夜雨聆风
整理｜ 高育格 审核｜岳鸿支持｜东西文娱全球组
4月初，Netflix在Hugging Face上发布了其首个开源AI模型——VOID（全称Video Object and Interaction Deletion，视频物件与互动删除），以Apache 2.0许可证发布，意味着任何人都可以免费使用，甚至用于商业用途。
正如Ben Affleck在其创立的InterPositive被Netflix收购时所说，这“不是关于文字提示或从无到有地生成什么”，而是基于已拍摄的素材，让电影人拥有更多后期控制力。VOID延续的正是同一逻辑，或将改写后期制作的经济模型。
在内部盲测中，一项涵盖25名参与者、横跨多种场景的调查显示，VOID以64.8%的偏好率胜出，遥遥领先于排名第二的Runway（仅18.4%）。这标志着Netflix正式在AI视频赛道上亮牌。
VOID是什么？
传统视频后期有一个公开的秘密：从画面中移除一个物体很容易，但让整个场景看起来好像那个东西从来就不存在——这件事难到令人发指。把一个抱着吉他的人移走，你会得到一把悬浮在半空中、违背重力的吉他。好莱坞视效团队为修复这类问题，往往要花上好几周。
VOID要解决的正是这个痛点。与现有视频修补工具仅修正阴影和反射等视觉伪影不同，VOID能理解物理因果关系——如果你移除一个抱着物件的人，那个物件会在输出视频中自然落地。
这种“理解物理”的能力，源于VOID的核心创新——Quadmask（四值掩码）系统。它摒弃了传统的“移除/保留”二元掩码，改用一个四层级掩码，将画面区域划分为移除区、过渡区、受影响区和保留区。
通俗地说，Quadmask不仅告诉AI“擦什么”，还告诉它“擦完之后，剩下的东西该怎么动”——为扩散模型提供了模拟物理因果关系所需的深层情境意识。
此外，VOID采用两阶段推理流程来解决视频扩散模型的一个已知弱点——物体变形伪影。第一阶段可处理大多数视频；第二阶段专门利用第一阶段输出的光流翘曲潜变量作为初始化，进行二次扩散运算来修复残留瑕疵。
论文展示了几个令人印象深刻的案例。在两车对撞的视频中，VOID可以移除其中一辆车，生成剩余车辆继续沿公路行驶的画面，碰撞后的碎片、烟雾和火焰全部被替换为干净的路面；移除一个跳入泳池的人后，输出的视频里泳池水面波澜不惊。气球在持有者被移除后会自然上升，积木在不相关积木被移除后仍保持稳定。通常情况下，人的触碰一旦消失，物体就会发生变形，而VOID正是为解决这一问题而生。
理解VOID的价值，需要先了解一个成本现实：一场戏拍完后发现画面里有不该出现的物件——穿帮、道具失误、临时改剧情——传统方案要么是昂贵的重拍，要么是耗时数周的手工VFX修复。VOID提供了第三条路：在后期直接移除物体，并让AI自动重建符合物理规律的场景。对中等预算项目而言，这意味着数周的VFX工时和六位数的重拍成本可以被大幅压缩。
VOID的底层视频扩散模型构建于阿里巴巴PAI出品的CogVideoX-Fun-V1.5-5b-InP之上，这是一个50亿参数的3D Transformer视频生成模型；Google的Gemini负责分析场景以识别受删除操作影响的区域；Meta的SAM2负责分割要移除的物体。训练采用来自Adobe Research的HUMOTO（人-物体交互）数据集和Google Kubric的合成反事实数据，在8块A100 80GB GPU上使用DeepSpeed ZeRO Stage 2完成。
该项目由Netflix和保加利亚索菲亚大学INSAIT的研究人员联合发布。值得注意的是，VOID以Apache 2.0许可证在Hugging Face上托管，可用于商业用途，但运行模型需要40GB以上显存的GPU。
这意味着它暂时还不是一个“人人可用”的消费级工具，但对于专业影视制作机构和独立VFX工作室而言，获取好莱坞级别后期能力的门槛已经大幅降低——这一模式类似于2022年Stable Diffusion对图像编辑领域的成本颠覆。对制作公司、广告机构和企业视频领域来说，后期制作的经济模型正在被改写。
VOID为何开源？
参与定义未来影视产业AI工具的技术标准
一个值得深思的问题是：Netflix为什么选择以Apache 2.0许可对全世界开放？这一策略与Netflix近期对InterPositive采取的完全收购形成鲜明对比。
开源VOID，更像是Netflix仿效Meta等科技巨头的战略——通过释出强大的基础研究工具，在学术和开发者社群中建立声誉和影响力，实质上参与定义未来影视产业AI工具的技术标准。
