原理讲解 · 两张照片 · 原版厨房片段
What You Want Me To Do AI 视频：Fredo Bang《Oouuh》合唱是怎么做出来的
“What You Want Me To Do” AI 视频，就是把两个人（或宠物）放进 Fredo Bang 2018 年的《Oouuh》厨房合唱里：一个弹尤克里里，一个唱副歌。在这里上传两张照片：先合成一张首帧，再由原片的深度图带动动作，最后铺回原声。下面讲每一步做了什么、为什么有的版本一看就假，以及每种选择要花多少积分。
做我的合唱视频- 两张照片，或同一张用两次
- 10、15 或 23 秒
- 原片原声
- 19 积分起
23 秒 · 9:16 · 480p · 原声
你的照片先合成一张静帧，视频再跟着 2018 年原片走。Seedance 2.5 渲染前会审核静帧、照片、房间和参考，不通过就退积分。一般几分钟。
你的照片要跟着的深度图：只有两个人形，没有脸。带声音播放一下，成片里就是这段原声。
“What You Want Me To Do” AI 视频是什么？
它是 Fredo Bang《Oouuh》厨房合唱的翻拍，换上两张新面孔：左边的人弹尤克里里，右边的人唱副歌。这个叫法来自副歌里的一句“what you want me to do”，并不是歌名，所以直接搜这句话，常常只搜到通用的 AI 视频工具，而不是这个趋势。
- 这个叫法
- 《Oouuh》副歌里的一句歌词。大家搜的是听到的那句，而不是歌名。
- 歌曲
- 说唱歌手 Fredo Bang 的《Oouuh》
- 原始片段
- 2018 年在一间窄厨房里用手机拍的：Einer Bankz 在左边弹尤克里里，Fredo Bang 在右边唱。Einer Bankz 2022 年 4 月把它重新发到 TikTok。
- AI 版
- 两张照片替换掉两位表演者，厨房、动作和原声都不变。2026 年 10 月初在 TikTok 火起来。
- 其他叫法
- Fredo Bang AI 视频、Oouuh AI、尤克里里合唱趋势、厨房合唱
- 别搞混
- Jimmy Reed 的《Baby What You Want Me to Do》和 Tevin Campbell 的《Tell Me What You Want Me to Do》：歌词撞了，但是别的歌，和这个趋势无关
事实核对于 2026年10月23日。出处： TikTok 上的 2018 年原片 · YouTube 上的《Oouuh》音频
从两张照片到成片，中间发生了什么
从上传到拿到 MP4，中间有四步。每一步决定成片的一部分，也各自是某一类“假感”的源头。
- 第 1 步
你的两张照片
照片 1 成为画面左边弹尤克里里的人，照片 2 成为右边唱歌的人。脸、头发或毛色、肤色、体型和衣服，全部只从这两张照片来。
- 第 2 步
一张双人静帧
图像模型把两个人放进空厨房（或你上传的房间），做成首帧：弹琴的人抱着尤克里里，唱歌的人一只手抬到下巴。
- 第 3 步
动作参考
2018 年原片前 23 秒的深度图：黑底上两个灰色人形。它带着站位、每个动作、节奏和手持镜头的晃动，但完全不带任何人的长相。
- 第 4 步
铺回原声
视频模型生成的是无声画面，再把同一条参考里的原片音频铺在下面，所以那声“ooh”正好落在唱歌的人仰头的时候。
每一步决定什么、容易在哪出问题
| 步骤 | 输入 | 它决定什么 | 这里容易出的问题 |
|---|---|---|---|
| 你的两张照片 | 两张人像，或同一张用两次 | 谁站哪边；每张脸、每套衣服长什么样 | 照片太小、太糊或是合影：脸会跑偏，两人会糊在一起或站错边 |
| 一张双人静帧 | 照片 1、照片 2，加上厨房底图或你的房间 | 构图、尤克里里、房间和光线 | 房间照片杂乱或歪斜；脸只剩很少的像素，只能靠模型重画 |
| 动作参考 | 深度视频，加上静帧和两张照片 | 每个动作、每个节拍和镜头晃动 | 没有参考（纯提示词工具）时动作和节奏会跑；手指不在轮廓里，只能靠模型补 |
| 铺回原声 | 参考片段的音频 | 声音和动作对不对得上 | 另配新音频的工具会丢掉原曲；剪辑时裁掉开头会让声画错位 |
23 秒原片，逐拍拆开
参考是一镜到底的手机画面，没有剪切。短版本就是同一段提前结束，所以你选的时长，决定了副歌在不在里面。
| 时间 | 唱歌的人（右） | 弹琴的人（左） | 包含在哪些时长里 |
|---|---|---|---|
| 0–4 秒 | 手先抬到下巴，再放到胸口；轻轻摇摆，对着镜头唱前几句 | 低头弹，抬头看一次镜头 | 10、15、23 秒 |
