KeyFrame內部研究專用

Best Free & Unlimited AI Video Generator (No Limits)

Malva AI·6月18日週四·11 min英文

三句話摘要

用免費 AI 工具建立 3D 動畫風格 YouTube 頻道的完整製作流程。 --- YouTube AI 頻道的門沒有關,3D 動畫風格 + 角色一致性 + 三段式提示詞,是目前用純免費工具突破「AI Slop」篩選機制的可行路徑。 規則改變,不是遊戲結束。 YouTube 並非封殺 AI 頻道,而是停止對批量上傳低品質 AI 影片的頻道進行獲利分潤。只要內容具備真實價值,3D 動畫風格的 AI 影片仍持續有效,這解釋了為何仍有大量頻道保持高流量。

重點整理

重點
  • 1

    規則改變,不是遊戲結束。 YouTube 並非封殺 AI 頻道,而是停止對批量上傳低品質 AI 影片的頻道進行獲利分潤。只要內容具備真實價值,3D 動畫風格的 AI 影片仍持續有效,這解釋了為何仍有大量頻道保持高流量。

  • 2

    角色一致性是關鍵技術門檻。 多數人製作的 AI 影片主角每格都在改變,導致看起來廉價。透過 Google Flow 的「角色」功能預先建立主角形象,並在每個場景中插入 P 圖層(Protagonist 層),可讓整支影片的角色外觀保持統一。

  • 3

    三段式提示詞架構驅動整個製作流程。 第一段提示生成頻道題材方向,第二段深度研究特定題目並規劃影片架構,第三段輸出分段腳本——每段約 5 秒,包含旁白台詞、圖片生成提示、影片生成提示,AI 自動處理所有技術判斷。

  • 4

    縮圖與頻道 Logo 整合在同一流程中。 第三段提示已內建生成縮圖描述與 Logo 描述的指令,直接將描述貼入 Google Flow 並加入主角元素,即可生成與頻道風格一致的視覺素材,不需要另外設計。

  • 5

    --

實用技巧與重點

乾貨
  • 工具清單(全免費)
  • 文字 AI:ChatGPT、Gemini、Claude(任一免費版)
  • 圖片生成:Google Flow(NanoBanana2 模型,無限次數)
  • 影片生成方案 A:Higgsfield(透過 MCP 連接 Claude,使用 CogVideoX 2.0 / GPT Image 2)
  • 影片生成方案 B:Google Flow VO3.1 Lite(每日有生成上限)
  • 影片生成方案 C:Meta AI(完全免費,無限次數,無信用點數、無訂閱
  • 影片剪輯:CapCut(手機 / 桌機版)
  • 語音合成:Google TTS Studio
  • 背景音樂:Sonauto(Simple 模式,貼入場景描述文字自動生成)
  • Higgsfield 連接 Claude 步驟
  • Claude 左側欄 → Customize → Connectors
  • 點擊「+」→ Add Custom Connector
  • 到 Higgsfield 平台複製 MCP/CLI 設定檔
  • 貼回 Claude 並儲存
  • 影片規格建議
  • YouTube 橫向:16:9
  • 每段場景長度:約 5 秒
  • Google Flow 單次可同時生成 4 張圖片供挑選
  • 提示詞資源
  • 講者網站(描述欄連結)→ Open PDF Guides → 下載各影片對應提示詞與工具連結
  • 網站內含免費 AI 聊天功能與高品質圖片生成模型(免費登入即用)
  • --

結論

結論

YouTube AI 頻道的門沒有關,3D 動畫風格 + 角色一致性 + 三段式提示詞,是目前用純免費工具突破「AI Slop」篩選機制的可行路徑。

完整解析

詳細

YouTube AI 頻道在 2024 年底出現大規模關停獲利的現象,大量創作者因此放棄。但講者指出,這並非平台封殺 AI 內容,而是 YouTube 針對大量無價值的「AI Slop」影片採取行動——那些用模板批量生成、毫無資訊含量的垃圾內容。真正提供價值的 AI 影片頻道至今仍有超過百個在持續上傳,每月合計觀看數仍以億計。規則改變了,但機會尚未關閉。講者認為,目前最有效的方向是 3D 動畫模擬風格,並決定以全免費工具示範完整的製作流程。

整個製作流程的核心是一套三段式提示詞系統。第一段提示輸入頻道定位,AI 會回傳適合的頻道題材方向。第二段提示接在第一段下方,讓 AI 深入研究選定題材、規劃最佳影片結構。第三段提示則是技術核心:AI 依照指定時長,將整支影片切割成每段約 5 秒的場景,每段自動生成旁白台詞、圖片生成提示、影片生成提示,無需人工逐段撰寫。講者表示這套提示詞是他數個月累積上傳經驗的結晶,已公開在網站供免費下載。

角色一致性是講者特別強調的技術細節,也是多數人忽略導致影片「看起來像 AI Slop」的主因。做法是先在 Google Flow 的「角色」功能中,依照第三段提示詞產生的角色描述建立主角形象(使用 NanoBanana2 模型),若不滿意可反覆調整。建立完成後,點選喜歡的圖片加入角色庫;之後在每個含有 P 圖層(主角層)的場景中,系統會自動套用該角色,確保整支影片的人物外觀前後一致。

影片生成提供三條路徑供選擇:最強但需設定的方案是透過 MCP 將 Higgsfield 接入 Claude,可直接呼叫 CogVideoX 2.0 和 GPT Image 2;次選是 Google Flow 內建的 VO3.1 Lite,品質好但有每日生成上限;最推薦給追求無限生成的創作者的是 Meta AI,完全免費、無點數制度、無訂閱限制。圖片轉影片完成後,導入 CapCut 加入音軌:語音透過 Google TTS Studio 合成,背景音樂在 Sonauto 的 Simple 模式中貼入場景描述文字自動生成,並建議加入 CapCut 的免費轉場與特效增加動態感。縮圖與頻道 Logo 同樣回到文字 AI 索取 Google Flow 專用提示詞,加入主角元素後直接生成,整個流程閉環完成。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。