編輯 | 言征
出品 | 51CTO技術(shù)棧（微信號(hào)：blog51cto）
字節(jié)終于又跳動(dòng)了一把！昨天，字節(jié)豆包大模型冷不防就公開了一個(gè)新品大招！
9月24日，深圳。字節(jié)對(duì)于大模型領(lǐng)域的雄心壯志再度升級(jí)，不等OpenAI的Sora發(fā)布，視頻生成領(lǐng)域，字節(jié)要當(dāng)No.1。
字節(jié)就是這樣，總在看似尋常的更新會(huì)議上，放出驚艷的大招！
劃重點(diǎn)：不負(fù)大家對(duì)于字節(jié)的期待，全新的豆包視頻生成模型實(shí)在威力驚人，活動(dòng)現(xiàn)場(chǎng)非?；鸨?！
圖片
巡展開始，火山引擎總裁譚待宣布了豆包大模型家族的新成員——全新發(fā)布豆包·視頻生成模型、以及豆包·音樂模型、豆包·同聲傳譯模型、豆包通用模型pro 和文生圖模型、語音合成模型等垂類模型大幅升級(jí)。這也宣告了字節(jié)在大模型領(lǐng)域，正式角逐AI視頻生成賽道。
可以這樣形容，即便是Sora、可靈，都要讓出王座！
一、字節(jié)版Sora，重新定義中國(guó)視頻大模型
此次全新發(fā)布的豆包視頻生成模型有兩款：PixelDance、Seaweed。活動(dòng)現(xiàn)場(chǎng)展示的視頻生成效果令人驚嘆。無論是語義理解能力，多個(gè)主體運(yùn)動(dòng)的復(fù)雜交互畫面，還是多鏡頭切換的內(nèi)容一致性，豆包視頻生成大模型均達(dá)到業(yè)界先進(jìn)水平?；鹕揭婵偛米T待表示，“視頻生成有很多難關(guān)亟待突破。豆包兩款模型會(huì)持續(xù)演進(jìn)，在解決關(guān)鍵問題上探索更多可能性，加速拓展AI視頻的創(chuàng)作空間和應(yīng)用落地?！?/p>
此前視頻生成模型雖然逼真，但看多了就會(huì)發(fā)現(xiàn)不少雞肋之處：只能完成簡(jiǎn)單指令、多主體交互容易變形、運(yùn)鏡延伸時(shí)一致性差等等。
這次字節(jié)的豆包視頻生成模型一次打包全部搞定了這些難題，該模型不僅能夠深度理解并響應(yīng)復(fù)雜指令，驅(qū)動(dòng)不同人物角色完成一系列精細(xì)的動(dòng)作互動(dòng)，更在細(xì)節(jié)處理上達(dá)到了極致，從人物樣貌、服裝的微妙變化到頭飾的精準(zhǔn)呈現(xiàn)，均能在不同運(yùn)鏡角度下保持高度一致，仿佛實(shí)拍般自然流暢。
除了手上的表有一些些閃動(dòng)，人物比例、動(dòng)作、肢體、光影等等，幾乎毫無瑕疵。（來源：數(shù)字生命卡茲克）
有創(chuàng)作者在搶鮮體驗(yàn)豆包視頻生成模型時(shí)發(fā)現(xiàn)，其生成的視頻不僅能夠遵循復(fù)雜指令，讓不同人物完成多個(gè)動(dòng)作指令的互動(dòng)，人物樣貌、服裝細(xì)節(jié)甚至頭飾在不同運(yùn)鏡下也保持一致，接近實(shí)拍效果。
Prompt：拿著鐮刀的死神朝女人走近。特寫女人的臉，她驚恐地尖叫。（來源：數(shù)字生命卡茲克）
巡展上火山引擎介紹，豆包視頻生成模型基于 DiT 架構(gòu)，通過高效的DiT融合計(jì)算單元，讓視頻在大動(dòng)態(tài)與運(yùn)鏡中自由切換，擁有變焦、環(huán)繞、平搖、縮放、目標(biāo)跟隨等多鏡頭語言能力。全新設(shè)計(jì)的擴(kuò)散模型訓(xùn)練方法更是攻克了多鏡頭切換的一致性難題，在鏡頭切換時(shí)可同時(shí)保持主體、風(fēng)格、氛圍的一致性，這也是豆包視頻生成模型獨(dú)樹一幟的技術(shù)創(chuàng)新。
