本周腾讯 ARC 把一套叫 SCoPE 的方案开源到 Hugging Face：基于阿里 Wan2.2 视频模型，叠加一层「摄像机轨迹」作为位置编码，给定首帧、文字描述和运镜路径，就能输出镜头可控的成片。换句话说，AI 视频生成从「抽卡」开始走向「按脚本拍」。

这是什么

SCoPE 全称 Sightline-Coordinate Positional Encoding，直译是「视线坐标位置编码」。它做的事很具体：在已有的视频扩散模型（一种把噪声逐步还原成视频画面的 AI 架构）里，把摄像机机位、运动方向当作额外的位置参数输入。

之前用 AI 生成视频最大的痛点之一是镜头——AI 自己会「乱晃」，运镜毫无章法；想要镜头稳定、推拉摇移按想法来，基本只能反复抽卡（反复生成直到撞到一张能用的）。SCoPE 这类方法的核心思路，是把「摄影师」从结果里请出来，放到输入里：你写运镜脚本，AI 照着拍。

仓库自带 Wan2.2-I2V-A14B（一个 140 亿参数的图生视频模型）的全部权重（模型参数文件），下载即可推理，不需要额外拼装。

行业怎么看

可控运镜是今年视频生成的主战场之一。Runway、Pika、快手 Kling、字节即梦都在做类似方向，SCoPE 只是开源社区里的一种技术实现路径。腾讯 ARC 这次选择站在阿里 Wan2.2 之上做叠加，而不是自建底座，本身也说明：开源生态里，「谁的基础模型强」比「谁的品牌响」更关键。

值得保留的疑虑：运镜可控不等于叙事可控。AI 仍然不知道什么时候该用推镜头制造压迫感、什么时候该切硬切给节奏——镜头语法这块，模型学不来。另一个现实问题是商用授权：代码往往采用可商用协议，但模型权重可能带额外条款，企业真正落地之前要先看清边界。

对普通人的影响

  • 对企业 IT 与营销：短视频广告、产品介绍片的外包拍摄预算有了继续压缩的空间，5 秒产品镜头不再非找摄影师不可。
  • 对个人职场：自媒体、短视频运营多了一件趁手工具，但审美、脚本、分镜这些活儿依然稀缺，工具不会让内容自动变好。
  • 对消费市场：普通用户在抖音、视频号上会更频繁地刷到镜头感「不像 AI」的 AI 内容——这件事本身不显眼，但已经在发生。