AIGC 扩画面 vs ROI 裁剪：智能横转竖背后的两条技术路线

摘要

横屏视频要出现在抖音、小红书、视频号必须变9:16竖屏。裁还是补？本文拆解ROI智能裁剪与AIGC Outpainting扩画面的原理与成本，结合腾讯云媒体AI智能横转竖0.28元/分钟与高级版AIGC扩画面40元/分钟，给出资产再分发的决策框架。

一、为什么横转竖是刚需

内容平台画幅格局：

一个 MCN 机构每天产出几百条 16:9 长视频，要覆盖全渠道就必须批量生产 9:16 / 1:1 / 3:4 版本。人工重剪不现实，智能横转竖因此成为媒体 AI 最高频的能力之一。

二、两条技术路线

路线 A：ROI 裁剪（Crop-based）

从 16:9 原图里裁出 9:16 区域，放弃画面两边。

路线 B：AIGC 扩画面（Outpainting-based）

保留原 16:9 完整画面，在上下补出新像素凑成 9:16。

示意：

原画面 16:9
┌──────────────────────────┐
│   ROI 区（裁剪）         │
│    ┌─────────┐           │
│    │  主体   │           │
│    └─────────┘           │
└──────────────────────────┘

ROI 裁剪输出 9:16
┌─────────┐
│  主体   │
└─────────┘

AIGC 扩画面输出 9:16
┌──────────────┐
│  AI 补出背景 │
│┌──────────┐  │
││  原画面  │  │
│└──────────┘  │
│  AI 补出背景 │
└──────────────┘

两条路的"灵魂取向"不同：

• 路线 A："主体优先"，宁愿少信息也要聚焦；
• 路线 B："信息优先"，保留全部原画面，由 AI 补齐两端。

三、ROI 裁剪：技术链路拆解

3.1 主体检测

这是路线 A 的核心难题。需要回答"每一帧画面的视觉焦点在哪里"。常用信号：

3.2 时序平滑

每帧独立裁剪会导致抖动。解法：

裁剪中心 c_t 用卡尔曼滤波或指数滑动平均：
c_t = α × raw_t + (1-α) × c_{t-1}

再加入 运动阻尼：当主体位移 < 5% 宽度时不动镜头，大于时做缓动。

3.3 镜头语言

专业摄像师的横转竖不是机械裁剪，而是带镜头语言：

• 切镜头（Cut）：场景变化时瞬移；
• 推拉镜头（Zoom in/out）：聚焦重点；
• 横摇（Pan）：跟随主体移动。

MAIS 智能横转竖（0.28 元/分钟） 在内部封装了多类镜头语言策略，依据视频类型（剧情/访谈/赛事）自动切换。

3.4 典型场景表现

四、AIGC 扩画面：技术链路拆解

4.1 核心思想

用扩散模型（Diffusion）在原画面上下两端"生成"与现有画面自然衔接的新像素。本质是 Outpainting，但视频对"时序一致性"有额外要求。

4.2 技术栈

1. 主体画面保持：原 16:9 区域像素完全保留；
2. 背景分析：估计场景类别、色调、纹理、透视；
3. DiT 条件生成：以原画面 + 文本描述 + 深度图为条件，在上下区域填充；
4. 时序一致：跨帧共享潜变量、使用 3D 注意力避免闪烁；
5. 色彩/光照融合：与原画面做色彩匹配。

4.3 为什么贵：40 元/分钟

对比 ROI 裁剪的 0.28 元/分钟，AIGC 扩画面贵 140 倍，原因：

• 扩散模型推理步数多（20~50 步）；
• 潜空间仍需 3D Full Attention；
• 时序一致性使得每段需较长 context；
• 质控成本：扩散生成需多次采样取最优。

4.4 适用场景

五、两条路线的决策矩阵

经验法则：

• 长视频（> 10 分钟）、预算敏感 → 首选 ROI 裁剪；
• 广告、精品短剧、品牌内容 → 优先 AIGC 扩画面；
• 混合工作流：主内容用 ROI，Logo 区域/片头片尾用扩画面，综合成本最优。

六、工程化要点

6.1 字幕/标题的守护

无论选哪条路，字幕/标题必须 100% 保留。做法：

• ROI 路线：OCR 提取字幕 → 作为"必须包含区域"参与裁剪规划；
• 扩画面路线：字幕自带保留，但需避免被补出区域遮挡。

对接 MAIS OCR 提取（0.6 元/分钟） 即可完成字幕位置识别。

6.2 片头片尾处理

片头片尾常有完整品牌信息，不宜裁剪。建议：

• 使用 MAIS 片头片尾识别（0.015 元/分钟） 检测边界；
• 片头片尾自动切换至扩画面模式；
• 主体内容使用 ROI 裁剪。

6.3 多版本并行生产

一条 10 分钟横屏视频，通常需要：

七、如何评估横转竖质量

MAIS 在内部用上述指标对每一批量产视频做 QC，超阈值自动回流人工校对。

八、组合打法：一条视频的全链路

某汽车品牌发布会横屏视频（30 分钟），横转竖流水线：

1. 大模型视频理解（1.5 元/分钟）：识别关键时刻、品牌 Logo 出现时段；
2. 精彩集锦（0.28 / 1.78 元/分钟）：剪出 3~5 分钟精华；
3. 智能横转竖（0.28 元/分钟）：精华 9:16 裁剪；
4. AIGC 扩画面（40 元/分钟）：Logo 展示 30 秒做扩画面；
5. AI 配音（0.5~9 元/分钟）：补充解说；
6. 字幕压制（0.063 元/分钟）：烧入字幕；
7. 智能审核（0.08 元/分钟）：合规检测。

总成本：约 60~150 元即可产出多平台适配的成片，人力投入极低。

九、常见疑问

Q：AIGC 扩画面会不会把画面变形？

A：不会改变原画面像素，只在上下补充。但生成的内容会与原画面融合，色调可能微调。

Q：直播能用扩画面吗？

A：当前直播场景推荐用 ROI 裁剪，扩画面因扩散模型推理成本高更适合离线生产。

Q：能不能把扩画面蒸馏到 ROI 的价格？

A：研究进展很快（如 LCM、一致性模型），2026 年可能迎来 10 倍降价，但质量要求高的广告仍推荐使用原版。

十、开始横转竖自动化

产品入口：腾讯云媒体 AI（MAIS）

横转竖从来不是"省事"，而是"懂事"。不同内容、不同平台、不同预算，选不同路线。MAIS 把两条路线都做成了按分钟付费的 API，你只需要决定"这条视频的灵魂是主体，还是构图"。