2026，AI视频「大年」将至｜对谈OiiOii创始人闹闹：亲历微信与字节后，如何抓住下一波机会？

摘要

• OiiOii仍处在成立约四个月、内测一个月、18—19名全职员工、零收入零利润的早期阶段，但产品押注已经高度集中。 团队正在进行、且即将完成Pre-A轮融资；Sora 2出现后暂停原有首尾帧链路，选择“老链路先不做了，全部切到Sora 2”；这是以更强成片表现力换取一致性风险的主动下注。
• 闹闹不认为未来的Sora 4、Sora 5会直接吞掉视频Agent，因为基础模型与垂直应用更像“菜场”和“餐馆”。 模型提供各具特色的原料，Agent则围绕特定人群沉淀知识库、镜头语言和调度策略；OiiOii约“百分之六七十的工作”都在调味道与火候，而非用户可见的界面功能。
• OiiOii选择的初始楔子不是重投流的漫剧，也不是需要海量用户和推理成本支撑的UGC社区，而是个人或小型自媒体、动画和科普工作室。 闹闹称，这类两三人团队原来约一周更新一集，使用OiiOii后理论上“一天可以更新十集”，精挑细选也能做到一天一至两集；真正可验证的价值首先是产能跃迁。
• 内测暴露出比原定市场更宽的需求，但团队准备按垂类逐个击破，而非一次服务所有人。 漫剧团队只下载高效生成的分镜再自行剪辑，非专业用户则用动画表达不愿出镜的精神状态，家长、情侣、宠物相关需求和成年子女还把它用于私人关系；策略是把每类优质视频结构做成知识库，“一个一个去攻”。
• Agent产品的一个核心难题，是自由度与可靠性的结构性冲突。 OiiOii两个月内重构四次：从自由但不听话的System Prompt多Agent，走到稳定却不可修改的Workflow，再尝试让Agent按信号跳出、修改、回流；目前仍会出现“退不出来”“又不动了”或跳出后忘记回去的问题。
• Sora 2改变了剪辑工具的价值分布：复杂剪辑可能先被模型替代，最简单的剪切、排序和TTS合成反而留下。 闹闹过去认为转场、特效等重剪辑难以取代，如今改判为模型已在视频学习中吸收这些手段；未来更可能是原来三小时的剪映工作压缩到三十分钟，而非剪映彻底消失。
• 闹闹对2026年的判断保持克制：质量、可编辑性和实时性大概率继续提升，但真正扩大受众的未必是最宏大的技术跃迁。 更强编辑能力可能把产品推向专业用户，实时互动也可能受限于被“上滑下滑”规训出的被动消费习惯；Sora 2仅把切镜做得更自然，就已证明“小改动反而会带来大的受众”。

精读

1. OiiOii还在零收入内测期，押注却已相当集中

• OiiOii的公司阶段仍非常早：成立约四个月，产品内测发布一个月，仍需邀请码；全职团队18—19人，正在进行且即将完成Pre-A轮融资，目前“没有收入，没有利润”。

• 产品的一句话定义是“用AI来做动画”。闹闹此前长期从事视频内容与创作工具：从腾讯QQ邮箱移动端，到极限运动内容创业，再到字节负责剪映及抖音、TikTok特效业务，之后还在B站负责动画。

• 已有使用场景超出团队预期。Koji用它为女儿制作圣诞歌曲MV，家长给孩子每日做短片，老师制作动画科普；闹闹承认，这些创作者“跟我们设想中的还挺不一样”。

2. 十余年的动画愿望，等到多模态模型才找到入口

• 闹闹从大学起就想做动画。离开腾讯后的半年里，闹闹学习角色设计和Maya，却因软件“太难用了”、行业薪资低且常靠“为爱发电”而退却；一家昏暗、没有空调的特效公司里，建模总监工作五年、工资一万元，眼中仍有光，成为闹闹印象深刻的样本。

