我的征尘是星辰大海。。。

The dirt and dust from my pilgrimage forms oceans of stars...

-------当记忆的篇章变得零碎，当追忆的图片变得模糊，我们只能求助于数字存储的永恒的回忆

作者:黄教授

手机视频列表

剪映AI-Story的背后的商业真相

视频

音频

原始脚本

剪映 AI Story 背后的降维商业真相，一场抽丝剥茧的硬核发现。
我们本次分享的核心不是抽象的技术理论，而是实打实的抽丝剥茧过程。
我们用 FFMPEG 拆解剪映 AI Story，用数据验证真相，最终揭开了这款产品背后的商业逻辑与技术真相。
一、核心发现。
用 FFmpeg 拆解，还原视频真实结构。
我们以剪映 AI Story 生成的一段3:51，231秒视频为样本。
通过 FFmpeg 工具拆解，得到了完全反常识的核心数据，这是整个分析的基础。
一、提取视频中所有 I 帧、关键帧，共得到77张 JPG 格式静态图片。
平均每3秒左右一张图，231秒除以77张，约等于3秒每张，与实际播放节奏一致。
二、统计 I 帧总大小，77张 JPG 合计仅3.9兆，单张平均约50 KB。
三，统计全帧结构。
视频总帧数约6930帧，30 FPS 乘231秒。
其中 P 帧占绝对主导， I 帧仅占77帧。
P 帧数据量占视频总大小33MB的80%以上，约29兆。
这一发现直接打破了常规认知。
一般 MP4视频中，I 帧完整原图是体积主力，P 帧增量帧仅为补充。
但剪映 AI Story 恰好相反，I 帧只是骨架，P 帧才是撑起视频体积的血肉。
二，真相拆解，P 帧占比超80%的背后，是 PPT 式的像素渲染，为什么会出现 P 帧体积远大于 I 帧的的反常识现象，我们通过进一步分析视频内容与编码逻辑，找到了核心原因。
一、视频本质是 PPT 式动画，77张爱真是 AI 生成的静态图文，1080P分辨率，经 FFmpeg 提取爱真属性验证。
视频中的平移、滑动、淡入淡出、偏转等动画并非 AI 生成的复杂像素内容，而是基于静态图的像素级平移渲染。
二、编码逻辑决定 P 针体积，MP4播放器无法执行矢量指令，如图片左移100像素，必须通过像素运 算记录每帧的位移、叠加等变化。
这些变化全部由 P 帧存在。
6000加帧的连续平移动作需要大量 P 帧记录像素数据，最终导致 P 帧体积远超 I 帧。
三、验证结论。
我们用 DO 命令统计 I 帧总大小3.9兆，用 For Probe 统计 P 帧数量与整体码率。
最终确认，33MB 的视频体积中，仅3.9兆来自 AI 生成的静态图，剩余29兆均为传统软件渲染的 P 帧动画数据。
三、商业逻辑。
八毛钱背后的降本三板斧，基于上述技术真相，我们进一步拆解剪映 AI Story 的商业逻辑。
发现其核心是 AI 负责骨架，传统软件负责血肉。
规模化算力摊薄成本星星，具体可分为三点。
一、成本分离，AI 生图是大头，动画渲染几乎零成本，核心成本，AI 文生图。
77张1080P静态图，依赖大模型，Diffusion 类推理生成。
参考火山引擎等行业常规文生图成本，结合剪映规模化部署优势，单张图成本约0.01元，77张合计约0.77元。
用户支付的0.8元，绝大部分用于覆盖 AI 生图的算力成本。
0成本环节，传统动画渲染视频中的平移、滑动等动 由剪映内部积累的传统视频渲染库 C 加加、CUDA 完成，无需调用大模型。
该环节仅涉及简单的像素运算，能耗低、耗时短，几乎不产生额外算力成本。
二、规模化运营，满负荷算力利用，摊薄硬件成本，数据中心的最大成本不是运行，而是空闲。
剪映的核心商业策略是任务排队加流水线式作业。
所有用户提交的 AI Story 任务均进入异步队列，服务器集群、GPU、CPU，24小时满负荷运行，算力利用率长期维持在90%以上，无空闲浪费。
即便单用户订单利润仅0.03元，0.8元到0.77元。
但海量用户的规模化交付下，累计利润足以覆盖硬 硬件电力等固定成本，实现薄利多销的盈利目标。
三，生态锁死，从自由编辑到依赖闭环剪映通过技术设计，实现了用户生态的深度绑定，这也是其商业逻辑的重要一环。
云端编辑阶段，支持 SRT 字幕可编辑，用户可自由调整内容，体验相对自由。
导出环节将字幕硬编码 OSD 入视频画面，而非保留独立 SRT 文件。
这意味着用户无法将字幕分离到其他软件编辑，只能继续使用剪映进行后续修改。
存储配套为用户提供1T 免费云存储，引导用户习惯在剪映生态内完成素材管理、编辑全流程，进一步强化用户依赖。
四、总结。
本次发现的核心价值，本次我们通过 FFMPEG 拆解数据验证、逻辑分析的完整流程，实现了三大核心突破。
一、技术层面，验证了剪映 AI Story 的 PPT 式动画本质，证实了 P 帧体积大于 I 帧的反常识现象。
打破了 AI 生成视频等于全像素 AI 创作的误区。
二、商业层面，揭开了剪映的盈利密码。
AI 只负责生成核心素材，静态图，动画渲染靠传统软件省钱，服务器满负荷运营摊薄成本，最终以低价实现规模化盈利。
三、方法层面，提供了拆解工具加数据验证的产品分析思路，让我们能透过表面功能看到底层的技术实现与商业逻辑。
这份发现不仅适用于分析剪映，也可用于解读其他 AI 工具类产品。
真正的 AI 产品往往是 AI 加传统技术的组合。
其商业价值存在成本分离与规模化运营之中。

