CogVideoX ist die Open-Source-Fassung des Modells hinter QingYing. Fünf Checkpoints reichen von 720 mal 480 bis 1360 mal 768, der Speicherbedarf fällt mit INT8 von 18GB auf 3.6GB, und die 2B-Gewichte teilen die Apache-2.0-Lizenz des Codes.

Opus Clip transkribiert ein langes Video, wählt die lohnenden Stellen, rahmt sie hochkant neu und untertitelt sie, dann plant es die Serie plattformübergreifend ein. ClipAnything und ReframeAnything sind eigene Modelle, jeder Clip bekommt einen Score.

Die Desktop-Fassung von CapCut stellt Ein-Klick-KI neben Handwerkzeuge: Freistellung, Farbkorrektur, Bildreparatur, Zwischenbilder und Beauty stehen neben vier Maskenarten, Keyframes und Multicam. Neue Hardware wird mit 4:2:2 und RTX 50 beschleunigt.

Ein Porträt und ein Skript sind die ganze Eingabe: kein Scan, kein Motion-Capture, niemand am Set. Dasselbe Gesicht hält dann über mehr als 120 Sprachen, und eine zweite Produktlinie macht daraus etwas, das live antwortet.

Teuer an einem Einführungs- oder Compliance-Video ist selten der Dreh. Teuer ist, den Sprecher erneut zu finden, sechs Sprachfassungen zu liefern und an der Rechtsabteilung vorbeizukommen — genau diese Schleife zielt ein Studio im Browser mit 240 Avataren an.

Fünfzehn Sekunden Webcam-Material genügen für eine präsentierende Figur, die einen Kulissenwechsel, einen Kleidungswechsel und einen Sprachwechsel übersteht. Das leistet kein besseres Gesicht, sondern ein Identitätssignal, das über Frames hinweg gehoben und getrennt vom Aussehen gehalten wird.

Zwei Experten mit je rund 14B ergeben 27B, pro Schritt feuert aber nur einer, weshalb die Kosten nahe an einem Einzelexperten bleiben. Eine eigene 5B-Linie hält 720P bei 24fps in einer einzigen Verbraucherkarte, und den Platz dafür schafft die Kompression im VAE.

Effekte, Atmosphäre und gesprochene Zeilen entstehen in einem Durchgang statt hinterher aufgelegt zu werden, und der Clip kommt in 1080p oder 4K mit editierbarem Bildausschnitt, Bewegung und sogar Objekten im Bild. Eine Studioebene legt Werkzeuge und ein tägliches Guthaben darüber.

Eine Generierung liefert jetzt eine Viertelminute in voller Auflösung, mit mehreren Einstellungen und eigenem Dialog, Effekten und Atmosphäre, und das Bildformat steht vor dem Rendern fest statt danach beschnitten zu werden. Eine zweite Linie treibt denselben Motor in Welten, die weiter auf Eingaben antworten.

Dialog, Off-Sprecher, Effekte und Musik verlassen den Export zusammen mit dem Bild, ein stummer Render plus Nachvertonung entfällt. Die zweite Linie deckt das Live-Geschäft ab: Der Avatar antwortet im Gespräch, und Kulissen wechseln, ohne den Stream anzuhalten.

Prompts, Standbilder und Ton werden in einem Durchgang verstanden, der Stereoklang entsteht im Rendering statt danach, und 2K ist der Ausgangspunkt statt ein Zusatz. Der günstigste Werbesatz nennt einen Sekundenpreis unter einem Drittel dessen, was gängige Modelle verlangen.

Der Ton entsteht im selben Durchgang wie das Bild, ein Clip braucht also keine stumme Ausgabe mit anschließender Nachvertonung. Natives 4K steht oben auf der Preisleiter, und die Entwicklerseite rechnet nach Sekunden ab.

Ein Clip trägt bis zu 16 Schlüsselbilder, vorhandenes Material lässt sich in Zwanzig-Sekunden-Stücken umschreiben, und 16 Bit Farbe kommt direkt aus dem Modell. Das ist das Argument: Ergebnisse, die in eine normale Nachbearbeitung passen.

Standbilder, Effekte, Trend-Nachahmung, ein Agent und eine Schnittstelle liegen auf einer Seite, und der kostenlose Tarif gibt monatlich 80 Guthaben. Fünf Sekunden in 1080p kosten davon 40, also reicht die freie Menge für zwei.

Erzeugung, Bildarbeit und Feinschliff teilen sich ein Konto und einen Arbeitsbereich, ein Clip muss zum Reparieren also nicht exportiert werden. Der kostenlose Tarif gibt einmalig 125 Guthaben, bezahlte Tarife beginnen bei jährlicher Zahlung bei 12 US-Dollar im Monat.