• 真正的技术触发点出现在2022年DALL·E 2出现时。闹闹的第一反应不是图片，而是“这个可以做动画”，此后在B站了解行业、做“离谱”期间不断试探切入口。

3. 第一版靠首尾帧与模型路由解决单镜头稳定性

• 团队从7月规划、8月开发，最初沿用当时视频Agent常见的首尾帧路线：若成片有八个镜头，就生成九张图，再以相邻首尾帧生成八段视频并拼接，换取单镜头内更稳定的角色与画面。

• 第一版真正的差异在Task Agent。它根据分镜任务挑选模型：武打镜头调用更擅长动作的模型，情绪特写选择更细腻的模型；闹闹后来举例称，打斗镜头可能调用海螺，因为海螺在打斗上表现得比较好。

• 这条链路开发一个月后已达到不错效果，原计划继续加入TTS、背景音乐和音效。其核心假设是视频模型很难“大一统”：数据、标注和训练方向不同，最终输出各有特点。

4. Sora先让团队看到成片潜力，Sora 2再让团队停掉旧链路

• Sora出现后，闹闹在Twitter看到用Sora制作的动画，“完全看不出来任何AI的痕迹”。团队接入后，研发用它生成了小螃蟹和一颗小星星打篮球的完整短片，闹闹的第一反应是：“不会真的让我们做成了吧？”

• 闹闹认为Sora的突出能力是自然切镜，成片中会出现蒙太奇式镜头语言；Sora 2后来出现时，闹闹又感觉它在动画上应该训练了很多电影素材，二创结果中甚至能辨认出强烈的电影痕迹。

• 就参考图加文本的方式而言，文本权重很高，参考图并非首尾帧式的硬约束，因此一致性不够稳定。尽管如此，Sora 2出现后，团队仍从原本两条链路并行改为“老链路先不做了，全部切到Sora 2”。

5. 基础模型是菜场，Agent的价值在厨艺

• Koji追问：若Sora 4、Sora 5继续增强，OiiOii会不会被端到端模型吃掉？闹闹的回答是“不会”，因为模型很难统一，其关系更像大型菜场与餐馆——用户可以买菜自己做，也可以到垂直餐馆吃现成的。

• OiiOii若是一家川菜馆，就要从不同菜场挑选适合爱吃辣人群的原料。真正差异不在是否调用Sora 2，而在厨师对味道、火候和组合的控制；闹闹估计，团队“百分之六七十的工作”都在调这些不可见细节。

• 闹闹承认视频Agent之间存在竞争，却认为视频内容足够丰富：川菜、粤菜、湘菜、火锅各有工作流，市场可能更像共同做大一条“小吃街”，而非一家通用模型穷尽全部专业需求。

6. 知识库和“恰到好处的不连贯”构成隐形产品层

• 以二次元MV为例，相同Prompt和图片直接交给Sora 2，闹闹认为仍达不到OiiOii效果。团队收集优质二次元MV，让模型学习其内容，再形成知识库；用户写下“让他们几个跳一个K-pop，做一个MV”后，系统会扩写Prompt，搭配镜头语言和音效。

• 连贯性也不是越强越好。分镜完全衔接会使剧情“非常平”，削弱突然转折和起伏；团队有意保留一定断点，再不断调到戏剧张力与观看顺畅之间的合适位置。

• 场景一致性的实验显示了“用料过度”：加入场景参考图后，背景确实统一，却压制模型想象力，使人物与场景的贴合感像贴片。闹闹比喻：“用户说这家川菜馆不辣”，团队就使劲放辣椒，结果又太辣。

7. 团队主动避开漫剧与UGC，先抓小型自媒体

• OiiOii最初考虑过漫剧，但最终认为它还没有完全准备好：高度考验剧本，并非团队优势；商业上依赖投流；生产仍是成熟工作流中的效率优化，依赖人力，不符合团队希望减少人工依赖的方向。

• UGC内容社区也被暂时排除。闹闹判断，当前用户消费的信息密度已经很高，UGC内容的消费属性太短、信息量不足，难以支撑大型App；同时社区需要巨大用户量，投入成本与推理成本都高。

