CogVideoX は清影の背後にあるモデルのオープンソース版だ。五つのモデルは 720×480 から 1360×768 までをカバーし、必要メモリは INT8 で 18GB から 3.6GB まで下がる。2B の重みはコードと同じ Apache 2.0。

デスクトップ版の CapCut は、ワンクリックの AI と手動の道具を同じ画面に並べる。切り抜き、色調整、画質修復、フレーム補間、美肌の隣に、4 種類のマスク、キーフレーム、マルチカムがある。4:2:2 と RTX 50 系にも対応する。

約 14B のエキスパートが二つで合計 27B、しかし各ステップで動くのは片方だけなので費用は単一エキスパート並みに収まる。別系統の 5B は 720P 24fps を一枚の民生カードに収め、その余裕を作っているのは VAE の圧縮率だ。

効果音も環境音もセリフも一度の生成から出て、あとから貼る音ではない。映像は 1080p か 4K で仕上がり、画角も動きも、画面の中の物体まで後から変えられる。外側にはツールと日ごとのクレジットをまとめた作業台が乗る。

1回の生成で 15 秒のフル HD 映像が手に入り、カットには構造があり、セリフも効果音も環境音も最初から付いてくる。画面比は生成前に決めるもので、後から切るものではない。もう一本のラインは同じエンジンを、入力に応じ続ける世界へ押し出す。

セリフ、ナレーション、効果音、音楽が映像と同じ書き出しに乗るので、無音で描いてからアフレコする手順が要らない。もう一本のラインはライブ側で、アバターが会話しながら応じ、背景も服も止めずに差し替わる。

プロンプトも静止画も音声も同じ一回で読み取り、ステレオは描画のあとで足すのではなく最初から一緒に作られる。2K も追加料金の段ではなく出発点で、公式が語る秒単価は主要モデルの3分の1未満という。

音は絵と同じ工程で決まるので、無音の映像を出してから声を当てる手間がいらない。原生 4K は値段の梯子の一番上にあり、開発者側は秒で数えて課金する。

一本の映像に 16 までキーフレームを置け、手持ちの素材は 20 秒単位で書き換えられ、16 ビットの色はモデルから直接出る。訴えはそこにある。生成物が普通の仕上げの流れにそのまま入るということだ。

静止画も効果も流行の再現もエージェントも接続口も同じサイトに載り、無料の範囲は毎月 80 クレジット。1080p の五秒で 40 を使うので、無料分は二本で終わる。

生成も画像の手直しも仕上げも、同じ口座と同じ作業場所を分け合うので、直すために書き出し直す必要がない。無料の範囲は 125 クレジットを一度だけ配り、有料は年払いで月 12 ドルから。