剪辑视频像改文档：被 OpenAI 押注的 Descript，把 AI 放在副驾驶座上

每月发 8 期以上播客，每期开场白由 AI 起草，单次成本大约 10 美分。Cognitive Revolution 主持人 Nathan Labenz 的做法，是把 30 期往期开场白和当集完整转写稿一起喂给 Claude 3.5 Sonnet，让模型模仿他的节奏写一段新开场。他自己的评价：「它挺懂我的。」没有这 30 个例子，模型也能写出合格的摘要，却抓不住他标志性的东西：固定的开场句式、固定的收尾套路，还有那种热情与担忧各占一边的「两头下注」语气。

这条工作流的最后一站，就是这期节目的主角 Descript。2024 年 8 月，Nathan 请来了 Descript CEO Andrew Mason。Mason 的来头不小：Groupon 联合创始人，2013 年离开后二次创业，Descript 在 2022 年拿到 OpenAI 创业基金领投的 5000 万美元融资，估值约 5.55 亿美元。Nathan 说，Cognitive Revolution 是 Descript 多年老用户，制作流程离不开它。

这场对话一半像产品深访，一半像客户反馈会。聊到中途 Mason 自己笑了：「这是我参加过最怪的播客，我感觉我们在开客户电话会。」怪归怪，信息量实打实。

把时间线扔掉，换成一份文档

Descript 的起点是 8 年前的一个观察。Mason 发现，音视频内容正变得跟文字内容一样基础，分发平台越来越成熟，创作难度却原地踏步。同一时期，语音转写质量开始过关，他看到了重做编辑器的机会。

传统剪辑软件长什么样？一条时间线。Mason 的评价很直接：学习曲线陡，而且「慢得没有下限」。Descript 的做法是把音视频变成一份文档，你改文字，音视频跟着变。文档是唯一一个所有人不用学就会用的工具，整个产品就支在这一个点上。他想跑完的旅程是：创作从只属于创意专业人士，到属于全职创作者，再到属于每一个知识工作者。

张开嘴说话是世界上最容易的事，难的是说得好看、听起来好听。这正是 AI 能帮上忙的地方。

Underlord：AI 当副手，人掌舵

Descript 把旗下 AI 功能打包成一个套件，取名 Underlord。Overlord 是主宰，Underlord 反着来。Nathan 夸这是「神来之笔」的品牌：名字本身就在告诉用户，AI 当副手，方向盘在人手里。

功能清单上有几样，被 Nathan 称为「一次投票就能进名人堂」的级别：

• 删除停顿和口头禅，一键清掉所有「呃」「嗯」和冷场。
• 删除重录：AI 识别出你把同一句话说了五遍，只保留最后一遍，其余剪干净。
• Studio Sound：把电脑自带麦克风的录音修成录音棚音质。Mason 强调这不止是降噪。很多播客嘉宾在回声很大的房间里录音，自己听不出问题，更不知道怎么修，这个功能替他们补上了那双专业耳朵。
• 眼神接触：你盯着屏幕上的文档读稿，成片里看起来像直视镜头。Mason 的原话是「瘆人，但真的好用」。Nathan 顺嘴承认，这期节目的开场画面就是这么录的。

Mason 自己最爱的是个不太显眼的工作流：先写脚本，边写边排版面、配占位画面，用 AI 语音生成一版草稿，最后再用自己的声音整段覆盖。Descript 会自动转写新录的音频，把此前的视觉排版原样接上。前期、制作、后期这三道传统工序之间的墙，被拆掉了。

还有一项独门绝技，官方叫 Overdub，也叫 Regenerator：选中你已经说出口的某个词，直接改成别的词，AI 生成新语音，并把音色、韵律跟前后文缝在一起，听不出接缝。Mason 说，这个能力目前没有第二家做出来。