經(jīng)過剪映、即夢(mèng)AI等業(yè)務(wù)場(chǎng)景打磨和持續(xù)迭代，豆包視頻生成模型具備專業(yè)級(jí)光影布局和色彩調(diào)和，畫面視覺極具美感和真實(shí)感。深度優(yōu)化的Transformer結(jié)構(gòu)，則大幅提升了豆包視頻生成的泛化能力，支持3D動(dòng)畫、2D動(dòng)畫、國(guó)畫、黑白、厚涂等多種風(fēng)格，適配電影、電視、電腦、手機(jī)等各種設(shè)備的比例，不僅適用于電商營(yíng)銷、動(dòng)畫教育、城市文旅、微劇本等企業(yè)場(chǎng)景，也能為專業(yè)創(chuàng)作者和藝術(shù)家們提供創(chuàng)作輔助。
圖片
Prompt：小貓和小熊貓開心地跳著，然后擁抱在一起。（來源：機(jī)器之心）小貓晃動(dòng)著爪子，和小熊貓玩親親，細(xì)節(jié)層次豐富，光影隨著主體運(yùn)動(dòng)而變化，大幅提升畫面視覺審美。
目前，新款豆包視頻生成模型正在即夢(mèng)AI內(nèi)測(cè)版小范圍測(cè)試，未來將逐步開放給所有用戶。
二、背后有哪些黑科技？
大家可能好奇，首次突破多主體互動(dòng)難關(guān)，字節(jié)如何做到的？
首先，是豆包大模型能力的提升?！岸拱曨l生成”大模型憑借其卓越的語義理解能力、對(duì)復(fù)雜交互畫面的精準(zhǔn)捕捉以及多鏡頭切換下的內(nèi)容一致性，成功躋身業(yè)界先進(jìn)水平。
據(jù)悉，“豆包視頻生成”模型依托字節(jié)跳動(dòng)自主研發(fā)的DiT（Dynamic Integration Transformer）架構(gòu)，通過高效的DiT融合計(jì)算單元，實(shí)現(xiàn)了視頻在大動(dòng)態(tài)場(chǎng)景與多樣運(yùn)鏡之間的無縫切換。這一技術(shù)突破賦予了視頻變焦、環(huán)繞、平搖、縮放、目標(biāo)跟隨等多鏡頭語言能力，讓視頻創(chuàng)作更加自由靈動(dòng)，滿足了創(chuàng)作者對(duì)視覺表達(dá)的無限想象。
其次，為了進(jìn)一步提升視頻創(chuàng)作的專業(yè)性和觀賞性，“豆包視頻生成”團(tuán)隊(duì)還創(chuàng)新性地采用了全新設(shè)計(jì)的擴(kuò)散模型訓(xùn)練方法。
prompt：睡美人躺在床上陷入沉睡，窗外的小鳥嘰嘰喳喳也吵不醒她，這時(shí)一位王子俯下身吻了睡美人，試圖喚醒她。（來源：機(jī)器之心） 在這個(gè) prompt 中，涉及多個(gè)鏡頭的切換，但主體、風(fēng)格、氛圍和邏輯仍能保持一致性。
這一方法有效攻克了多鏡頭切換過程中保持主體、風(fēng)格、氛圍一致性的技術(shù)難題，確保在鏡頭切換的瞬間，視頻的整體氛圍與細(xì)節(jié)表現(xiàn)依然和諧統(tǒng)一，為觀眾帶來更加沉浸式的觀看體驗(yàn)。
三、寫在最后
自此，AI視頻賽道，字節(jié)可謂一鳴驚人！2025前，我們看到了一個(gè)AI武裝版的字節(jié)正在醞釀之中。期待王者歸來！
最后不得不說一句，當(dāng)你認(rèn)為一切已黯淡成型時(shí)，宇宙條正悄悄為你準(zhǔn)備新的開始。這正是，大模型戰(zhàn)場(chǎng)的魅力。
