求先预览再出标题，它上来就把标题怼你脸上。竖屏素材做了模糊背景填充，但两边有明显的涂抹感；响度-24.7 LUFS ，也偏轻。

但你真不能说它没本事， 72 个镜头，全部列成剪辑清单，一条不落；最后一天没素材，它还知道拿机舱照片和第一天的车站做首尾呼应。

能力有，方向偏。 6.5 分。

· · ·

✍️ 第 6 名 Kimi K3 　｜ 7.8 分

文案封神，败给一个方块字

K3 的开场，是十款里最惊艳的：会安灯笼街、龙桥喷火、火车街，连续三个高光镜头甩完，标题卡压上来——「两个人的八天」，路线、纸飞机、邮戳、胶带，安排得明明白白。

更绝的是文案：

「离开岘港那天下雨了。」「夜市里的手作摊。」「有人在天上飞。」

这不像 AI 在介绍景点，这像一个刚旅行回来的朋友，在照片背后随手写的话。

我差点就宣布它提前毕业了。

直到我在第七天的路线图正中间，看到一个方框乱码。它想放个小飞机图标，字体不支持。就这一个方块，卡在片子最中间，想忽略都难。

离「可以直接发」就差最后一道质检，它没做。

7.8 分，一个方块字引发的败笔。

· · ·

🛡️ 第 5 名 豆包 2.1 Pro 　｜ 8 分

六边形战士，但没有记忆点

先说清楚： Pro 的能力明显强于 Turbo 。该有的全有：开场预览、标题卡、日期卡、结尾卡；画面明亮，风格清新。

竖屏素材的处理甚至称得上聪明：不硬裁横屏，而是做成一张足够大的拍立得纸卡，放在柔和的虚化背景上——构图保住了，黑边也消失了。

它还把 Live Photo 里的动态内容提取出来，自己生成了三段原创配乐。

但看完整个片子，我愣了三秒：**有哪个画面，是我能记住的？**一幕都没有。

每一项都合格，每一项都差一口气——完成度很高，个性约等于无，一份标准答案。

对了，别再说豆包模型不行了：它只是稳得让你挑不出毛病，也夸不出花。

8 分。

· · ·

🎵 第 4 名 DeepSeek V4.1 Flash 　｜ 8.3 分

选片鬼才，兼职程序员

DeepSeek 的选片，是这次最让我服的之一：铁路隧道里的剪影、暮色下的海边、深夜的教堂——每个镜头都精准踩在光线和构图最好的那一秒。

全片约 80 个镜头，平均 3.7 秒一个，快而不乱，全场看起来最爽快。

更离谱的是，它连 BGM 都是自己用代码合成的：木吉他、贝斯、沙锤，零外部采样，再把街市、海浪、火车的现场声混进去。响度-11.6 LUFS ，全场最响。

最后一天没素材，它没有拿别的日期糊弄，而是画了一张返程动车票——老街、河口、昆明南， C560 。

就这一张票：克制、聪明，还有点浪漫。

扣分项：手帐元素用得太少，很多细节要按暂停才看得见。

8.3 分。

· · ·

📖 第 3 名 ChatGPT-6 　｜ 8.6 分

它把整本手帐「盘活」了

先交代： GPT-6 开的是弱思考档， Astra 的 Ultra 额度，实在烧不起。

即便如此，它依然是全场最懂素材结构的一个。这批照片里混着不少 Live Photo ，很多模型把它们当普通照片， GPT-6 把 12 张动态图全部提取出来，再加上 14 段视频。

接近 5 分钟的成片里，有 3 分 07 秒是真正在动的画面。

海浪在拍，锦鲤在游，街上的人和车一直在走。别的模型是让照片缓缓放大、假装在动；它是直接把整本手帐做活了。标题页也不是干巴巴的淡入，而是像翻开一本笔记本。

最后一天没素材，它做了一页「返程」，用时间轴标出老街、河口、昆明。

最离谱的是版权意识：音乐署名文案全给准备好了，直接复制进发布简介就能发。这觉悟，很多人类博主都没有。

扣分：声音偏轻，个别转场闪白。

8.6 分。

· · ·

📏 第 2 名 GLM 5.3 Flash 　｜ 8.8 分

如果只看「听话程度」，它是第一

GLM 5.3 Flash 对提示词的执行，精确得像用尺子量过：画面明亮、清透、偏暖，一个字都没跑偏。

开篇预览结束，一张贴在纸面上的日本桥拍立得标题卡；每天一张日期卡，日期、星期、地点、天气全齐。

最绝的是旁边那条行程进度线，旅行走到哪一天，线路就亮到哪一天。

但它真正的杀手锏是声音：火车街那段，火车贴脸开过来的瞬间，背景音乐自动降到三成，让真实的火车呼啸当主角，现场声完整保留。从头到尾，用户不用碰一下音量键。

输在哪？版式太乖。全片基本都是单张拍立得，稳是稳，少了那种让人忍不住暂停截图的「哇」。

8.8 分，以微小差距屈居第二。

· · ·

🏆 第 1 名 GLM 5.3 　｜ 9.1 分

它剪的不是 vlog ，是一本杂志

看它第一眼，我就知道这次冠军没了悬念。

它不像一条 vlog ，更像一本排版、印刷、装订完成的旅行杂志：奶油色点阵纸、白边照片、鼠尾草绿和珊瑚橘的胶带、邮票、邮戳、手写字体——所有元素都属于同一套视觉语言。

有的页面单张照片，有的两张错落拼贴；位置、倾斜角度、留白，全都设计过。每天的卡片，连星期、天气、温度都标了出来。

缺点也很直白：全片只用了约 30 张照片、 7 段视频，素材利用率全场倒数；个别竖排文字离边缘太近，差点被裁掉。

但综合视觉、声音、叙事、完成度来看——它就是最接近「专业作品」的那一条。 9.1 分，实至名归。

· · ·

💰 但是 冠军的账单　比你想象中烧钱

封神的代价，是钱包先阵亡

GLM 5.3 不具备视觉能力，分析素材时视觉接口频繁报错。它想了个狠招：自己写了个本地识别脚本。

聪明是真聪明，烧也是真烧——

这条 9.1 分的片子，烧掉了整整两个 5 小时额度。

对比一下：第二名 GLM 5.3 Flash ，只用了一个额度的 20%； GPT-6 弱思考，用了 50%。

所以这份榜单还有个隐藏款：性价比之王， GLM 5.3 Flash 。

· · ·

写在最后： 10 条片子看完，三点暴论

第一，模型们已经会「看懂」素材了。 GPT-6 知道 Live Photo 里藏着会动的画面；所有模型都发现我给的行程单和实际景点对不上——并且都自己纠正了。

第二，缺素材的时候，才见真功夫。最后一天没有拍摄素材：有的一剪到第 7 天直接跑路，有的拿机舱照片首尾呼应，有的画了张动车票，有的做了整页返程。没素材可用的时候，才是 AI 能力真正分层的地方。

第三，交完作业会不会回头检查，是分水岭。混元 4 那个 0 字节文件，就静静躺在文件夹里。当然，这些未必全是模型的锅， Agent 工具（ Harness ）也得背一半。

回到最初的问题： AI 现在能独立剪 vlog 吗？

实测答案：能。前几名已经做到「不用大改，直接能发」。

但 AI 剪辑真正的差距，早就不是会不会切镜头了——是审美统不统一，是素材有没有被真正读懂，

以及，它能不能意识到自己哪里没做好。

最后这三条，恰好也是人做内容最贵的东西。