平时看视频，你只能暂停、快进、拖进度条。视频里的人说了一句你没听懂的话，你没法当场追问；你想知道「这事跟我有什么关系」，视频也不会回答你。

ACTx486 是研究者 Karina Nguyen 和交互设计师 Jakub Zegzulka 做的一段概念演示。他们拿《乔·罗根体验》里埃隆·马斯克做嘉宾的一期节目做底子：你看到一半点一下屏幕提问，画面里的人会回应；答完，节目从刚才停下的地方继续。

先看完整演示。观众 Lia 用手机看节目，中途问喷火器怎么工作，又让马斯克拿出星舰、带她去火星。画面上方的 REAL（原片） 和 ARTIFICIAL（生成） 标签，会随片段切换。

生成片段借用了马斯克和乔的脸与声音，里面的新台词并非他们本人所说；项目也与这档节目及主持人无关。

为什么是「改造一段现成视频」，而不是再做一个聊天框

现在的生成式 AI 几乎都从一个空白输入框开始：你想要什么，得自己想清楚、自己写出来。问题在于：可能性是无限的，负担却全压在用户身上。大多数时候，人打开视频是想被带着走，不是想当编剧。

ACTx486 先拿一段已经做好的作品当底子，叙事、节奏、上下文都是现成的。你什么都不做，节目照常播；你想插一句，它就回应你，然后回到原来的轨道。团队把观众称为 「微导演」（microdirector）：能改变自己关心的片刻，不必负责整部作品的走向。

为了让这种插话不出戏，很多细节都做得像视频本身的一部分：主持人的视线、说话的时机、语气、画面和转场。点一下屏幕，你可以提问、打断、顺着一个话题追问、让它生成画面、换一种语言，或者把信息发到你手机上，然后回到视频。

团队设想把这种方式用到更多视频中。比如看一节课时，你可以在没听懂的地方追问，让讲解跟着问题继续。这也是它比「给视频加个聊天框」更值得想象的地方：提问发生在原本的内容里，回答接得上你刚看到的画面。

它能做什么：12 段演示逐个看

主演示之外，还有 11 段短视频。逐段看，会发现系统做的事不只是回答问题：它还试着把回答画出来、让改动留在画面里，再接回原节目。

讲不清的，当场画给你看

需要图才能讲明白时，系统会生成一张示意图，让它随着讲解逐步出现。如果问题含糊，画面里的人还会先反问。

这段里，原节目中马斯克说他卖的喷火器「其实就是一把屋顶喷枪套了个气枪外壳」。Lia 说没听懂，AI 马斯克先问「哪里没听懂」，Lia 说是喷火器怎么工作；他就边说边画：丙烷罐接一根压力管，扣扳机开阀门，燃气从喷嘴出来，点火器在喷口点着。讲完，节目回到原片，乔接着问下一个问题。

它知道你是谁

系统里存着一份观众画像，所以同一个问题，不同的人会得到不同的答案。值得留下来的信息，会以卡片形式推送到你手机上，视频这边的对话不会停。

Lia 提到她大部分时间住在洛杉矶，问该去哪逛。AI 马斯克回答「当然是特斯拉餐厅（Tesla Diner）」，接着说会专门给她发几个地方，推荐就这么发到了她手机上。

你说什么语言，他就用什么语言答

每个主持人都能单独换语言。你用哪种语言问，他就用同一种语言答，声音和性格不变。两位主持人可以各说各的语言，而节目本身继续用原来的英语播。

Lia 用意大利语问该投 SpaceX 还是特斯拉，AI 马斯克也用意大利语回答，最后把选择留给她。Lia 说「换回英语」后，节目接着用英语播。语言只在这轮插话里切换，原片仍按原来的方式往下走。

只改一个瞬间

你可以只指挥一个动作，被改掉的那一刻前后，原来的对话照常进行。

原节目里有马斯克抽东西的著名片段。演示里，他在这一刻被指示不要抽，AI 马斯克回答「好，我不抽」；这一下改完，节目就回到原片，接着往下聊。

往画面里放一个东西，它会一直在

你可以往视频里加一个 3D 建模的物体，挪来挪去、继续跟它互动。中途打断再问别的，物体还停在你上次放的位置，每一轮追问都不会丢。

Lia 让马斯克把星舰拿出来讲讲，画面里出现一个 3D 模型。她接着让他打开外壳、讲里面的部件，最后让它「点火」。同一个模型跟着几轮提问变化，观众不用每次重新交代自己在看什么。

带你去另一个地方

还可以进入一个新的世界，把想法变成画面。这时原来的对话还在继续，保持原样、跟画面同步；你追问的内容会在这个新世界里加进新对白，结束后回到演播室。

Lia 插话说「带我去火星」，画面就从演播室换到火星，原节目那句关于未来的对话仍接着播放。她再追问火星上的生活，新的回答出现在这个场景里；这轮对话结束，画面回到演播室。

改动会累积，不会重置

Lia 先让乔戴上粉色毛耳朵，再让马斯克带大家去特斯拉工厂。场景换了，乔还穿着刚才那身粉色衣服。第二个请求沿用了第一个请求留下的画面状态，这比每次生成一段互不相干的新视频更接近连续对话。

两个人一起动，或者只对其中一个说

一个请求也能作用于整个场景。Lia 让两人「现在都跳上桌子」，他们便在同一个镜头里一起跳上桌；随后节目回到原片继续播放。

你也可以只对其中一个人说话：按住说话时，问题会交给那一刻画面里出现的人。在节目结尾，Lia 对乔说「结束之前亲埃隆一下」，画面里便生成了一个亲脸颊的动作。

把你自己放进画面

系统还可以用观众的摄像头，把观众本人放进画面。Lia 问「我能代替乔采访你吗」，接着她出现在演播室里，坐到乔的位置，向马斯克提问。观众不再只是在画面外发号施令，也能成为场景的一部分。

有些话不替真人说

Lia 问「埃隆，我该投票给谁」，AI 马斯克回答「这个问题有点棘手，有些话题我不能替真正的埃隆表态」，然后交还给原节目。

看着流畅，但现在还做不到实时

系统会分析请求、查资料、写回答，再生成场景，完整走完一次还要好几分钟。所以这 12 段视频都提前生成好了。它们展示了互动视频可能长什么样，尚不能让你边看边等它当场接话。

真人的脸和声音，谁来决定怎么用

这组演示未经马斯克和乔同意，就用他们的形象和声音生成新内容。最难分辨的不是哪一帧被改过，而是观众可能把合成台词当成真人表态。视频用 REAL 和 ARTIFICIAL 标签标明原片与生成片段的切换；如果这样的作品走出研究演示，标记和使用规则就会影响人们能否相信眼前的人真的说过什么。

演示里也有一道具体限制：当 Lia 问马斯克该投票给谁，模拟人物拒绝替真人回答。团队承认，现有做法还不足以处理所有以真人身份说话的情况。

还没想清楚的：控制权该归谁

ACTx486 让观众能在原有作品里插话，却也提出一个创作问题：一部视频的节奏、剪辑和留白本来由创作者决定。观众能改变的部分越多，作品原来的安排就越容易被改写。将来这种视频真正能用时，创作者愿意开放哪些部分，可能和生成能力本身一样重要。