| 4–7 秒 | 咧嘴笑出声，约 7 秒时仰头大笑 | 抬头看镜头，笑 | 10、15、23 秒 |
| 7–10 秒 | 拳头举到头边，然后正对镜头唱 | 抬头一下，又看回琴弦 | 10、15、23 秒（10 秒到此结束） |
| 10–14 秒 | 双臂低低地甩，跟着节拍点头；副歌前吸一口气，一只手叉腰 | 继续弹 | 15、23 秒 |
| 14–17.5 秒 | 副歌：仰头闭眼，一声拉长的“ooh” | 稳稳地弹 | 23 秒（15 秒只到开头一秒） |
| 17.5–23 秒 | 伸手够向镜头，举拳，双手往外推，最后一个长音 | 抬头笑，再低头 | 只有 23 秒（Seedance 2.5） |
嘴型的时机来自这张时间表，而不是音频：模型被告知什么时候唱、什么时候拉长音、什么时候笑，原声是之后才铺上的。所以 14–17.5 秒那个长音，最容易看出口型准不准。
为什么有的像真的，有的一看就假
这类视频里反复出现的就那几个破绽。每一个都出自某一步，所以都能追到原因、提前避开。
| 你看到的 | 为什么会这样 | 出在哪一步 | 怎么改 |
|---|---|---|---|
| 脸越看越不像照片 | 脸要被重画两次（静帧一次，视频每一帧一次），原图脸太小、太糊或侧着，像素不够 | 静帧和视频 | 用清晰的正脸照，脸在画面里占得大一些；最在意脸的话选 720p 或更高 |
| 嘴型和“ooh”对不上 | 嘴的动作跟的是排好的动作时间，不是音频；声音是之后铺的 | 动作和声音 | 剪辑时别裁开头；14–17.5 秒的长音最难，选 10 秒就不包含它 |
| 弹琴的人也跟着唱 | 两张脸旁边都是歌声，或者弹琴那格放了一张正在唱歌的照片 | 视频 | 把比较安静的人放在照片 1，最好是闭着嘴的表情 |
| 手指糊进琴弦里 | 手指太小，深度轮廓里没有，只能靠模型补 | 视频 | 用能看到手的照片；720p 或 1080p 给手指更多像素 |
| 两人换边或混成一个人 | 用了合影，或两张照片都没有明确的单一主体 | 静帧 | 每张照片只有一个人或一只宠物；左右放反了就点“左右互换” |
| 发到 TikTok 后又软又糊 | 480p 被拉伸到手机全屏，或用了从聊天软件存下来的低清图 | 成片 | 要发布就选 720p 或 1080p；上传原图，不要截图 |
| 房间扭曲或闪烁 | 自己上传的房间照片是歪的、乱的或里面有人 | 静帧 | 用默认厨房，或者竖着、正对着、胸口高度拍一张空房间 |
| 宠物长出人手 | 模型默认弹琴的就是人手 | 视频 | 用全身照，看得到爪子 |
发布前的四个检查
- 在第 4 秒和第 15 秒暂停：两张脸还和照片对得上。
- 弹琴的人全程闭着嘴。
- 一只手一直在琴颈上，另一只在琴弦上。
- 第 14 秒长音一起，唱歌的人正好仰头。
做这条视频的四种方法，各自保留了什么
你刷到的这些片子，来自四种不同的做法。它们的差别不太在精致度，而在保留了原片的哪些东西：动作、声音，以及你看到的是谁的脸和身体。
| 方法 | 动作和节奏 | 声音 | 谁的脸和身体 | 宠物 | 你要做什么 |
|---|---|---|---|---|---|
| 用原片深度图驱动的模板（本站生成器） | 逐拍跟原片走 | 原片自己的音频铺回去 | 两张脸和身体都来自你的两张照片 | 可以，站立、用爪子弹 | 传两张照片，选时长 |
| CapCut 或 PixVerse 模板（TikTok 教程里的做法） | 取决于模板作者做的，接近趋势 | App 里的趋势音频 | 你的照片，按模板原本的构图放 | 看模板 | 在 App 里按名字或 #pioneertemplate 这类标签找模板，再放照片 |
| 纯提示词视频模型（Kling、Runway、Veo 等） | 靠文字描述，动作和节奏会跑 | 没有原片声音，要在剪辑软件里配 | 一般只能参考一张图；指定两个具体的人很难 | 可以 | 写提示词、反复重抽、再处理音频 |
| 在原片上换脸 | 完全一致：本来就是原片 | 原声 | 只换脸；身体、衣服和厨房还是原表演者的 | 不行 | 选片、传脸；用的是真人的原始画面 |
之所以用深度图而不是原视频，是因为深度图只带形状和动作。Fredo Bang 和 Einer Bankz 长什么样，一点都不会传给模型，所以每张脸、每套衣服和房间，都来自你上传的东西。
换模型会改变什么
五个模型跟的是同一条参考、从同一张静帧开始。不同的只有时长、输出尺寸、审核步骤和价格。
