千萬美元ARR后，為什么押注視頻編輯Agent？｜對話Buzzy張詩瑩

用「局部編輯」技術突圍，終結視頻創作的「抽卡」時代。

作者 /Oriana

兩天前，Creati AI推出了新產品Buzzy。

Buzzy是一個專門做視頻修改的AI Agent。用戶可以對視頻說“把這個人換成我的臉”“把陰天變成黃昏”“去掉背景里的路人”，局部修改，其他不動。幾乎同時，公司官宣了由紅點領投的B輪融資，金額高達2000萬美元。

算下來，這已是張詩瑩創業以來的第三次“新開始”。

張詩瑩是Creati AI的聯合創始人&CEO。2015年，她先是加入蘋果，專注于AirPods和HomePod的系統集成，3年后又去到谷歌做AR硬件系統架構。

這是很多硬件工程師夢寐以求的職業路徑：兩家硅谷大廠，兩個劃時代的產品線。

但張詩瑩卻覺得“難受”。

“大廠不需要你理解為什么，只需要你照做。”她發現自己總在和老板爭論，因為不認可上級安排的路線圖，“可能我比較不喜歡按照指令做事。”

2020年，已在谷歌工作的張詩瑩第一次接觸到GAN（生成式對抗網絡）。

那時GPT-3剛推出不久，還沒有ChatGPT，生成式AI還是少數人的“極客玩具”。一張從無到有生成的圖片讓她著了迷。她判斷：人們消費數字內容的時間在上升，但好內容一直稀缺，例如抖音上很多熱門視頻是重復的。

“這種供給和需求之間的差距，一定會帶來巨大機會。”于是張詩瑩下決心創業。

起步之初她是孤軍奮戰的。盡管創業方向很前沿，但伴隨的高風險讓偏愛穩定的大廠同事們望而卻步，婉拒了張詩瑩的創業邀請。

同年8月，她通過郵件聯系了一位年輕學者——馬里千，魯汶大學博士，師從計算機視覺領域著名學者Luc Van Gool，北大碩士，是最早一批做姿態控制人體生成的研究者。

當時二人線上溝通并約定：只要有電商客戶愿意為ZMO.ai買單，就立刻辭職創業。很快，第一批付費客戶驗證了他們的設想，兩人果斷離職，共同成立了ZMO.ai。

簡單來說，ZMO.ai主要面向時尚電商，提供AI虛擬模特圖和圖片生成服務。團隊拿到了高瓴資本領投的800萬美元A輪融資，MAU（月活躍用戶）曾達到700萬。

但一個核心問題浮現：龐大的流量并沒有帶來預期的商業轉化。

很多用戶是for fun，不是真的在工作場景用。圖片成本低，自己也能PS，付費意愿不高。”張詩瑩反思，當時沒有把付費當北極星指標，“AI產品跟互聯網產品不一樣，token消耗有成本，用戶不付費，公司撐不下去。”

于是她調整了方向。2024年初，團隊開始做Creati：從圖片轉向視頻，從網頁端轉向手機端。Creati在手機上一鍵把商品圖變成廣告視頻，同時用AI特效做病毒傳播。

同年，周蘊怡以聯合創始人身份加入，她曾將VivaCut做到千萬日活，并從0到1推動多款產品累計下載量突破10億。

從左到右分別為：馬里千、張詩瑩、周蘊怡

一年內，Creati收獲了1000萬用戶、千萬美元ARR。

但很快又遇到了新問題。

當前，AI生成的視頻往往大體不錯，但只要一處細節崩壞，就得全部推倒重來，用戶只能像拆盲盒一樣無奈地繼續“抽卡”。而精準的視頻編輯功能就是針對這一痛點：它允許用戶跳過重新生成的環節，直接對局部進行準確修改，例如單獨替換視頻中人物的衣服。

這個能力也同樣覆蓋實拍視頻的修改流程。

以往自己拍的視頻，一旦出現瑕疵往往需要全部重拍；而現在，用戶可以直接上傳實拍素材，通過指令讓Agent完成局部替換，比如將畫面里的白色布藝沙發精準修改為棕色皮質沙發。

“在2026年，不應該還用AE、PR或者重拍的方式，”張詩瑩說，“視頻編輯是生成生態里必不可少的一環。所以才有了今天發布的Buzzy。”

