3分钟出AI对话视频，成本仅Sora 1/20？清华团队的「专精」思路

先抛问题：AI视频生成的「两难」，它能解吗？

现在做 AI 视频，要么像 Sora 2 追求 “大而全”，但生成对话场景时，口型、表情常跟台词 “脱节”，像机械念稿；要么想做自然的对话视频，却要等很久、付高价 —— 这是很多数字人、在线教育从业者的痛点。

直到 Gaga 上线，这个矛盾似乎有了新答案：用户只需要一张照片、一段台词，3 分钟就能拿到带声音、表情、背景音的完整视频，而且现在不用邀请码，直接访问 gaga.art 就能用，还限时免费。

核心差异：不贪“全场景”，只盯“上半身对话场景”

Gaga 没走 Sora 2 “覆盖全场景” 的路，而是把所有精力放在 “上半身聚焦的对话演绎” 上 —— 这个细分场景，恰恰是数字人互动、虚拟主播播报、在线课程讲解的核心需求（这类场景关键在于面部表情与语言的配合，无需完整全身呈现）。

它的优势很具体：生成的视频里，口型能精准匹配台词节奏，音色不会有“电子感”，连皱眉、微笑这些细微表情，都能跟着情绪走。不是简单的 “TTS（文本转语音）+ 嘴型动画”，更像 “真人在演”—— 这也是它在高质量对话场景里，比其他方案更实用的关键。

成本优势：专注，才是“降价”的底气

AI 视频贵，很大原因是模型要覆盖太多场景，计算成本高。但 Gaga 因为只聚焦 “上半身对话演绎”，不用为 “生成全景视频”“模拟复杂动作” 消耗算力，生成成本直接降到了 Sora、Veo 等模型的 1/20 以内。

更关键的是未来：团队计划开放 API，届时价格会比 Sora、Veo 便宜一个数量级。对需要批量做对话视频的团队来说，这不是 “省一点”，而是 “能把之前做不起的事，变成常规操作”。

团队背书：技术不是“空中楼阁”

支撑这种“专精” 思路的，是北京五道口的 Sand.AI 团队。创始人曹越是清华特奖得主，联合创始人张拯，两人都是计算机视觉顶会 ICCV 最佳论文《Swin Transformer》的核心作者 —— 这篇论文是现在很多视觉 AI 模型的基础框架，技术硬实力有公开成果可查。

而且团队之前已经开源过高质量自回归视频模型 Magi-1，不是 “第一次做视频 AI”，这种 “有过往积累、再聚焦细分场景” 的团队，比单纯喊口号的更让人放心。