修正脚本

剪映 AI Story 背后的降维商业真相，一场抽丝剥茧的硬核发现。
我们本次分享的核心不是抽象的技术理论，而是实打实的抽丝剥茧过程。
我们用 FFMPEG 拆解剪映 AI Story，用数据验证真相，最终揭开了这款产品背后的商业逻辑与技术真相。
一、核心发现。
用 FFmpeg 拆解，还原视频真实结构。
我们以剪映 AI Story 生成的一段3:51，231秒视频为样本。
通过 FFmpeg 工具拆解，得到了完全反常识的核心数据，这是整个分析的基础。
一、提取视频中所有 I 帧、关键帧，共得到77张 JPG 格式静态图片。
平均每3秒左右一张图，231秒除以77张，约等于3秒每张，与实际播放节奏一致。
二、统计 I 帧总大小，77张 JPG 合计仅3.9兆，单张平均约50 KB。
三、统计全帧结构。
视频总帧数约6930帧，30 FPS 乘231秒。
其中 P 帧占绝对主导， I 帧仅占77帧。
P 帧数据量占视频总大小33MB的80%以上，约29兆。
这一发现直接打破了常规认知。
一般 MP4视频中，I 帧完整原图是体积主力，P 帧增量帧仅为补充。
但剪映 AI Story 恰好相反，I 帧只是骨架，P 帧才是撑起视频体积的血肉。
二、真相拆解：P 帧占比超80%的背后，是 PPT 式的像素渲染，为什么会出现 P 帧体积远大于 I 帧的反常识现象，我们通过进一步分析视频内容与编码逻辑，找到了核心原因。
一、视频本质是 PPT 式动画，77张I帧是 AI 生成的静态图文，1080P分辨率，经 FFmpeg 提取I帧属性验证。
视频中的平移、滑动、淡入淡出、偏转等动画并非 AI 生成的复杂像素内容，而是基于静态图的像素级平移渲染。
二、编码逻辑决定 P 帧体积，MP4播放器无法执行矢量指令，如图片左移100像素，必须通过像素运算记录每帧的位移、叠加等变化。
这些变化全部存在于P帧。
6000多帧的连续平移动作需要大量 P 帧记录像素数据，最终导致 P 帧体积远超 I 帧。
三、验证结论。
我们用 DO 命令统计 I 帧总大小3.9兆，用 For Probe 统计 P 帧数量与整体码率。
最终确认，33MB 的视频体积中，仅3.9兆来自 AI 生成的静态图，剩余29兆均为传统软件渲染的 P 帧动画数据。
三、商业逻辑。
八毛钱背后的降本三板斧，基于上述技术真相，我们进一步拆解剪映 AI Story 的商业逻辑。
发现其核心是 AI 负责骨架，传统软件负责血肉。
规模化算力摊薄成本，具体可分为三点。
一、成本分离，AI 生图是大头，动画渲染几乎零成本，核心成本，AI 文生图。
77张1080P静态图，依赖大模型，Diffusion 类推理生成。
参考火山引擎等行业常规文生图成本，结合剪映规模化部署优势，单张图成本约0.01元，77张合计约0.77元。
用户支付的0.8元，绝大部分用于覆盖 AI 生图的算力成本。
0成本环节，传统动画渲染视频中的平移、滑动等动作由剪映内部积累的传统视频渲染库 C 加加、CUDA 完成，无需调用大模型。
该环节仅涉及简单的像素运算，能耗低、耗时短，几乎不产生额外算力成本。
二、规模化运营，满负荷算力利用，摊薄硬件成本，数据中心的最大成本不是运行，而是空闲。
剪映的核心商业策略是任务排队加流水线式作业。
所有用户提交的 AI Story 任务均进入异步队列，服务器集群、GPU、CPU，24小时满负荷运行，算力利用率长期维持在90%以上，无空闲浪费。
即便单用户订单利润仅0.03元，0.8元减0.77元。
但海量用户的规模化交付下，累计利润足以覆盖硬件电力等固定成本，实现薄利多销的盈利目标。
三、生态锁死，从自由编辑到依赖闭环剪映通过技术设计，实现了用户生态的深度绑定，这也是其商业逻辑的重要一环。
云端编辑阶段，支持 SRT 字幕可编辑，用户可自由调整内容，体验相对自由。
导出环节将字幕硬编码 OSD 入视频画面，而非保留独立 SRT 文件。
这意味着用户无法将字幕分离到其他软件编辑，只能继续使用剪映进行后续修改。
存储配套为用户提供1T 免费云存储，引导用户习惯在剪映生态内完成素材管理、编辑全流程，进一步强化用户依赖。
四、总结。
本次发现的核心价值，本次我们通过 FFMPEG 拆解数据验证、逻辑分析的完整流程，实现了三大核心突破。
一、技术层面，验证了剪映 AI Story 的 PPT 式动画本质，证实了 P 帧体积大于 I 帧的反常识现象。
打破了 AI 生成视频等于全像素 AI 创作的误区。
二、商业层面，揭开了剪映的盈利密码。
AI 只负责生成核心素材，静态图，动画渲染靠传统软件省钱，服务器满负荷运营摊薄成本，最终以低价实现规模化盈利。
三、方法层面，提供了拆解工具加数据验证的产品分析思路，让我们能透过表面功能看到底层的技术实现与商业逻辑。
这份发现不仅适用于分析剪映，也可用于解读其他 AI 工具类产品。
真正的 AI 产品往往是 AI 加传统技术的组合。
其商业价值存在于成本分离与规模化运营之中。

