國產AI影片生成大模型實力展現　新技術下美到窒息還支援1080P

支持1分鐘、1080P分辨率的超長視頻生成。

國產視頻大模型再次卷出「新高度」。

前腳快手可靈升級完 1.5 模型，後腳字節就正式進軍視頻生成。

幾乎同一時間，美圖公司也突然宣佈，自家的奇想大模型（MiracleVision）視頻生成能力已完成全面升級。

具體而言，它不僅單次文生視頻時長、單次圖生視頻時長均達 5 秒，還支持 1 分鐘、幀率 24FPS、分辨率 1080P 的超長視頻生成。

而更讓人驚喜的，則是它超強的風格化。

比如，寫實風格的熊貓，坐在牆根上彈着吉他：

動畫風格的酷女孩，戴着墨鏡，邊走邊喝咖啡：

卡通風格的大黑牛騎着心愛的小摩托狂飆：

毛氈風格的農夫和小兔：

在海裡潛水的呆萌小企鵝：

還有最驚豔的中國風。一位古風美女，忽閃着倆大眼睛，眉一挑，手一攤，臉上露出驕傲不屑的神情。

目前，美圖奇想大模型全新視頻生成能力已在MOKI上線，後續將逐步覆蓋到美圖秀秀、美顏相機、Wink、開拍、美圖設計室、WHEE等產品。

接下來，我們將從寫實、動畫、國風、風格化、人像等維度，對它來一個全方位的測評。

寫實風格：重現真實物理規律

AI 生成寫實視頻時，經常會遇到肢體變形、動作卡頓等問題，而美圖的奇想大模型在複雜 3D 時空精準重構基礎上，視頻生成能夠重現真實物理規律，支持大幅度流暢運動。

例如，這段 Sora 的經典 Prompt，就是對大幅度流暢運動的考驗：一輛白色的越野 SUV，疾馳在蜿蜒的崎嶇山路上，周圍是鬱鬱葱葱的灌木叢。

奇想大模型不僅完美遵循文字指令，還體現出諸多小細節：通過車後泛起的塵土體現越野車的速度，逆光拍攝時畫面出現的光斑等。

再比如，Prompt：穩定拍攝的運動鏡頭，在戶外的一隻棕色皮毛的小松鼠，從畫面的右邊一路向右邊跳躍，動作敏捷。

這隻身手矯健的松鼠，前肢抬起，後肢發力，騰空跳躍，四隻爪子配合協調，尾巴隨之搖晃，觸碰到的樹葉也會彈動。

倒牛奶是一個包含複雜物理交互和視覺細節的場景。

我們輸入 Prompt：一隻手平穩地將銀色水罐中的牛奶倒入透明高腳杯中。

奇想大模型正確模擬了牛奶從容器中倒出、流動和最終落入杯中的過程。動作在時間上保持連貫，牛奶的流動沒有出現突然的中斷或不自然的加速，並且正確模擬出液麪的上升和下降。