但只解決痛點還不夠，她思考得更遠：當未來AI什么都能做、算力幾乎免費時，人的價值還剩什么？

對此張詩瑩的答案是——品味。“AI做十個方案，得靠人來選。”她希望把品味變成可交易的資產，“就像大家調用‘喬布斯skill’。”

01.放下流量指標，一年實現千萬美元ARR

新物種：ZMO.ai時期遇到過“高MAU、低付費”的困境，你們當時怎么處理的？

張詩瑩：ZMO.ai一開始做to大B，付費不錯。后來我們想擴大盤子，做toC，把用戶量當成了北極星指標，結果發現很多人進來只用不付費。問題在哪？

第一，ZMO.ai主打圖片，很多用戶就是覺得好玩、圖個新鮮，不是真要在工作中用；第二，圖片成本低，商家自己也能PS，付費意愿不高。

當時我們沒把付費當核心指標，后來才意識到不對——互聯網產品可以做大DAU不付費，邊際成本低；但AI不一樣，token消耗擺在那，用戶不付費公司撐不久。所以后來我們學到一個教訓：付費才是衡量AI產品價值的核心指標。產品也不能是for fun的，就像你不會想給抖音付費。

新物種：所以你們轉向去做Creati？

張詩瑩：對。一是從圖片到視頻，2024年初視頻模型剛起來，我們覺得這是有苗頭的方向。視頻比圖片難搞多了，圖片你還能P一下，視頻要弄出來很難

二是我們看好信息流一定會從文字到圖片再到視頻。現在很多內容不是視頻，只是因為視頻太貴了。如果成本是零，人類接受信息最快的方式就是視頻。我在谷歌就發現，很多人搜索已經不想看文字了，要么問大模型，要么直接搜抖音、YouTube，因為視頻人腦更好理解。

新物種：放棄ZMO.ai那么多用戶，團隊內部有爭議嗎？

張詩瑩：有，挺痛苦的。我們不到20個人，不可能同時做兩個產品。

ZMO.ai雖然不怎么賺錢，但用戶量很大，放棄它需要蠻大的勇氣。團隊里吵得很厲害——做了那么多年白費了？圖片也有它的用戶群。順境時沒矛盾，方向一變就容易出問題。大家進來時說做A，現在A還行但不夠好，要做B了，B是不是好方向？這很容易讓團隊崩塌。

我的感受是，你不能指望沒有沖突、沒有pivot（轉向），你得默認這些會發生，然后想好怎么解決。我們的做法是：大家做研究，看新方向到底怎么樣，同時盯著長期大目標——我們短期有點成績，但長期想做成多大的事、產生多大的影響力。

圖片這塊，從stable diffusion到midjourney，我們能感覺到在應用層能做的事越來越少了，用戶自己搭一個也能用。所以大家把東西擺出來討論，最后按大目標走。最重要的是，要有沖突解決機制和共同目標。

新物種：Creati從開始做到有成果，過程是怎么樣的？

張詩瑩：Creati是2024年初開始做，4月底上線，一年內做到了1000萬用戶，現在大概2500萬。它踩中了幾個點。

第一，視頻是大方向，用戶也認同視頻傳播力更強。

第二，瞄準了移動端。我們有很大一波小商家，他們不用專業相機，就用手機拍。我們調研時說手機上沒有一個好用的產品能直接拍商品圖、一鍵變成廣告視頻、然后直接上傳。手機端是我們踩中的大點，Creati就在手機上幫他們完成全流程。

第三，用戶不會寫prompt（提示詞）。這事直到今天我也覺得非常痛，很多用戶是博主、up主，他們愿意花時間鉆研prompt，但不愿意花太多時間，畢竟精力在內容創作、賣貨、跑廣告上。能留給AI的時間，他們希望半小時搞定，而不是搞一天。

Creati做的就是幫他們節約寫prompt的時間，做了一堆prompt模板，讓用戶一鍵生成。這幾件事加起來，讓Creati的用戶群跟別人不一樣——我們不是那種寫長篇prompt的用戶，更多的是手機上快速出內容。這也是Creati能快速增長的主要原因。

Creati的北極星指標是付費，還有一個是用戶滿意度。用戶付費之后，是否覺得內容真的好用，能不能用于他的廣告或TikTok。下載率反映的是用戶對內容的最終滿意度。我們后來通過很多內部算法和流程調整，把下載率從5%提到了50%。