英文翻译

The business truth behind the dimensionality reduction of CapCut AI Story: a hardcore discovery through painstaking analysis.

The core of this sharing is not abstract technical theories, but the concrete process of peeling back the layers.

We used FFMPEG to deconstruct CapCut AI Story, validated the truth with data, and ultimately unveiled the business logic and technical truth behind this product.

I. Core Discovery

Deconstructing with FFmpeg to restore the true structure of the video.

We took a 3:51 (231-second) video generated by CapCut AI Story as a sample.

By deconstructing it with the FFmpeg tool, we obtained core data that completely defies common sense, forming the basis of the entire analysis.

1. Extracted all I-frames and keyframes from the video, obtaining 77 static images in JPG format.
On average, one image every 3 seconds: 231 seconds divided by 77 images ≈ 3 seconds per image, consistent with the actual playback rhythm.

2. Calculated the total size of I-frames: the 77 JPG images totaled only 3.9 MB, with an average of about 50 KB per image.

3. Analyzed the overall frame structure.
Total video frames: approximately 6930 frames (30 FPS × 231 seconds).
P-frames dominate overwhelmingly, with I-frames accounting for only 77 frames.
The data volume of P-frames accounts for more than 80% of the total video size of 33 MB, approximately 29 MB.

This finding directly overturns conventional understanding.
In typical MP4 videos, I-frames (complete original images) are the main contributors to file size, while P-frames (incremental frames) are supplementary.
But CapCut AI Story is exactly the opposite: I-frames are just the skeleton, while P-frames are the flesh that bulks up the video.