再來看看這段玫瑰花蕾盛開的延時攝影。

花朵開放有一定生物學規律，並且需要理解和表現出延時攝影被壓縮的時間感。奇想大模型生成的視頻，不僅真實，還捕捉到動態的花瓣伸展的細節。

下面這段萬馬奔騰的航拍鏡頭也相當震撼。

Prompt：航拍鏡頭，從空中俯瞰到一群活力四射的駿馬在一片遼闊的大地上飛馳而過，鬃毛和馬尾隨風飄揚。

近 20 匹毛色各異的駿馬，馳騁在一望無際的草原上，它們四蹄翻飛，鬃毛和尾巴隨風飄揚，還展現出優美的肌肉線條。

即使是多主體、大幅度運動，奇想模型生成的畫面仍表現穩定，幾乎無虛化扭曲。

我們繼續輸入 Prompt: 一隻戴着紅項圈的橙色虎斑貓坐在牀上，正看着熟睡在藍白條紋羽絨被下的女生。

奇想大模型生成的畫質清晰，貓咪毛髮透着光澤，鬍鬚根根分明，女主人手指也沒有明顯的 bug，甚至它還生成了人物由於側躺產生的脖頸上的皺紋。

隨着鏡頭緩慢推進，貓咪轉過腦袋，項圈上的金屬環也隨之擺動，其動作自然連貫。

除了運動流暢外，奇想大模型還能進行復雜的語義理解。

比如 Prompt：靜態廣角鏡頭，在一個日常生活的家中，一隻棕色的小狗坐在掃地機器人上隨着它移動，在家中打掃衛生。

在這段文字指令中，既有鏡頭的要求，還有主體、動作以及場景的限制。奇想大模型均 get 到了。

在這個低機位廣角鏡頭中，一隻小狗坐在工作着的掃地機器人上，左瞅瞅右看看。

鏡頭隨着掃地機器人的運行軌跡而移動，掃攝到房間裏的沙發腿、略顯雜亂的飄窗等，要不是畫面開始右上角人物的腳有些彆扭，真以為是實拍。

不得不說，奇想大模型對於動物的神態和動作，捕捉得也相當到位。

這隻變色龍的特寫鏡頭中，其眼珠轉動，嘴巴微張，以此來體現其警惕的神態，而且變色龍顆粒狀、粗糙的皮膚也生成得很逼真。

圖片（Prompt：特寫鏡頭，一隻身上有綠棕色條紋的變色龍棲息在一根樹枝上，它的目光充滿警覺性，盯着鏡頭。）

梅花鹿豎起的耳朵，然後突然轉身離開的神態，簡直復刻出真實小鹿的反應。

圖片（Prompt：寒冷的冬天，一隻鹿站在結霜的田野裏，遠處有藍天、枯樹和山脈，四周很寧靜，鹿的皮毛上沾滿了雪，它豎起了耳朵警覺地凝視前方，接着轉身向田野遠方走去。）

