然后Johnny be good就说，说你要看碰瓷什么。如果是编程、深度思考、agent这些任务，可能MiniMax确实不行，没有DeepSeek好用。但是呢，你看人家主播不是用MiniMax M3.1做了视频剪辑吗？说MiniMax本身是多模态，视频语音识别能力很强，然后他把视频剪辑耗时从5小时降到半小时。啊，TMD的这个……你不要看弹出这个窗口，不要看它什么都没有显示，它实际上是DeepSeek在干活哈，它在调这个浏览器，看到没有？它自己在干活。我这个APP上架什么东西的，我就不展示他们的邮件列表了啊，它自己会填上去。有人申请加入测试，审核过之后就会把他加入测试列表。它这个工作，第一就是说速度比较快、效率比较高；第二就是真的，它现在已经能够自动化干活了。我这APP上架审核、填写资料什么的，全程都是由它完成的。你这个MiniMax行不行？你不要吹牛逼，你就去做同样的工作，是吧？我这个APP，刚才录视频的时候我也没有做准备。你去搞一个跟我一样的APP，让它开发、同时维护网站，然后按照谷歌的要求给它上架，你看看它能不能独立完成。我真的是完全不管它的啊，我在测试、上架的时候完全不管它，就它自己去搞定，这个过程是全自动的。当然了，开发代码的时候，有的时候测试它自己能完成90%以上吧，剩下来的测试要我去验收。

然后这个教练说的话有没有道理呢？我当时就说了啊，我说你这个回复反映出来你对视频根本就不理解。呃，因为这里面涉及到其他主播，我也不能说其他主播就不理解，是吧？这个讲实话，我们在互联网上做视频不能这么猖狂。但是据他说，他那个视频以前剪一个视频要5个小时，我TMD都震惊了，知道吗？首先我们从概念上来分析一下这件事情，为什么我觉得跟MiniMax的多模态一点关系都TMD没有。我给大家这次普及一下视频和AI生成视频之间的本质不同。就视频剪辑，好，我们现在打开剪映啊，这就是一个普通的视频。那么这个剪映其实自己有非常好的功能，就是它有AI剪辑的功能。粗剪之后你只需要调整一下，你看一共就剪这么几刀，是吧？一个视频就剪这么几刀，然后粗剪之后你调整一下就够了。啊，把这个什么……当然我这个中间有些操作做重复了，这个是没有认真去管它。

它分为视频和音频两个部分。我们所谓的剪辑，完全不需要管视频部分，就是他说话这个部分。你看我们这个画面怎么BB，我们不用管它。因为视频跟音频之间共享时间轴，它们是根据时间轴同步的，音频本身就能非常准确地把握时间轴。然后我们视频中有一些基本概念，比如关键帧、I帧、P帧预测帧、B帧双向预测帧，是吧？如果你是搞软件编程的，比如写FFmpeg代码，或者开发商用视频编辑器、视频播放器，你可能需要了解这些概念。但是如果你只是像我一样简单剪辑口播视频，那就完全没有必要管视频的帧，你只需要管音频就行了。音频可以清晰地生成字幕，生成字幕之后，你再把字幕提交给在线AI，让AI判断哪些是口误、哪些是重复的，把它去掉，然后把对应的时间轴返回来。你再根据这个时间轴裁切音频，裁切完音频之后再裁切视频就可以了。你这个过程整个跟视频毫无关系。就是TMD的，MiniMax H3这个视频多模态、原生识别视频，跟视频剪辑没有一毛钱关系，明不明白这个基础概念？

为了验证这个想法，因为我之前很早之前的视频中就讲过，我在AI agent还没有怎么成熟的时候，就通过Playwright，然后通过跟在线网页大模型聊天的方式，做了一个视频自动生成器、视频自动剪辑器。但是那个时候不是我对着镜头BB，因为我英语频道是AI生成音频，用音频去驱动幻灯片、视频或者视频片段，是吧？我那个东西的功能比剪辑口播视频要难上10倍都不止。那个时候还没有agent，用的还是DeepSeek V3.1啊。所以说MiniMax加速你剪辑视频是扯淡的。另外我也不知道为什么剪一个视频要花5个小时，这太TM扯淡了，知道吗？就你这个音频让AI处理一段，一共才花多少时间，是吧？为了验证这个想法，我也不装逼，我之前不是自己手搓的吗？这次我让DeepSeek Harness给我手搓了一个。是吧？我们不看广告看疗效，直接看看它剪出来的视频怎么样。当然只放几十秒啊，要不然我这个视频本身会被拉长。