II. Truth Unraveled: Behind the >80% P-frame ratio lies a PPT-style pixel rendering. Why does this counterintuitive phenomenon occur where P-frames are much larger than I-frames? Through further analysis of video content and encoding logic, we found the core reasons.

1. The video is essentially a PPT-style animation. The 77 I-frames are AI-generated static images with text, at 1080P resolution, verified by extracting I-frame attributes via FFmpeg.
The animations in the video—panning, sliding, fade-in/fade-out, tilting—are not AI-generated complex pixel content, but rather pixel-level translational rendering based on static images.

2. The encoding logic determines P-frame size. An MP4 player cannot execute vector instructions (e.g., "move the image 100 pixels to the left"); it must record per-frame changes such as displacement and overlay through pixel operations. All these changes reside in P-frames.
Continuous panning actions across more than 6000 frames require a large number of P-frames to record pixel data, ultimately making P-frames far larger than I-frames.

3. Verification of conclusion.
We used the `do` command to calculate the total I-frame size (3.9 MB) and `ffprobe` to count the number of P-frames and overall bitrate.
Final confirmation: In the 33 MB video, only 3.9 MB comes from AI-generated static images, while the remaining 29 MB is P-frame animation data rendered by traditional software.

III. Business Logic: The Three Cost-Cutting Axes Behind 0.8 Yuan

Based on the above technical truths, we further deconstruct the business logic of CapCut AI Story.
The core is: AI handles the skeleton, traditional software handles the flesh.
Scale computing power spreads costs. This can be broken into three points.

1. Cost Separation: AI image generation is the major cost, animation rendering is nearly zero.
Core cost: AI text-to-image generation. 77 static 1080P images rely on large models (Diffusion-type inference). Referencing standard text-to-image costs from Volc Engine and other industry players, combined with CapCut's advantage in large-scale deployment, the cost per image is about 0.01 yuan. 77 images total about 0.77 yuan.
The 0.8 yuan paid by users mostly covers the computing cost of AI image generation.
Zero-cost component: Traditional animation rendering. Actions like panning and sliding in the video are completed by CapCut's in-house accumulated traditional video rendering library (C++, CUDA), without invoking large models. This step only involves simple pixel operations, low energy consumption, short time, and almost no additional computing cost.

2. Scale Operations: Full-load computing utilization to spread hardware costs. The biggest cost of a data center is not operation, but idle time. CapCut's core business strategy is task queuing + assembly-line processing. All user-submitted AI Story tasks enter an asynchronous queue, and server clusters (GPU, CPU) run at full capacity 24/7, with computing utilization consistently above 90% and no wasted idle time.
Even if the profit per user order is only 0.03 yuan (0.8 - 0.77), under mass-scale delivery of millions of users, cumulative profit is enough to cover fixed costs like hardware and electricity, achieving a high-volume, low-margin profitability goal.

3. Ecosystem Lock-in: From free editing to a closed dependency loop. Through technical design, CapCut achieves deep binding of the user ecosystem, which is also an important part of its business logic.
During cloud editing, SRT subtitles are editable, allowing users to freely adjust content—a relatively free experience.
At the export stage, subtitles are hard-coded (OSD) into the video frame, rather than retained as independent SRT files. This means users cannot separate subtitles for editing in other software and must continue using CapCut for subsequent modifications.
Storage support: Providing users with 1TB of free cloud storage encourages users to manage materials and complete the entire editing workflow within the CapCut ecosystem, further strengthening user dependency.

IV. Summary: The Core Value of This Discovery

Through the complete process of FFMPEG deconstruction, data verification, and logical analysis, we achieved three core breakthroughs:

1. Technical level: Verified the PPT-style animation nature of CapCut AI Story, confirmed the counterintuitive phenomenon where P-frame volume exceeds I-frame volume, and dispelled the misconception that AI-generated video equals full-pixel AI creation.

2. Business level: Unveiled CapCut's profit code: AI is only responsible for generating core materials (static images), animation rendering relies on traditional software to save costs, and full-load server operations spread costs, ultimately achieving scaled profitability at low prices.

3. Methodological level: Provided a product analysis approach combining deconstruction tools with data verification, allowing us to see the underlying technical implementation and business logic behind surface functions. This finding is not only applicable to analyzing CapCut but also useful for interpreting other AI tool products.

True AI products are often a combination of AI and traditional technologies. Their business value lies in cost separation and scaled operations.