字节版Sora终于来了！一口气两款视频模型，带来的震撼不只一点点

我们用17个Prompt，实测了一把字节的两大视频生成模型。

字节憋了个大招。

9 月 24 日，字节跳动旗下的火山引擎在深圳办了一场 AI 创新巡展，一口气发布了两款视频生成大模型，正式宣告进军 AI 视频生成。

这两款模型，一个名为 PixelDance（以下简称 P 模型），一个名为 Seaweed（以下简称 S 模型），不仅在审美、动幅上提升了一个 level，还破解了多主体互动和一致性难题。

话不多说，先整几个视频让大家感受下：

一位年轻女生微簇眉头，生气地戴上一副墨镜，这时，男主角入画，紧紧抱住了她。

这段 10 秒的镜头中，人物面部表情变化自然，没有任何虚化崩坏。

再如，一只金毛小狗在草地上追逐泡泡。

视频链接：https://mp.weixin.qq.com/s/FlyrUWhePcWhfhNuh7tplA

以及一个 3D 风格的可爱小女孩正在跳舞。

视频链接：https://mp.weixin.qq.com/s/FlyrUWhePcWhfhNuh7tplA

看来，字节这次是把攒了许久的绝活儿，一股脑全倒出来了。

目前，新款豆包视频生成模型正在即梦 AI 内测版小范围测试，未来将逐步开放给所有用户。

我们也在第一时间拿到内测资格，接下来，就奉上新鲜出炉的一手实测。

解锁多动作、多主体

目前，市面上大部分视频生成模型，只能完成简单指令或者单一动作。而这次，豆包视频生成模型一顿升级，不仅可以遵循复杂 Prompt，还能捕捉多动作序列和主体互动。

例如，梵高站在自己的画作前，捂嘴大笑起来，脸上的褶子都清晰可见；随即又秒变严肃，手缓缓落下，捋捋自己的小胡子。

整套动作行云流水，表情自然逼真。

视频链接：https://mp.weixin.qq.com/s/FlyrUWhePcWhfhNuh7tplA

再比如，我们输入 Prompt：两名宇航员行走在夜晚繁华的街道上。

视频链接：https://mp.weixin.qq.com/s/FlyrUWhePcWhfhNuh7tplA

两名身穿宇航服的航天员，一前一后漫步在繁华街道上，身后人来人往，两侧的建筑亮起了绚丽的灯光和店招。

众所周知，AI 最容易犯的毛病之一，就是左右腿不分，或者惊现四条腿。

而在豆包视频模型中，二人走路姿势正常，几乎与真人无异，没有模糊、扭曲，也没有出现各种诡异画面。

我们还输入了一段形容词贼多的 Prompt：一只蜗牛在雨后的森林地面上缓缓爬行，它身后留下一条闪闪发光的粘液轨迹。蜗牛的触角谨慎地移动着，它的壳的每一段都有精细的纹理。一个摄像机跟踪着蜗牛的缓慢旅程。镜头非常接近，以至于蜗牛壳和身体上的水滴清晰可见，地面的细节也展现得非常清楚。

我们还试了下图生视频，上传图片后，输入 Prompt：金鱼游动，水中冒着气泡。

别看这个 Prompt 简单， 豆包模型的「脑回路」却复杂得很。不仅完美遵循文字指令，还学会了摇镜头。

视频链接：https://mp.weixin.qq.com/s/FlyrUWhePcWhfhNuh7tplA

画面一开始，水缸中的金鱼开始游动，并伴随着大量气泡。随后，镜头一拉，现出女孩全身，她在水中缓缓转过身，发丝和宽松的衣摆在水中的漂浮感，以及头顶露出水面的状态，豆包模型均捕捉到位。

此外，豆包视频模型还采用全新设计的扩散模型训练方法，成功攻克了多镜头切换时难以保持一致性的困扰，可 10 秒讲述一个起承转合的故事。

比如，用它生成一段睡美人的故事。

视频链接：https://mp.weixin.qq.com/s/FlyrUWhePcWhfhNuh7tplA

睡美人躺在床上陷入沉睡，窗外的小鸟叽叽喳喳也吵不醒她，这时一位王子俯下身吻了睡美人，试图唤醒她。

在这个 prompt 中，涉及多个镜头的切换，但主体、风格、氛围和逻辑仍能保持一致性。

审美高级，风格多变

豆包新模型采用深度优化的 Transformer 结构，大幅提升了视频生成的泛化能力，黑白、3D 动画、2D 动画、国画、厚涂等多种风格，它通通支持。

再来个动画风格的。

身穿灰色时尚卫衣的猫咪，迈着「六亲不认」的步伐，走在星光闪耀的 T 台上。

其中，猫咪眨巴着眼睛，毛发和衣服褶皱处理得也相当逼真，胸前的两根衣带也能随着步伐而摆动。

大家觉得豆包视频生成模型水平咋样呢？来评论区聊聊吧。