• 团队因此选择中间地带：个人或两三人的小型自媒体工作室，包括持续运营IP的动画作者、ACG MV创作者，以及原本讲历史、科普但因动画成本过高未使用动画的人。

• 闹闹援引调研称，这类小工作室通常一周更新一集；使用OiiOii后，“基本上一天可以更新十集”，若精挑细选，一天一至两集也没有问题。其首要价值是压缩生产周期。

8. 内测用户越过原设边界，私人表达成为意外增量

• 漫剧团队反而主动找来。他们并不要求OiiOii交付完整成片，只要分镜能对得上，便可下载全部分镜自行剪辑；当前产品未提供剧本上传等漫剧专用能力，仍已解决其中一段高耗时流程。

• 第二类意外用户完全没做过视频，也不爱出镜，却希望用动画呈现自己的状态。闹闹认为动画天然适合表达内心世界，这群人是C端用户，却不同于团队原来设想的职业创作者。

• 还有一类内容不是给大众消费，而是在关系中流通：家长给孩子、学生给老师、情侣彼此分享、给自己的宠物做视频自己看、成年人给父母做视频。这些私人表达成为内测后才显现的增量需求。

9. 垂类要逐个啃，Agent界面避免功能堆叠

• 面对多类用户，闹闹并不准备同步铺开。团队会借鉴抖音做垂类的思路：找到科普等领域的优质UP主，拆解动画视频结构，沉淀为知识库，再按优先级“一个一个去攻”。

• 闹闹认为Agent有机会绕开创作工具从简单走向臃肿的循环。PS、Sketch、Figma，或Premiere、Final Cut、剪映，本质都在GUI上持续堆功能；Agent可以把复杂能力藏在内部，让用户通过对话探索出“连我们都不知道”的用法。

10. 四次架构重构仍未解决自由与稳定的拉扯

• Koji指出Agent虽然灵活，却不如剪映或固定Workflow可控。OiiOii需要同时保证流水线稳定，又允许用户与流水线上的每个Agent自由对话，这使底层架构成为产品的主要难题。

• 团队两个月内重构四次。第一版用System Prompt定义Agent并让模型自行判断Workflow，自由度高却“不听话”；第二版改为严格Workflow，稳定了，却失去修改空间。

• 第三版让Agent收到信号后跳出Workflow，完成修改再回流；第四版进一步允许它在流程间跳转。方向更合理，但仍常出现“退不出来”“怎么又不动了”、忘记回流或根本没跳出等故障。

11. Sora 2拿掉重剪辑，轻剪辑反而更难消失

• 闹闹认为OiiOii带来的主要是增量，而非直接蚕食剪映。剪映不仅有通用轨道，还连接抖音模板与内容生态；OiiOii则交付特定MV、科普或动画内容，用户生成后通常仍会回到剪映完成后期。

• 闹闹对“Cursor for视频编辑”的判断因Sora 2而改变。过去，单镜头模型无法自然切镜，转场、动画和复杂特效仍必须由剪辑承担；现在这些手法可能已经被模型在训练视频时一并学会，“原来的判断里头，这一层被拿掉了”。

• 最难消失的反而是截掉末尾0.1秒、调整前后顺序、最后合成TTS等轻操作，因为拖一下比写一句话更直接。结果可能不是剪映消失，而是一次剪辑从三小时缩短到三十分钟，“两者叠加是最优解”。

12. 七个角色Agent只是前台，情绪语言才是成片关键

• OiiOii把创作过程设计成一支服务导演的团队：剧本Agent召唤角色设计Agent，如同邀请同事加入群聊。表面上看到约七个角色，底下还有不可见的助理Agent，形成双层协作、上下文与记忆关系。

• 闹闹认为产品经理与导演很接近：都要调度不同专业角色完成作品。Agent加入群聊既是有趣的角色体验，也是Workflow状态变化的可视化表达。

• 成片的“感觉”来自把情绪翻译成影视语言。用户只说“悲伤”“欢乐”“治愈”或“孤独”，系统便要把它展开为长走廊、灰白色调、构图与画面元素，“用一些理性的元素去表达感性的东西”。但这并不等于艺术家的神来之笔；闹闹承认，高级创作者仍能做出让她难以相信的作品，而产品目前的自由度还不够好。

