优雅YOYA(YoYa)是中科闻歌推出的 AI 音视频内容生成平台,2024 年 8 月北京人工智能生态大会首发。它依托雅意(YAYI)与多模态大模型,提供从脚本撰写、素材匹配到智能剪辑、配音生成的全流程自动化能力,并支持多语种翻译与声音克隆,专为媒体融合与国际传播场景打造。
优雅YOYA是什么
优雅YOYA(也写作 YoYa / "优雅"音视频智能创作平台)是一款面向视频内容生产工业化需求的 AI 多模态文生视频平台。
它并非单纯的"文字→视频"工具,而是把脚本生成、素材检索、智能剪辑、语音合成、口型驱动、声音克隆等环节整合为一条自动化生产链路。也正因如此,优雅YOYA 更像一条"AI 化的视频产线",而非单一的生成应用。
其开发方为中科闻歌(wenge.com),源自中国科学院自动化所,董事长王磊。中科闻歌旗下基础大模型矩阵包括:雅意(YAYI)通用大模型——与中国科学院自动化所、清华、北大核心技术团队联合打造,2025 年在全球 AI 智能体评测中取得双榜第一;以及面向 AI for Science 的磐石(ScienceOne)、企业级 Agent 体系Claworks、决策机Decitron等。优雅YOYA 正是在这一"通专融合"模型生态中诞生的多模态音视频产物,也是中科闻歌把大模型能力落到具体产业场景的代表性平台。
技术上,优雅YOYA 以多模态语义理解为核心,能够识别画面、语音、文字、情绪等 20 多个维度的信息,赋能从脚本撰写、素材匹配到智能剪辑、配音生成的全流程自动化生产。一句话总结:优雅YOYA 不是花哨的玩具,而是给媒体融合、国际传播、广电出版的"工业级生产力工具"。
优雅YOYA的核心功能
优雅YOYA 的能力围绕"工业级、自动化、多模态"三大关键词构建,可拆为三大官方特色与一组场景化工具:
- 特色一:行业领先的文生视频能力:依托雅意大模型与多模态大模型,智能完成"脚本生成 → 以文生图 → 以图生视频"生产链路,融合智能剪辑、语音合成、人物口型驱动,用户输入主题即可一键生成 30 秒以上高清素材视频并自动剪辑成片。
- 特色二:独创多模态素材介入生成:基于媒体领域深度积累,拥有景别、运镜、节奏、情感、视角等 20+ 媒体专业维度的信息抽取能力,能对图、视频素材做智能理解,并根据脚本对已有内容资产进行高阶语义检索,智能选取素材完成剪辑,大幅提升生成可控性与完成度。
- 特色三:赋能视频全链条的 AI 工具集:提供语音克隆、视频口型翻译、AI 数字人、AI 音乐创作、AI 视频生成、多模态内容编目等智能工具,覆盖视频内容创作的全链路。
两个高频场景能力值得单独强调:一是国际传播——支持多语种实时翻译 + 声音克隆,官方披露语音相似度超 90%,精准还原原片情感氛围;二是智能策划选题——基于账号特征和热点趋势自动给出选题建议,为创作者提供数据化创意决策。
优雅YOYA怎么用
作为政企级生产力平台,优雅YOYA 主要通过中科闻歌官方渠道与合作媒体机构接入;面向移动端场景,已与香港创奇思(Cherrypicks)合作推出优雅YOYA 国际版 Mobile AI Agents。核心使用流程如下:
- 输入主题指令:在创作者界面输入主题 prompt,系统调用雅意大模型生成结构化脚本。
- 素材智能匹配:基于 20+ 媒体专业维度对已有内容资产进行高阶语义检索,自动选取匹配素材。
- 智能剪辑成片:融合智能剪辑、语音合成、人物口型驱动能力,一键生成 30s+ 成片。
- AI 配音配乐:调用 AI 音乐模块生成适配的背景音乐,调用语音合成/克隆模块完成旁白与人声。
- 多语种翻译与发布:面向国际传播场景,使用视频口型翻译模块一键生成多语言版本,导出发布。