| 模型 | 时长 | 输出 | 最低 | 区别 |
|---|---|---|---|---|
| Seedance 2.0 Mini | 10 s / 15 s | 480p / 720p | 消耗 19 积分 | 最便宜。$5 试用的 24 积分够做一条 10 秒 480p。 |
| Seedance 2.0 Fast | 10 s / 15 s | 480p / 720p | 消耗 36 积分 | 时长和尺寸与 Mini 相同，价格更高。 |
| Seedance 2.0 | 10 s / 15 s | 480p / 720p / 1080p | 消耗 58 积分 | 做 10 或 15 秒 1080p 最便宜的选择。 |
| Seedance 2.5 | 10 s / 15 s / 23 s | 480p / 720p / 1080p | 消耗 82 积分 | 默认模型，也是唯一能做完整 23 秒的。渲染前先审核静帧、照片、房间和参考，审核不过会退积分。 |
| MiniMax H3 | 10 s / 15 s | 720p | 消耗 81 积分 | 只有 720p，10 或 15 秒；和 Seedance 是不同的模型家族。 |
同一段原片的三条翻拍
同一间厨房、同一套动作、同一段声音。每条都逐拍跟着 2018 年原片走，用的是原声。
每条视频多少积分
下面每个价格都是一条成片，已含双人静帧。只有 Seedance 2.5 有 23 秒。
| 模型 · 时长 | 480p | 720p | 1080p |
|---|---|---|---|
| Seedance 2.0 Mini · 10 s | 消耗 19 积分 | 消耗 36 积分 | — |
| Seedance 2.0 Mini · 15 s | 消耗 27 积分 | 消耗 52 积分 | — |
| Seedance 2.0 Fast · 10 s | 消耗 36 积分 | 消耗 73 积分 | — |
| Seedance 2.0 Fast · 15 s | 消耗 52 积分 | 消耗 108 积分 | — |
| Seedance 2.0 · 10 s | 消耗 58 积分 | 消耗 120 积分 | 消耗 295 积分 |
| Seedance 2.0 · 15 s | 消耗 85 积分 | 消耗 178 积分 | 消耗 440 积分 |
| Seedance 2.5 · 10 s | 消耗 82 积分 | 消耗 179 积分 | 消耗 314 积分 |
| Seedance 2.5 · 15 s | 消耗 121 积分 | 消耗 266 积分 | 消耗 468 积分 |
| Seedance 2.5 · 23 s | 消耗 183 积分 | 消耗 405 积分 | 消耗 716 积分 |
| MiniMax H3 · 10 s | — | 消耗 81 积分 | — |
| MiniMax H3 · 15 s | — | 消耗 120 积分 | — |
从 19 积分（约 $0.71）到 716 积分（约 $26.62），按最便宜的月付套餐积分单价折算。 默认设置（Seedance 2.5、完整 23 秒、480p）是 183 积分（约 $6.80）。
免费、试用和水印
| 问题 | 回答 |
|---|---|
| 上传照片、试设置 | 免费，不扣积分 |
| 注册送积分 | 新账号送 3 积分；这里最便宜的一条要 19 积分，单靠赠送的不够 |
| $5 试用（每个账号一次） | 够一条：24 积分可以做一条 10 秒 480p 的 Seedance 2.0 Mini（19 积分） |
| 必须订阅吗？ | 不必，一次性积分包也可以 |
| 水印 | 首次购买前生成的视频带有小型移动水印；任意一次购买即可解锁无水印原片，包括之前已生成的视频。 |
| 生成失败 | 自动退回积分，包括 Seedance 2.5 审核没通过的情况 |
你的照片：去了哪里、能用谁的
这个模板需要两张清楚的脸，所以上传什么、上传后怎么处理，都值得说清楚。
- 私密存储。 照片私密地存在你的账号下，只发给视频模型用来生成你的视频。成片只出现在你自己的历史记录里。
- 模型审核。 用 Seedance 2.5 时，静帧、两张照片、房间和动作参考会先过模型服务商的内容审核；不通过就退积分。
- 先问一声。 上传前征得照片里每个人的同意，发布前把成片给他们看。
- 不用公众人物和儿童。 这里不允许使用明星、政治人物、陌生人和儿童的照片。
