Tiny Desk AI 教程：Outstanding 梗视频怎么做

素材来自 Charlie Wilson 2023 年的一期 NPR Tiny Desk 音乐会，他唱的是《Outstanding》——Gap Band 的歌，当年主唱也是他。被反复重做的那一段很短：桌子后面的乐队、主唱转身对镜头大笑并挥手、一段萨克斯独奏、最后一个举拳的镜头。

除了人，其他一切都不动。房间、灯光、剪辑点、节奏和音乐都保持原样，只有表演者被替换。熟悉这段视频的人，在看到第二个镜头之前就知道这是哪个版本，所以哪怕剪辑粗糙，笑点依然成立。

有一点要先说清楚：任何版本都不是真的 Tiny Desk 演出。发布时平台要求标注 AI 生成就标注，也不要把它当成那场真实音乐会的录像。

点着火的那一版，主角是刚输球的大学橄榄球教练。歌词里的 outstanding 从一个刚被对手打败的人嘴里唱出来，讽刺感直接拉满，这个格式几天之内就在 TikTok 和 X 上传开。之后它扩散到队友、同事、政客和家庭成员，结构始终一模一样——因为笑点在选角，不在剪辑。

大多数 AI 视频让人惊叹「生成得真好」，这个梗只需要人看懂「谁被放进了哪里」，门槛低得多。

• 素材本身有辨识度。大家本来就看过这段视频，一眼就能看出改了什么、为什么好笑。
• 笑点长在画面里。主唱转身看镜头本身就是一个节拍，你只要把对的脸放上去。
• 五个座位，不是一个。一群人能在同一条视频里各就各位，这让它变成群聊一起玩的东西，而不是一个人的剪辑。
• 不用写提示词。格式是固定的，所以哪怕最省事的版本，看起来也还是这个梗。
• 够短。十八秒左右，够把笑点铺开，也短到让人愿意看第二遍。

固定模板解决的是布景，解决不了身份。让一张照片扛过四个镜头，还要保住场景里的灯光、头发和衣服，这是最难的部分，而它靠的是视频模型，不是模板。

这段编辑我们跑在 Kling 4.0（可灵 4.0）上——这一代最新、能力最完整的模型，不是我们能跑得更便宜的老版本或者阉割版。顶级模型单次生成的成本比廉价模板工具背后的模型更高，这也是这里一条视频要 520 credits、而不是象征性价格的主要原因。不需要订阅，生成失败会自动退回。这 520 credits 买到的是同一张脸在四个镜头里都不漂移——便宜模型最先丢掉的正是这个。

这里的模板，不是你自己打开来剪的 CapCut 工程。它是一段已经完成的表演，由模型原地编辑：四个固定镜头，大约十八秒，节奏和配乐都已经对好。你不用描述场景、不用选运镜、也不用提供参考视频。你把照片分配到座位上，模型在被固定下来的素材里替换表演者。

第一个镜头约五秒，属于键盘手和两位和声。第二个是梗的核心：主唱大笑挥手的特写，大约六秒。第三个是从侧面拍的萨克斯独奏，键盘手在画面一角。第四个回到三人镜头，举拳收尾。

顺序决定了哪些座位重要。主唱拿到最长的一个镜头和笑点；键盘手出现在四个镜头里的三个；两位和声开场和收尾；萨克斯手只出现一次，但那是大笑之后最好认的画面。

一共五个固定座位，只有主唱是必填的——空着的座位保留乐队本来的乐手，所以一张照片也能得到一支完整的乐队。

• 主唱——必填。特写和收尾的三人镜头。这就是大家会截图的那一帧。
• 键盘手——四个镜头里的三个，包括开场和萨克斯独奏。可选座位里最常出现的一个。
• 左右和声——开场和收尾的群像。想出现在视频里、但不想扛整段表演的人，放这里最合适。
• 萨克斯手——只有独奏。一个镜头，却是大笑之后最好认的那个。

大多数不好看的结果是照片的问题，不是模型的问题。模型换的是整个人——脸、头发、肤色、体型和穿着——而它只知道照片里给它看的东西。照片藏起一半信息，模型就只能猜，而猜出来的东西在不同镜头之间就会漂。

技术上，模型对齐的是边：下颌线、头发和背景的交界、肩膀的轮廓、衣服的颜色和剪裁。它用这些边重建这个人，然后在不同光线和机位下重复四次。所以清晰度比分辨率重要——一张锐利的 1200 像素手机照给的是干净的边，一张发虚的 4000 像素照片给的是噪点。正面照同样重要：模板的机位是正对镜头，三分之四侧脸会逼模型去编造缺失的那半边脸。

简短版：一个人，看着镜头，清晰，光线均匀，腰部以上、能看到穿着。不戴墨镜、手不挡脸、不加美颜滤镜、不极端仰拍俯拍，一人一张，不要用合照。

• 用白天自然光或者柔和均匀的室内光。硬侧光会把脸劈成两种曝光。
• 拍到肩膀以下，让衣服露出来。模型是从照片里取衣服的，不是从模板里。
• 机位和眼睛齐平。从下往上拍会把下颌拍宽，从上往下拍会拍窄。
• 不要戴墨镜、口罩，也别让手挡在脸前。
• 不要加美颜滤镜或者重度 HDR。磨皮会变成视频里那个人的皮肤。
• 不要用视频通话截图。那类照片通常发虚、构图偏、屏幕光打在脸上。
• 不要用一张合照填好几个座位。一次裁一个人，或者干脆让每人单独发一张。

