先看许可，再看演示

这篇文章我已经答应过大家三次了。七月我说过，MoVox 里每一个模型用的都是宽松的开源许可，Apache 2.0 或者 MIT，而且我这么做的原因不是理想主义，是很实际的考虑。后来我停更了两个月，回来又答应了一次，再后来又答应了一次。所以在写下一篇我真正想写的东西之前，先把这笔账还上。

那这个实际的考虑到底是什么？

这条流水线的最后，出来的是一个视频文件：一部六百年前的小说里的一回，画好了，配好了音，剪好了。这样的视频放到哪里去？YouTube。观众在那里，我想分享给的人，几乎也都是在那里看视频的。

而放在 YouTube 上的视频，是可以赚钱的。不是因为我打算靠它赚钱，而是这个平台本来就是这么运作的：你放上去的东西有人看，它就有可能产生收益，不管你有没有这个打算。所以从我选定 YouTube 的那一刻起，我选的模型，它们的许可就必须允许这件事。

就这么简单，原因就这一个。

钱的事我就直说了，因为只有这一篇我会谈到它。赚钱从来都不是目的。我开始做这件事，是因为想听这些书被读出来，做着做着，就变成了给每一回导一集像电视剧一样的片子。另一半的原因是学习：我想真正把这一波新的 AI 技术学明白，所以从零开始搭一条自己的多智能体流水线，并且跑在我自己的机器上。这两件事都用不着花一分钱去赚。可是我不想等片子做出来了，才发现别的视频都能去的地方，它偏偏去不了。如果一个模型的许可写着”非商业”，那么这个模型碰过的每一帧都是非商业的，包含这些画面的整部片子也是。这个事后是剪不掉的，只能整部重画。

顺便说一句，书本身没有问题。《三国演义》差不多有六百年了，关羽不属于任何人。真正有附加条件的，是那些工具。

用一段话讲清楚 Apache 2.0 和 MIT。

拿这个去跟很多所谓”开放”的模型实际用的许可比一比，你就明白我为什么把线划在这里了。

这条规矩排除了什么。

我们说具体的，因为”只用宽松许可”听起来像是打个勾就完事的事，直到你亲眼看着它把最顺手的那个选择划掉。

脸。在四月，作画智能体的第一版设计，要求每个角色在每一个场景里都长得一样。做这件事的标准工具是 FaceID、InstantID 和 PuLID。它们都很好用，大家都在用，可它们全都依赖 InsightFace，而 InsightFace 的人脸模型只允许非商业的研究用途。所以第一天它们就出局了。于是计划变成了给书里每一个主要角色单独训练一个小模型，也就是 LoRA（一种小型的附加模型，训练它来教大模型记住某一张脸或者某一种画风）。角色那么多，要训练的东西也就不可能少了。

然后到了七月，在一次技术评审里，Qwen-Image-Edit-2511 出现了，Apache 2.0 许可。你给它一张审核过的角色肖像，它就能把这张脸、这身衣服，甚至这件兵器，带进一个新的场景里，整条链路上没有任何 InsightFace。每个角色单独训练（LoRA）这件事，就从主计划降成了备用方案，到现在还搁在那里。第一回的每一张关键帧，都是这样画出来的。

这里我要说句公道话：这个方案不是许可规矩设计出来的，是一个更好的模型正好出现了。但正是因为有这条规矩，我才会一直在找，而不是心安理得地去用大家都在用的那套工具。

动画。 我做选择的时候，动画模型的情况是这样的。HunyuanVideo 用的是腾讯自己的社区许可，把欧盟、英国和韩国排除在外。你想想看，要跟一个在伦敦的观众说，这一回在你的国家没有授权，那是什么感觉。CogVideoX 的代码是 Apache 2.0，可模型权重是非商业的。LTX-2 是真开放，效果也真的很好，但它只在你公司的年收入达到一千万美元之前免费。对大多数人来说这个条件很划算，我也永远不会接近那个数字。可它终究是一道门槛，而不是一份直接让你用的许可，我不想让一个商业条件写进一部片子里。更新的 Wan 2.5 和 2.6，只能通过 API 调用。

剩下的就是 Wan2.2。Apache 2.0 许可，而且它正好非常擅长我需要的那件事：把一张静止的画变成会动的画面。你在 MoVox 里看到的每一段动画都是它生成的，再加上一个叫 Lightning 的 Apache 2.0 小附件，把生成的步数从几十步压到了四步。