- 标注 AI。 TikTok、Instagram 和 YouTube 都要求创作者标注逼真的 AI 视频，发布时打开“AI 生成”标签。
四步做出你的版本
就是上面那条流程，从你这边看。
- 01
选两张照片
照片 1 是左边弹尤克里里的人，照片 2 是右边唱歌的人。每张一个人或一只宠物，脸要清楚；全身照衣服更自然。同一张照片用两次，就能一人分饰两角。
- 02
用厨房，或换成你的房间
动作参考里没有房间，所以默认会发空厨房底图。想用自己的地方，就上传一张竖拍、正对、胸口高度的空房间照片。
- 03
选时长和模型
10 秒在副歌前结束，15 秒刚到第一个长音“ooh”，23 秒副歌唱两遍（仅 Seedance 2.5）。480p 足够先看脸像不像，要发布选 720p 或 1080p 更好。
- 04
生成并下载
先做静帧，再做视频，一般几分钟。下载带原声的 MP4，按 9:16 发布。
照片检查清单
- 每张照片一个人或一只宠物，不要合影。
- 脸清楚、朝向镜头；不要截图，也不要用聊天软件转发过的图。
- 半身或全身照能让画面下方的衣服更自然。
- 尽量露出手或爪子：弹琴的手是最难的部分。
- 自己的房间：空的、竖拍、正对着拍，里面不要有人或宠物。
套餐和积分包
What You Want Me To Do 模板的所有模型、时长和分辨率都用积分支付；一次性积分包和月付套餐都可以。
入门版
尝鲜体验
每月 240 积分
≈ 10 个 10 秒 Seedance 2.0 Mini 视频
- 视频无水印，已生成的视频也一并解锁
- 所有模型、时长和分辨率
- 生成失败自动退积分
- 邮件支持
专业版
热门适合常更的创作者
每月 780 积分
≈ 32 个 10 秒 Seedance 2.0 Mini 视频
- 视频无水印，已生成的视频也一并解锁
- 所有模型、时长和分辨率
- 生成失败自动退积分
- 优先支持
企业版
适合机构和账号矩阵
每月 2,650 积分
≈ 110 个 10 秒 Seedance 2.0 Mini 视频
- 包含专业版全部功能
- 专属支持
What You Want Me To Do AI 视频：原理常见问题
What You Want Me To Do 视频是用什么 AI 模型做的？
本站用的是字节的 Seedance 2.0 Mini、Fast、2.0、2.5，以及 MiniMax H3；大多数一键做 Oouuh 的网站底层也是 Seedance。默认是 Seedance 2.5，也只有它能做完整 23 秒。从 19 积分（约 $0.71）到 716 积分（约 $26.62），按最便宜的月付套餐积分单价折算。 默认设置（Seedance 2.5、完整 23 秒、480p）是 183 积分（约 $6.80）。 首次购买前生成的视频带有小型移动水印；任意一次购买即可解锁无水印原片，包括之前已生成的视频。
What You Want Me To Do AI 视频只是换脸吗？
在这里不是。换脸是把你的脸贴到原片上，身体、衣服和厨房还是原来那两位的。这个生成器是重画整个画面：两张照片先合成新的首帧，再由 2018 年原片的深度图带动，所以脸、身体、衣服，以及你上传的房间，全都来自你的图片。
为什么视频里的脸不像我的照片？
多半是照片的问题。脸会被重画两次，静帧一次、视频每一帧再一次，脸太小、太糊或侧着，每画一次就丢一些细节。用一张清晰、正面、只有一个人、脸占画面较大的照片，不戴墨镜、不加重滤镜；最在意脸就选 720p。
为什么有的 What You Want Me To Do AI 视频像真的，有的一看就假？
破绽通常是：脸越看越不像、弹琴的人也跟着唱、手指糊进琴弦、画面又软又糊。大多来自输入（脸太小、用合影、用截图），或来自不跟原片走的做法，比如纯提示词视频模型。用原片动作、配清晰单人照做出来的，最像真的。
声音是《Oouuh》原录音，还是 AI 生成的？
在这里是原录音：视频模型先生成无声画面，再把 2018 年原片的音频铺在下面，和深度图同步。也有些生成器会另配新的尤克里里音乐。歌曲版权归权利人；在 TikTok 和 Reels 上，你也可以静音后从 App 音乐库里加上《Oouuh》。
一个人或一只宠物能同时演两个角色吗？
可以。两个位置上传同一张照片，就会有两个分身分别弹琴和唱歌，就像上面那只金毛。宠物也可以：它会站起来，用爪子弹。
能用明星的照片做这个趋势吗？
不能。请用你自己和同意的人的照片：朋友、伴侣、家人、自家宠物。这里不允许公众人物、陌生人和儿童，平台也会下架未经同意、以真人为对象的逼真 AI 视频。