新物種：Creati的C端病毒傳播是怎么做的？

張詩瑩：兩條腿走路。一是我們的創作者社區，有一些長期合作的、特別愿意寫prompt的人，他們會去看當下什么內容比較火，做出一些病毒式爆款的內容模板給用戶用。對于這些創作者，我們有分傭的激勵方式，即模板被越多的人使用，拿到的錢越多，以此激勵他們去做爆款模板。

另一個是我們官方自己也會根據用戶創作的數據，去看用戶創作的東西里哪些比較有規律、大家比較喜歡，然后基于這些苗頭創作出新的模板。這些病毒式傳播的模板能夠幫助我們快速獲得用戶增長。

Creati在一年以內就實現了兩個里程碑，一個是千萬用戶，一個是千萬ARR，二者是正相關的。

02.從抽卡到修改：為什么視頻編輯是必選項

新物種：Creati已經成功了，為什么很快又做了Buzzy？

張詩瑩：有兩個原因。首先，Creati轉Buzzy跟ZMO轉Creati不一樣。ZMO不做了，但Buzzy是新產品線，Creati繼續做。做Buzzy是因為我們看到了視頻生成的兩個痛點。

第一個是抽卡：用戶生成一個視頻，大部分還行，但有一小塊不對或者有AI味重，為了讓它能用，得全部重抽一遍。如果能修改，只改那一小塊，能省太多時間。

第二個是用戶自己拍的視頻：嘴瓢了、說錯臺詞、某一幕沒拍好，就得全部重拍。我們見過拍跳舞視頻的用戶，跳無數遍才能發，跟抽卡一樣痛苦。

修改人物表情

所以Buzzy要解決視頻修改的問題。視頻編輯是生成生態里必不可少的一環。在2026年，不應該還用AE、PR或者重拍。Buzzy不是Creati的替代，而是我們認為修改是必須的流程，所以單獨推出來。

新物種：那為什么不干脆直接整合進Creati？

張詩瑩：用戶心智不一樣。Creati是做生成的，Buzzy是做修改的。你跟用戶說又能生成又能修改，他理解不了。就像你不會用CapCut去生成視頻，這就是定位問題。

新物種：但如果開源模型明天出一個重大更新，Buzzy會被“覆蓋”嗎？

張詩瑩：不會。第一，Buzzy大量處理的是用戶自己拍的視頻，不是AI生成的。比如改眼神、去路人、改天氣、多視角、運鏡，這些都是后期精修，叫local editing（局部編輯），大部分AI生成軟件是全部重新生成，不是編輯。

改變拍攝視角

第二，即使對AI生成的視頻，用戶的需求也是模糊的。他只會說“拍個都市愛情狗血電影”，拍出來不是他要的，他得看到結果再調整。多輪修改是人類的習慣，這也是為什么甲方乙方總在拉扯。

新物種：那Buzzy的目標用戶是誰？

張詩瑩：C端和B端都有，主要是B端和創作者（小紅書、抖音、B站博主）。

B端比如商家換SKU，他們只拍了一組白色布藝沙發的廣告，但有不同顏色、材質多個SKU，我們讓用戶上傳不同材質圖，基于它修改視頻，節約拍攝成本；還有改臺詞，不同商品賣點不一樣，價格不一樣，臺詞得相應改；還有AB測試，商家不確定這個博主、這個背景對轉化率有沒有影響，需要大量AB測試去改。

改變廣告內容

新物種：Buzzy還有個特點是“Agent幫你刷TikTok/Ins找靈感”。你們的Agent和TikTok的推薦算法有什么本質區別？

張詩瑩：我們的重點是視頻編輯修改，靈感Agent相當于一個小的功能點。

它的邏輯是：用戶刷到的和他想做的往往不是一類，比如愛看跳舞的人可能是賣貨的。現在很多靈感來自刷社媒的碎片瞬間，所以Buzzy agent像個手機上的OpenClaw，你刷到好玩的視頻一鍵分享給它，它先理解這個視頻：梗是什么、為什么火，然后全網幫你刷類似的，匯集到靈感板上。

核心是視頻理解，即AI要能get到梗。比如一個視頻：人在聽歌，朋友被擄走了都不知道。AI一開始只理解“兩個人在走，一個人被弄走了”，笑點完全沒抓到。我們花很大精力做反饋機制，讓AI通過用戶反饋逐步理解核心笑點。