几个进阶玩法:"极速成片"模式可一次性输出 AI 文案 + 分镜 + 素材匹配 + 拍摄方案 + AI 自动配音配乐;"视频翻译"支持双语字幕编辑、AI 去字幕、自定义术语,显著提升本地化效率;"AI 音乐"可快速生成适配度高的歌曲,解决版权与创作成本问题。需要注意:优雅YOYA 主要面向 B 端工业级场景,C 端个人创作者通常需通过合作机构或国际版移动端间接体验;内容涉及新闻、肖像、版权等敏感场景时,仍需人工把关。
优雅YOYA的优缺点
作为背靠国家级科研机构的 B 端生产力平台,优雅YOYA 在专业度与媒体场景适配上明显领先,但在开放性与 C 端友好度上仍有取舍。
✅ 优点
- 背靠中科院自动化所与雅意大模型,技术自主可控,国际评测成绩过硬(雅意 2025 双榜第一)。
- 三大特色齐发,既能"从零生成"又能"对已有素材高阶复用",覆盖两条主流创作路径。
- 多模态理解 20+ 媒体专业维度,对媒体素材的语义抽取专业度高,远超通用视频模型。
- 全链条工具集(脚本/剪辑/翻译/克隆/数字人/音乐/编目)一体化,无需拼凑多个 AI 工具。
- 媒体行业落地成熟:服务新华融媒、湖南广电、四川天府融媒、西部国际传播中心、重庆两江融媒体中心等机构。
- 国际传播能力突出:多语种实时翻译 + 声音克隆,语音相似度超 90%。
❌ 缺点
- 偏 B 端工业级生产场景,C 端个人创作者直接上手门槛较高,需走合作渠道。
- 一键成片以 30s+ 为主,更长视频/电影级内容仍需人工介入。
- 主要依赖雅意与多模态自研模型,开放性与第三方插件生态仍待扩展。
- "素材介入生成"特色需依托已有内容资产,纯 AIGC 路径表现相对一般。
综合来看,优雅YOYA 是给媒体融合、国际传播、出版传媒、广电等机构的"工业化产线";C 端轻量创作者若只想快速出 10 秒短视频,或许更适合可灵、即梦、Pika 等更易上手的工具;若你有规模化、专业化、多语种的生产需求,优雅YOYA 的纵深优势无可替代,也是当下国内少数能覆盖"AI 一键成片 + 多语种国际传播"全链路的平台之一。 优雅YOYA与其他AI视频生成工具的区别
AI 视频生成赛道玩家众多,下表从厂商、定位、核心差异与适合人群四个维度对比 6 款主流工具:
| | | | |
|---|
| | | 20+ 媒体专业维度素材介入、全链条工具、国际传播多语种翻译 + 声音克隆 | |
| | | | |
| | | | |
| | | | |
| | | | |
| | | | |
简言之,优雅YOYA 的差异化在于"媒体工业级 + 中文媒体专精 + 国际传播":它不像 Sora/Veo 走通用文生视频路线,也不像可灵/即梦偏 C 端短视频,而是把"专业媒体语义理解 + 多语种传播"做成了护城河。对于预算充足、有规模化生产需求的 B 端媒体机构来说,优雅YOYA 是目前中文媒体场景下少见的"一站式 AI 产线"型平台。
优雅YOYA的适用人群与注意事项
适合谁用:国际传播中心、出版传媒集团、融媒体中心、广播电视集团等需要规模化音视频生产的政企媒体机构;做多语言国际传播的内容团队;广电传媒记者编辑;以及对接已有媒资库、希望用优雅YOYA 实现智能化盘活的传媒单位。C 端短视频创作者也可关注其与香港创奇思合作的优雅YOYA 国际版移动端体验。
- 偏 B 端:主要服务政企媒体,C 端个人用户通常需通过合作渠道或国际版移动端间接体验。
- 商用合规:AI 生成视频涉及版权、肖像权、新闻真实性等合规要求,发布前需人工把关,尤其是涉政、涉外、涉敏感事件的内容。
- 长视频能力:一键成片以 30s+ 为单位,更长视频/电影级内容仍需人工剪辑与脚本深度设计。
- 深度伪造风险:多语种翻译 + 声音克隆属于深度合成范畴,使用时须遵守《生成式人工智能服务管理暂行办法》及目标国法律。
- 数据安全:媒体内容资产上传前应评估数据安全、版权与隐私政策,敏感素材建议本地部署或私有化方案。
以上内容仅供参考,具体功能、客户案例与合作模式以中科闻歌官方信息(wenge.com)最新发布为准。优雅YOYA 的产品形态与商业策略可能持续迭代,建议定期回访官方渠道获取最新动态。