13. 微信练“人性直觉”，字节练“数据策略”

• 腾讯经历给闹闹留下的是产品价值观。团队每天浸泡在大量用户反馈里，不只听用户说什么，还看真实行为；闹闹把用户体验称为一种长期强化训练出的直觉，“有点像大模型一样”。

• 微信体系的力量常藏在细节中。闹闹记得版本文案“我所说的都是错的”搭配迈克尔·杰克逊图片，也提到小游戏的神来之笔；张小龙式决策并非拒绝意见，而是在开放倾听后做更深的收敛。

• 初到字节时，闹闹抵触纯数据导向：把按钮做大可能提升指标，却未必改善体验。后来做特效投稿率才理解策略产品——依据浏览、收藏、点击转盘等真实行为，先把趋势推给最可能使用特效的人。

• 闹闹最终把两套体系概括为“一个右脑一个左脑”：微信擅长对用户和人性的理解，字节擅长数据科学、推荐与增长。共同点则是“把自己的优势发挥到极致”，而AI动画恰好同时需要艺术直觉与模型策略。

14. 好产品经理靠移情、自省和技术敏感

• 闹闹列出的第一项能力是移情：即使自己经验丰富，也要瞬间切换成完全小白。训练方法是“经常把自己从‘自己’里面抽身出来”，观察自己和用户，避免经验变成看不见需求的盲区。

• 第二项是“百分之五十的自信和百分之五十的自省”。只有自信容易走向自负，看到不足又不至于自卑；闹闹希望用自省加强自信，降低过强的自我感。

• 第三项是技术敏感。产品经理不一定会写代码，闹闹本人也不会，但必须理解技术能实现什么；在AI技术革命中，这比过去更加重要，仍是基本功。闹闹对视觉、听觉和物理规则的长期兴趣，恰好汇入多模态视听技术。

15. 冲突与安静是一体两面，创业靠长期愿力筛人

• 闹闹认为“冲突是做事的力量”，良性竞争像篮球对手，会激发潜力。字节多个团队争夺特效业务时，冲突中的共同战斗反而把对手变成队友，因为大家最终“以事为先”。

• 第一次创业时，闹闹第一个开掉的人是自己的好友。对方痛骂闹闹，之后又挖走团队一些人去做同样的事情；一年后，对方重新加回微信，说终于理解闹闹。闹闹由此相信，只要出发点不是害人，“时间最终会证明一切”。

• 年轻时的摇滚、极限运动和反叛是在外界寻找高度自由，后来闹闹发现那种用力的外放也会成为牢笼。如今的Peace并非没有力量，而是“细水长流”、更广阔的力量；闹与静在闹闹看来只是寻找自由的一体两面。

16. 2026未必靠大革新取胜，OiiOii先做“表达的容器”

• 对2026年，闹闹认为视频模型质量与可编辑性会继续提升，实时性也可能增强并带来互动，但不把这些等同于大众突破：编辑越自由，受众可能越专业；互动多一步，也会筛掉已习惯被动滑动的大量用户。

• 闹闹同时拒绝给趋势设限。Sora 2的核心变化看似只是切镜更自然，却显著提升了消费体验；因此真正扩张市场的，可能不是宏大革新，而是“在现有媒介基础上的一些小改动”。

• OiiOii未来或许会从工具延伸出更多可能，但闹闹不愿把它提前说成内容平台或“皮克斯”。首要目标仍是让每个想做动画的人真正做出一部动画；说得太死，会把仍可探索的方向固化成实体。

• 闹闹最后把自己与OiiOii都定义为“容器”：不是替别人表达，而是成为动画与创作者之间的通道。面对300万美元天使投资额度，闹闹仍选择投给自己——并非宣称自己最好，而是“我最熟悉的是这个人”。