VOID作为一篇学术论文和开源项目的对象（值得注意的是，该论文尚未经过同行评审，目前仍是预印本），使其天然成为行业讨论和技术迭代的基准点。
Netflix目前尚未宣布将该模型整合到现有产品或制作流程中的计划。此前InterPositive的电影人专属工具、Eyeline的虚拟制作流水线——则被Netflix牢牢握在自己手中。
这套“开源基础研究、锁死核心工具”的双轨策略，折射出Netflix对AI工具生态的深思熟虑：用VOID争夺行业标准话语权，用InterPositive和Eyeline构建不可替代的竞争壁垒。
Netflix首席产品和技术官Elizabeth Stone在宣布收购InterPositive时说得直白：“InterPositive团队加入Netflix，是因为我们共同相信创新应该赋能故事讲述者，而不是取代他们。”
回望Netflix的AI应用轨迹，从一个帮你挑DVD的Cinematch算法，到一款可以重写视频物理定律的开源模型，这条线勾勒出的不仅是一家流媒体公司的技术进化，更是整个好莱坞权力格局重构的缩影。
对影视公司而言，VOID意味着更少的重拍成本、更快的制作周期和更大的创作灵活性。对好莱坞之外的创作者而言，高质量视觉叙事的门槛将大幅降低。
流媒体AI竞赛加速，奈飞的AI布局节奏
多年来，机器学习和人工智能一直在为Netflix的内容推荐以及制作和推广技术提供支持。
Netflix的生成式AI应用在2025年迎来里程碑。阿根廷科幻剧集《永恒者》（El Eternauta）是第一部将AI生成的"最终像素"画面整合到高预算制作中的重大作品。利用一系列自研和第三方AI工具，制作团队实现了复杂视觉特效生产时间的十倍缩减。（相关阅读：市值上5000亿美元后，Netflix“大方”公开原创剧用生成式AI，制作提速10倍）
Netflix联席CEO Ted Sarandos在2025年第二季度财报电话会议上提及该项目，称其为首个使用生成式AI的Netflix全球作品。不过值得注意的是，专业VFX社区对此存在争议，部分从业者批评其绕过了传统质控环节，质疑最终输出的质量标准。
2025年10月，Netflix将旗下Scanline VFX和Eyeline Studios统一为Eyeline品牌，下设三个核心部门——Visual Effects（视觉特效）、Studios（虚拟制作）和Labs（前沿研究）。
其中Eyeline Labs致力于推动生成式AI视频的极限，已产出一系列前沿成果，包括CVPR 2025口头报告论文“Go-with-the-Flow”（运动可控视频扩散模型）和用于面部重新打光的DifFRelight框架。正如Eyeline CEO Jeffrey Shapiro所说：“将Scanline VFX和Eyeline Studios合并在一个品牌之下，使得我们能够开创新工具、促进创意协作、引领未来电影制作方向。”
今年3月，Netflix买下了Ben Affleck创立的AI电影制作工具初创公司InterPositive。据报道，知名导演David Fincher已经在一部Brad Pitt主演的即将上映的项目中使用了InterPositive的工具——该片几乎可以确认就是Netflix签约发行的《The Adventures of Cliff Booth》，由Fincher执导，Pitt重新扮演《好莱坞往事》中的Cliff Booth，已于2026年1月15日杀青。
随着流媒体竞争的加剧，各大公司都在加大技术投入，以控制成本、支持全球增长并实现服务差异化。Netflix大力发展人工智能相关应用和本地化工具，正契合了这一背景，并将技术与其核心内容引擎更紧密地结合起来。
随着时间的推移，关键问题在于这些能力将如何影响Netflix的成本结构、内容发布节奏以及为全球观众提供个性化体验的能力。
对Netflix而言，此前收购AI制作公司和InterPositive，似乎是为了将更多内容制作环节收归己有，并将其与AI驱动的工具直接连接起来。这一点至关重要，因为Netflix已经在字幕、推荐和广告创意方面依赖AI，而这些收购将这种逻辑扩展到剧本开发、后期制作、视觉特效等领域。
理论上，对这些工具更严格的控制可以使Netflix在不同地区拥有更一致的工作流程，加快剧集和电影的制作周期，并更好地将资源用于直播活动、体育赛事和特许经营等项目上。