（视频片段：Kimi K3.1 Pro这个模型在互联网上引起了热议，有网友留言问我为什么不谈一谈这个模型。大家说性能都不错啊，超过……其实不是啊，这个八卦跟我们传统的上北下南是反着来的。这个见仁见智吧，我们也不说它错误。结果又TMD花了我0.15美金。就这玩意你用它得非常小心，它很贵，然后它只要一次没有执行到位，你再跑一次就花同样的钱。论坛的安全，包括AI机器人的巡检，这功能还是比较复杂的，它不是个小玩具，是吧，也是个正儿八经的APP。性价比摆在这里，没有必要就是我有我自己的主观观点，你们没有必要去说服我，知道吗？你们保留自己的观点。）

呃，这个具体的Skill呢，因为涉及到我一些专有的词库，我就不跟大家分享了。但是我跟大家提一下，一会我会发这个视频的文字稿。你们只需要跟你的AI agent讲：“用音频来驱动视频剪辑。”完全不要去分析视频帧，什么I帧、P帧、B帧这些东西跟你完全没有关系，也不用检查视频本身剪辑效果怎么样、接续性怎么样。你就让它用音频来驱动。然后删减字幕、根据字幕裁剪音频的时候，一定要交给在线的DeepSeek V4.1 Flash，或者交给GPT都可以，千万不要交给本地的音频识别模型。因为我们这个有几个步骤：第一个步骤就是比如说我对着镜头BB，BB完之后，我把这段视频发给AI。AI怎么办？把视频部分跟音频部分分离，然后把音频发给ASR模型。这个模型在本地Mac mini上就能安装，不需要很强的算力。如果你的机器是M4或者M5这样比较新的，那么就用Large V3，Large V3就是大的V3版本。如果你是比较弱的，比如M1，那么就用中小的模型。它的识别精度有点差异，会影响后期字幕的精准度，但是不会影响你真正表达的意思，因为字幕后面要交给模型修复。

修复也不一定要交给在线模型，你交给千问27B这样的本地模型，它也能修复。但是前提是你要把修复工作交给能上网搜索的接口。比如你用DeepSeek Harness给千问27B加一个搜索入口，把这个东西交给它，让它通过在线搜索的方式帮你修复字幕。修复完了之后就裁剪音频，再让它根据音频裁剪对应的视频，把它合成视频。最后我建议你不要把字幕烧录到视频中，但烧录也是可以的啊，我已经做过了。因为字幕可能有些东西需要改，你把它上传到油管之后再把字幕挂上去，还有利于视频SEO。

至于我为什么不这么做、喜欢用剪映，为什么？因为我现在用剪映剪这种口播视频，效率非常高、很快。最主要的是有的时候我可能对一些图加箭头，或者贴几张图片，那么你用这种全自动的方式就有点不太合适。但是如果是像老特说的那个频道，不是抡锤者这个频道，我完全不加图片，就可以用这个东西来剪。我不知道大家能不能明白我在说什么。就是剪视频这件事情，跟视频识别毫无关系，它只跟音频有关系。

然后我们再说一下MiniMax H3，它这个视频生成模型这么强、这么牛逼，跟MiniMax M3.1之间有没有什么关系？你可以说有关系，它们是同一家公司，有点关系，但是没多大关系。它这个统一多模态的视频识别，说白了最终原理就是把视频拆成一帧一帧图片，然后去识别图片，就是这么简单。它跟AI生成视频没有半毛钱关系。然后AI生成视频，目前MiniMax H3是diffusion路线。diffusion路线是什么意思呢？就是说给你一个画布，上面全是噪点，是吧？然后你去猜，把噪点去掉，噪点去完之后就得到清晰的、你想要的图像。当然了，我们不能说整个过程就这么傻逼、这么简单，我们只是讲个大概，它的技术框架就是这样。

那么diffusion模型现在的巅峰之作是什么？就是字节跳动的Seedance 2.5，这个是目前最牛逼的。但是这个路线，怎么讲呢，画质是可以的，但是它没有办法用来表达虚拟世界，没有办法做世界模型。真正的终极方向是tokens化的路线。你看Anthropic，包括字节跳动、DeepSeek，都在搞tokens化路线呢。AI图片或者视频生成，因为视频本质上就是图片，知道吗？它就是多张图片连续起来。那在这一块，DeepSeek跟字节跳动的技术储备相当牛逼，只不过目前还没有发威，这个我们可能要稍等一段时间。等这一块、等算力，等大模型架构稍微进化一下，以后我们生成视频也好、生成音频也好，都是tokens化路线了，我们就不需要MiniMax H3，不需要ComfyUI了。当然了，这个多久能实现不好说，是吧？也不是说ComfyUI就完全失去意义了，因为它在画质、细节上暂时还是比tokens化路线更好。但是tokens路线、tokens化路线最终会解决一切问题，它会生成世界模型，它会改变我们的创作生态。