一场像客户电话会的访谈

Nathan 的制作团队叫 AI Podcasting，两个人，Adi 和 Sai，合作 6 个月，每月产出 8 期以上节目。AI 给每集生成 6 到 8 条短视频切片，Nathan 挑一两条发出去。他们还给每个客户微调专用模型，让剪辑风格贴合客户偏好。做切片时要在 60 秒内塞进各平台门槛，剪辑颗粒度细到一秒一秒地抠。Nathan 的一条经验：观众认识主持人的脸，未必认识嘉宾，但嘉宾才是真正的主角，所以把主持人的提问压到最短，前几秒就让嘉宾出场。

他们的愿望清单上有一条：Descript 开放 API，把自建的剪辑模型接进去，批量执行删除，再回到 Descript 界面里人工微调。用 FFmpeg 之类的命令行工具批量改他们也试过，痛点在收尾：改完不满意，回头再改非常痛苦。

Mason 的回答：暂时没有 API，但「我们不反对，这是优先级问题」。他给了个替代方案，在 Descript 内部做扩展和预设，让用户接入不同模型、存下自己的提示词。他还当场表态，想跟这两位制作人聊聊，一起头脑风暴。

自研还是集成？Mason 的态度很坦率：「我们对自研没有宗教情节，说实话，能不建就不建。」Studio Sound 这类模型存在，只因为客户需要而市面上没有。外部一旦出现更好的，比如 Nathan 提到的 ElevenLabs 音频修复模型，Descript 愿意直接接进来。但 Overdub 这种独有能力，他们不对外开 API。

用户构成也在这段聊清楚了：播客主、视频创作者、做讲解和教程的教育内容作者，企业里的市场团队和内部培训。Descript 内置屏幕录制，既能像 Loom 那样发快速视频消息，也能录带解说的屏幕教程。创作者的痛点排前列的是变现和涨粉，Mason 说这暂时在 Descript 的舒适区外；再往后是选题枯竭。他心里的三个桶：选题、更快地生产、受众和变现。

OpenAI 的钱，和贵十倍的产品

OpenAI 为什么投 Descript？Mason 转述了 Sam Altman 的逻辑：生成式 AI 在音频、视觉、文本三个方向同时爆发，Descript 正好卡在三者交叉点上。Altman 还有一个判断：就算模型一路变强，那种保留「人类操作位」的工具也不会很快消失，人总得有个地方跟「外星人」搭档练手艺。

关系的实质比较朴素：标准的早期投资人待遇，加上跟前沿研究者对话的机会，加上一些功能的早期访问权。Nathan 追问有没有跟 OpenAI 做定制模型，Mason 给了一个「出于无知的无可奉告」，他甚至不确定对方研究团队眼下在做什么。

Nathan 举了个参照物：OpenAI 有团队成员聊过与法律科技公司 Harvey 的合作，声称通过对法律数据继续预训练，专用模型对原版 GPT-4 的偏好率达到 97%。他的推测是，Descript 若拿海量高强度剪辑过的内容做类似的事，体验会有质的飞跃。Mason 没接这个球，但承认了另一件事：Descript 的大部分 AI 功能，如今已转向微调模型。

Nathan 有个固定问题：不管推理成本，把性能推到极限，一个贵 10 倍的产品长什么样？Mason 的答案指向生成式视频。他给了一个框架：大多数视频的绝大部分画面是「橱窗装饰」，真正的信息只出现在少数几帧里。就拿这期播客来说，画面就是两张人头，作用是拴住注意力，对内容几乎没有增量。生成式视频最有潜力解决的，正是这个装饰问题。合成数字头像是目前最显眼的尝试，但他认为那只是最显而易见的一种，动画和其他生成形式的空间更大。

那 Descript 为什么还没集成 Runway？Mason 算了笔账：每分钟视频大约 10 美元，这个价格对他们的客户基本不可用。他补了一层观察：Midjourney 这类工具好用，靠的是反复来回试错，零样本一次出片的东西很难伺候。