音效。 这一项我输了。十月我去找过一个能看着画面配上拟音的模型：马蹄声、风声、刀出鞘的声音。MMAudio 的权重是 CC-BY-NC，NC 就是非商业。HunyuanVideo-Foley 跟它的大哥一样，也排除了那几个地区。还有一个据说也是非商业的，我在它的源头也没能找到许可原文来证明不是这样。一个许可我确认不了是干净的，就当它不能用，因为万一猜错了，受影响的是它碰过的每一部片子。所以眼下片子里有人声，没有脚步声。这是这条规矩实实在在的代价，我不打算假装没有。

代码仓库上的许可，不是模型权重的许可。

就算你永远不会碰视频模型，这一部分也是我最希望你记住的。

一个模型不是一个文件。它是一个代码仓库，一套权重，往往还有几个运行时悄悄下载的小模型：这里一个人脸检测器，那里一个音频编码器。每一个都有自己的许可。GitHub 首页上写的只是你看到的第一个许可而已。

举两个我十月做口型同步调研时遇到的例子。

第一个是 LatentSync，字节跳动的口型同步模型。代码是 Apache 2.0，可两个版本的权重都是 OpenRAIL++。OpenRAIL 类的许可，允许商用，但附带一张用途限制清单，而且你还得把这些限制传给下游，所以它跟 Apache 不是一回事。好笑的是，我查到的好几篇文章都说 LatentSync 是”Apache 2.0”。他们看的是代码的许可，没有人点开过权重那一页。

MuseTalk 的故事更有意思。代码和权重都是 MIT，README 里白纸黑字写着：任何用途，包括商用。这总没问题了吧？可是它要用一个人脸解析器来找到嘴巴的位置，而这个解析器的权重根本没有任何许可，训练用的还是 CelebAMask-HQ，一个只供非商业研究使用的数据集。标题上写的是 MIT，可原样拿来的这条流水线是用不了的，你得先把那个小文件换成一个许可干净的，才能用它。

我真正在用的是 InfiniteTalk。它本身是 Apache 2.0，底下的视频模型是 Apache 2.0，用来听懂普通话的音频编码器是 MIT。它运行时加载的每一个文件我都查过了，整条链路都是干净的，现在角色的口型同步就是靠它做的。

所以我现在的规矩是”查整条链路”：模型运行时加载的每一份权重都要查，而不只是它所在的那个仓库。这件事很繁琐，说白了就是一张填满模型说明卡的表格。可是只有这样查，才真正有意义。

先小人，后君子。在你爱上那段演示之前，先把条件谈清楚。因为一旦你围绕一个模型搭好了整条流水线，你会非常非常希望它的许可没有问题。

这条规矩的代价。

我不想让人觉得这条规矩是免费的，它不是。

最好的开放图像模型都很大。Qwen-Image 有 200 亿参数，在一块 16GB 的卡上，只有压到 4 位才塞得进去，这会损失一些细节。我花了好几个星期去解决的细节问题，换成一个闭源的 API，或者一个非商业的模型，说不定早就替我解决好了。而且这个领域一直在变，下个月就可能出来一个更好的模型，它很可能是非商业的，我就只能看着它，但是选择不用它。

不过有时候，它也会往另一个方向变。Google 的 Gemma 系列，一直到 Gemma 3 用的都是 Google 自己的使用条款。到了今年四月，Gemma 4 出来的时候，用的是标准的 Apache 2.0。我的一个审查智能体就跑在它上面。我得承认，选它不是因为许可。它刚出来那个星期我下载下来试了试，后来就一直用着，许可是事后才去查的。结果是干净的，但这个顺序，恰恰是我在这篇里劝你不要走的。

这条规矩里留了一个例外，我也说一下。OpenRAIL 并没有被一刀切地禁掉：如果我看过某一个具体的模型，读过它的限制条款，并且把为什么可以接受写了下来，那就可以用。到现在为止我还没用到过这个例外。LatentSync 本来需要我做这个决定，有了 InfiniteTalk，也就不需要了。

它管不到的地方。

我不是律师，这篇也不构成法律建议。每个模型的许可都干净，意味着做这些工具的人对片子没有权利主张。可是 AI 生成的作品到底归谁，这个问题它解决不了。法院和版权机构还在争论，最后会落在哪里，我不假装知道。我能控制的，是不去招惹一个本来可以避开的麻烦，所以这一部分我认认真真地做好。

为什么我还会这么做。

因为这条约束已经不止一次地证明了它值得。它把我带到了一个比大家常用的更好的人物一致性方案上；它让我一直用着一个能在自己家里、自己的卡上跑的视频模型，中间不经过任何人的服务器；它还教会了我，不要只看到第一份许可就停下来，这个习惯我真希望早几年就养成。

如果你在做的东西，有一天可能要发布、要公开、要卖：先看许可，再看演示。然后，再去看演示下载的每一样东西的许可。