新物種：為了實現Buzzy的能力，你們在技術上如何實現的？選了哪些模型，做了哪些微調呢？

張詩瑩：技術上分為兩大塊：視頻理解主要用Gemini等大語言模型作為基座模型，上面微調了一個小模型專門理解“梗”，畢竟大模型只知道畫面在說什么，但不知道搞笑點在哪；視頻生成用目前效果最好的Seedance，上面也調了小模型，因為視頻編輯同視頻生成要求不太一樣，生成的可控性太低，編輯需要很高的一致性。

大部分AI視頻編輯器其實是在重新生成，不是局部編輯。以給視頻換拍攝視角為例，視角和光線變，但人物和場景不能變，得和原來的視頻保持一致，這就需要我們微調自己的一些小模型在上面。

03.沉淀可交易的「品味skill」

新物種：Buzzy的用戶和收費模式是怎么樣的？

張詩瑩：Buzzy主要針對海外市場，國內也有很多跨境電商會使用。目前的收費模式是以訂閱制為主，有不同的檔位，視頻個數不一樣。但我們覺得不一定是最合理的，也在探索新的商業模式。我們希望未來它會更像一個真正的agency，通過你跑的創作者、紅人數量、投放量，從市場預算里分傭。

新物種：Buzzy的Agent能看到視頻發布后的數據（播放量、互動率）然后自我迭代，這個閉環現在跑通了嗎？

張詩瑩：這是我們努力的方向。Buzzy后面會是一個全流程的agent，不只是根據你的靈感幫你搜，還要幫你寫腳本、做視頻規劃。

比如如果你跟它說我要做跳手勢舞的視頻，它就去網上搜最火的給你做。但這些是不是一定適合你的用戶群體？不一定，也許你的用戶喜歡看跳街舞的。怎么確定？需要數據反饋。

Buzzy可以通過視頻修改功能大量做AB測試：先給你生成一個視頻，idea可能不那么準，但沒關系，我們可以改人、改背景、改臺詞、改劇情、改商品。改完之后agent自動做很多AB測試，基于測試結果反推：一開始不應該做跳手勢舞，應該做跳街舞，音樂應該選A而不是B，然后再幫你scale。通過視頻編輯幫助用戶大量做AB測試，基于數據再來反推內容方向。

新物種：從ZMO到Creati到Buzzy，整個歷程你最大的感受是什么？

張詩瑩：我一直做生成式AI，經歷了從無人問津到爆火到現在過于擁擠的全鏈路。最大的感受是創業者需要有非常快速的適應能力。今天AI世界的變化比當年互聯網快多了，每個月都有新模型出來。如果一個創業公司學習速度、變化速度不夠快，一定會被淘汰。我很難想象在我剛創業的時候能想到今天能做到這樣，沒想到會這么快，也沒想到大家都擁進來做這個事情。

第二，還是要圍繞用戶需求來做。有些創業公司做得非常fancy但沒人用，有些做得實在但給用戶的附加價值不大。今天我們也不敢說AI的終局到底是什么，還在不斷變化。但變要圍著用戶變，用戶不愿意付費，說明沒有價值。

新物種：展望未來1-3年，你覺得AI視頻賽道會變成什么樣？你觀察到了什么趨勢？

張詩瑩：當AI足夠強，算力越來越便宜直到接近不要錢、AI什么都能做的時候，人在內容創作里最重要的角色是品味。

AI可以做創意、腳本、視頻，但它沒有辦法代替人的品味。它做了10個方案，還是得靠人來選哪一個好，每個人的品味不一樣。

Buzzy的agent最后沉淀的是人的品味——你非常喜歡做紀錄片，你知道怎么做紀錄片，你就會指導你的agent：素材怎么收集、腳本怎么寫、內容怎么拍、怎么上線。你調教出來的agent就知道紀錄片的品味是什么樣的，知道什么是好的。品味這件事很難用agent替代，還是得靠人。

未來Buzzy的agent沉淀了不同用戶的taste，我們想把這個taste沉淀成像skill一樣的東西，它是可以交易的。有些人的agent特別懂大片，有些人的agent特別懂跳舞視頻。當你需要某一種taste的時候，你可以從別人那里買。就像“喬布斯skill”，不少人認為喬布斯對產品的taste特別高，就會問“喬布斯skill”，讓它來告訴你什么樣的產品是好的。

文中圖片/視頻由受訪者提供。

排版運營 / Teagan

- End -