多模态是另一条确定的路线。现在的 Underlord 只能读文稿，靠猜来推断屏幕上发生了什么；等它能真正看画面、听语调，编辑助手的判断会准得多，能模仿的风格也多得多。按单个用户微调？Mason 说在雷达上，细节暂时不能讲。Nathan 抛了个更远的场景：让 GPT-4o 语音模式实时当副驾驶，后台提醒他「该问个好问题了」。Mason 的回应：内部聊过，听起来很酷，暂时不能多说。

数字人：一次公开认错

聊到 HeyGen 和 Synthesia 这类数字人公司，Mason 做了创业者很少在播客里做的事：承认自己看走眼了。

有几家靠超写实数字人做成了相当大的公司，我完全错过了。我当初看到的感觉是，这是反乌托邦。

他的理由：就算数字人爬出恐怖谷，价值也全在创作者那侧，帮创作者规模化产出；观众那一侧没有得到任何东西。真正值得期待的地方，是用这套技术做出以前不存在的内容形式，复刻旧形式不算数。

Nathan 刚跟 HeyGen 联合创始人 Joshua 做过一期节目，用自家数字人生成了开场白；那期还出了个事故，嘉宾的视频文件损坏，整期节目干脆用嘉宾的数字人重录了一遍。他的体感是「恐怖谷晚期」：开头两三分钟还能接受，长节目不行。他补了一个更根本的判断：AI 生成播客让他失望的地方从来都跟音质和形象无关，真正的短板是内容里没有信息增量。想法的质量，比呈现形式重要得多。

两人倒是都认了一个近期的杀手级用例：翻译。把整期节目翻成西班牙语，哪怕画面稍微有点怪，内容是真的，就能打开一整片新市场。

招 AI 工程师，和明天就能用的清单

对话后半段落到一个实操问题上：AI 工程师怎么招，跟传统软件工程师差在哪？Mason 把人分成两类：调 LLM 的，和造模型的，比如 Studio Sound 和 Overdub 背后那批。造模型颠覆了一条产品常识。过去做产品，需求定好、设计画好，工程约束是已知的；AI 模型的约束会漂移。一个能瞬间训练的语音模型、一个要训 15 分钟的、一个要训一整天的，对应的产品形态完全不同。Descript 真踩过坑：开发后期冒出一个质量高得多的新模型，训练时间从 15 分钟变成 3 小时，取舍一变，产品性质跟着变。

第二条经验：AI 研究本质上下注，有的注会赢，有的直接走进死胡同，只能换思路从头再来。团队预算和心态，都要按「死路是常态」来安排。Nathan 的总结跟他对上了口供：先做最难的部分，提前去风险，因为你不知道什么会成。

Mason 顺带说了 Descript 的内部价值观：保持清醒，小心别信了自己讲的神话。「做科技公司太容易被裹挟进去，我们不想那样，人生苦短。」

这场对话里，明天就能用的东西不少：

• 做音视频内容，把 Descript 的停顿删除、口头禅删除、Studio Sound 排进工作流，学习成本接近零，省下的时间以小时计。
• 想让 AI 模仿你的文风，学 Nathan：攒 20 到 30 篇自己的旧作当例子，连同原始材料一起喂给模型。没有这些例子，模型能总结，抓不住你的节奏。单次成本在一毛美元的量级。
• 剪访谈切片，记住那条启发式：主持人问题压到最短，让嘉宾在前几秒出场。
• 给公司选 AI 工具，用 Mason 的检验标准：别看演示多惊艳，看它能不能嵌进组织流程被持续使用。很多工具只擅长一件事，一进组织就失灵。
• 自己做 AI 产品，把 Mason 的两条教训贴在墙上：约束会漂移，死路是常态。先做难的部分。

小企业主那边，两人共同点名的机会是线上门面：做出一个八十分位水准的官网和宣传视频，成本已经被 AI 打到很低，大部分小店还没动。再往前一步，是能接电话、约时间的语音代理。窗口开着，就看谁先走进去。