五个座位的难度不一样，所以把最好的一张照片放到最常被看到的地方。主唱是最挑剔的座位：六秒特写，正面、清晰、不戴墨镜。萨克斯是可选的，但它拿到的是全片最近的一个镜头之一，所以那里也值得放一张清晰的照片。键盘手出现在三个镜头里，大多是中景。两位和声出现在开场和收尾的群像里，脸更小——最宽容的两个座位。

把人放在哪个座位，也决定笑点怎么落地。把主唱给这个玩笑针对的那个人：过生日的、老板、输了赌约的朋友、刚上线完那个项目的负责人。想出现在视频里但不想扛整段表演的人，放和声。选角是这个玩法里唯一需要你做主的部分，也是最好玩的部分。

如果是给一群人做，真正麻烦的不是生成器，而是怎么在不让它变成一个大工程的前提下，收齐五张能用的照片。发一条消息把规则说清楚，而不是发五条来回纠正。可以这么说：给我发一张只有你的照片，看着镜头，腰部以上，白天拍的，别戴墨镜，别加滤镜，我要把你放进一支乐队里。大多数人多半会发一张略低于视线、伸手举着拍的自拍，因为那是每个人都有的照片。它通常也能用，只是会压低下颌、看不到穿着。

几个比较好用的阵容：群聊全员上阵，主唱给话最多的那个；刚把项目上线的团队；生日局，寿星主唱、朋友和声；送别局，要走的同事站主唱；家庭局，长辈拿特写、小孩进群像。共同点是主唱必须是一个别人一眼认出来的人——笑点在选角，所以能瞬间看懂的人越多，这条视频越成立。

点生成。视频进入队列，在 GPU 上一帧一帧编辑，再和模板的配乐合成，所以是几分钟而不是几秒钟。你可以关掉标签页：任务会留在历史记录里，卡片上写着已经跑了多久。五人视频和单人视频耗时差不多，因为不管填了几个座位，整段都是一次编辑完成的。

每条视频 520 credits。新账号的免费额度是按图片工具的量准备的，不是按视频：一段十八秒、逐帧编辑的视频，渲染成本远高于一张图。充值包是一次性购买，没有订阅，credits 不会过期。

如果任务失败，520 credits 会自动退回，历史记录卡片上会写明原因。先拿同一批照片重试，再考虑改别的东西——大多数失败是排队或安全审核的问题，不是照片的问题，而在失败之后换掉一张好照片，会让你更难判断下一次结果到底变了什么。

成片是竖版 MP4，720 × 1280，带声音，可以直接发 TikTok、Instagram Reels 或 YouTube Shorts。在历史记录卡片上下载，然后像发别的视频一样发出去。

想用大家在这个梗里听到的那首音效，就在上传时从 TikTok 或 Instagram 的授权曲库里加上《Outstanding》，再把原声关小。没有那个曲库、或者你希望乐队听起来像一支真乐队的时候，视频自带的配乐照样能用。

让这个格式好玩下去的规则很简单。只用同意出镜的人的照片，未满十八岁的要取得监护人同意。平台要求标注 AI 生成就标注，不要把它说成真实的 Tiny Desk 演出。不要上传公众人物，也不要用在对方会介意的地方；未经许可不要用于广告或任何商业用途。

还有一点要分清楚：模板版视频绕开的是录音，不是商标。Tiny Desk 是 NPR 的商标，《Outstanding》的权利属于它的权利人，所以请把它明确地当粉丝二创来呈现。

几乎所有难看的结果都能追回到照片上，而不是模型。下面这些是最常出现的，大致按频率排序。

• 用一张合照填好几个座位。每个人只分到一小块像素，衣服还常常被裁掉。一次裁一个人，或者让每人单独发。
• 墨镜、手或者头发挡住脸。模型能比对的五官更少，结果就会在镜头之间漂。
• 重度美颜滤镜。滤镜的磨皮会变成视频里那个人的皮肤，放在没修过的乐队旁边很违和。
• 从下往上、或者从侧面拍的照片。模板的机位是正对的，三分之四侧脸会在正面机位里变成三分之四侧脸。
• 结果不好时一次改好几个地方。先换照片，再换座位，最后才动设置——否则你没法判断是哪一处起了作用。

几乎每一份「最佳 Tiny Desk AI」清单，都把做不同事情的产品混在一起，所以在看排名之前，先知道自己比的是什么。下面六个问题，能把「能用一次的工具」和「敢推荐给群聊的工具」分开。

• 它用的是原片，还是自己的模板？这个答案决定的是你的版权风险，不只是画质。
• 能放几个人？一个座位是个滤镜，五个座位才是一群人一起玩。
• 成片去不去水印？实际拿到的是什么分辨率、多长？
• 渲染失败时怎么办——credits 会自动退回吗？
• 能下载 MP4，还是只有一条会过期的分享链接？
• 它对上传的照片做了什么、保存多久，说清楚了吗？