動畫風格：擁有超強藝術審美

眾所周知，製作一部精美的動畫，那是相當費時費力，即使是宮崎駿這樣的大師，也不例外。

《你想活出怎樣的人生》耗費 7 年之久，《起風了》打磨了 2 年，僅關東大地震的 4 秒鏡頭，宮崎駿就「死磕」了 1 年零 3 個月。

不過有了 AI，大部分的「體力活」都可以被自動化。

就拿奇想大模型來說，曾經一個團隊需要吭哧吭哧幹幾個月的活兒，現如今，只需上傳一張圖片，或者輸入一段提示詞，它幾分鐘就搞定。

例如，我們輸入提示詞：動畫風格，一個小男孩和一個小女孩正坐在樹下吃西瓜。

奇想大模型生成的視頻中，兩個小孩眨着大眼睛，臉上帶着天真無邪的笑容。

他們捧着半拉西瓜，紅色的果肉在陽光下顯得格外誘人，還有西瓜籽點綴其間。畫風温馨治癒，極具美感。

再如，手拿麪包的小女孩，竟有了一種宮崎駿的感覺。

小女孩拿起一塊麪包，然後將其丟到另一隻手上，雖然動作幅度較大，但畫面並沒有崩壞。

我們還上傳了一張圖片，並輸入提示詞：公交車在鄉間小路上行駛。

隨着公交車的前行，鏡頭開始輕微晃動，模擬着跟拍的效果。

為了營造出鄉間小路的坑坑窪窪，奇想大模型還讓公交車呈現出顛簸的效果。

還有火車在白雪皚皚的林海中穿行：

一艘小船駛向岸邊：

小狗在家門口「汪汪」直叫，然後撒腿就跑：

國風：最懂「中國味」

要說奇想大模型最拿手的，非國風莫屬。

先給大家看兩組鏡頭：

猜猜哪個是奇想大模型生成的？答案是：第一個。

要想有地道的「中國味」，AI 需要理解中國傳統文化的元素和美學。

奇想大模型生成的國風動畫中，女孩身着中國傳統服飾、梳着結鬟式髮髻，身後古樸的木屋也有着中國獨特的韻味。

同時，它對於細節的處理也相當精細，人物表情靈動，服飾紋理細膩，甚至還能模擬出光照和色彩的自然過渡。

而在國風人物群像中，奇想大模型表現也很出彩。

主角表情變化自然，先是表情嚴肅，微微轉動眼珠，繼而嘴角擠出一抹神似華妃的「皮笑肉不笑」，肢體動作也很流暢。

身後的配角們模樣各異，雖無較大動作，但眨巴着眼睛，也相當逼真。

此外，奇想大模型還可以生成水墨動畫。

畫面中，山間雲霧繚繞，瀑布從山崖飛流直下，清流激湍，身穿飄逸長袍的俠客站在岩石上瀟灑轉身，動作絲毫不僵硬。

風格化：追求極致細節

憑藉在影像領域的長期深耕，美圖在風格化方面有着得天獨厚的優勢，實現了在藝術風格、細膩畫風、細節把控之間的高度平衡，具備強大的風格泛化力與兼具藝術審美的視覺表現力。

比如毛氈風格，喪眉耷眼的小浣熊，搖頭晃腦地自說自話，背景自然虛化，但隱約能看到滿樹桃花隨風晃動。

要知道，不少 AI 視頻模型在模擬毛氈的視覺效果時，對於紋理和光影效果的處理稍顯欠缺，而奇想大模型生成的視頻，畫質清晰穩定，毛絨感細膩。

即使畫面出現多個主體，也能實現風格的整體統一，哈巴狗和後面的小動物們，反應各異，但動態效果流暢連貫，並未出現視覺上的跳躍感。

再來個粘土風格。

晃晃悠悠的鏡頭中，鬍子拉碴的大叔獨自坐在小屋裏彈吉他。

衣服的褶皺，屋頂垂下來的電燈，牆上掛的畫框和雜物，以及窗台上的綠植，都生成得極具美感，尤其是那把吉他，非常逼真。

不過，唯一美中不足的，就是撥絃時手部稍顯扭曲。

人像風格：極具電影質感

美圖的奇想大模型還能根據文本或圖像，生成逼真的人像視頻，這為影視製作、廣告創意、時尚行業以及多媒體藝術創作打開了一扇新的大門。

在奇想大模型生成的正面人像視頻中，戴着牛仔帽的兩個男子坐在車裏盯着鏡頭，身體隨着汽車的顛簸而晃動。

車窗外，景色不斷變換，行道樹向後退去，整個鏡頭很有電影感。

夢幻般的森林中，一道道柔和的光線從樹縫中灑下，俊男美女站在光束下深情擁抱，周圍落葉紛飛。

整個場景如同一幅精美的油畫，光影、色彩、動靜結合得恰到好處，很是唯美。

為了在視頻生成領域一鳴驚人，美圖公司一直在悄悄努力。

去年 6 月，美圖奇想大模型上線，經過一年時間的迭代，目前已更新至 V5 版本，並升級為 Diffusion 與 Transformer 模型結合的全新技術路線，採用 DiT 視頻生成架構。

在新的技術路線下，相較業界先頭兵，美圖奇想大模型選擇優先攻克更具挑戰性的問題。

此次升級，該模型在技術層面上解決了主體一致性、運動連貫性、物理邏輯合理性等視頻生成能力落地的核心問題，並逐步嵌入多款產品中。

看完以上這 5 大維度、30 段絕美實測視頻，大家覺得美圖奇想大模型實力咋樣？

延伸閱讀：生成式AI應用100強　ChatGPT霸榜挑戰者出現　消費者最愛是這些（點擊連結看全文）

【本文轉自「機器之心」，微信公眾號：almosthuman2014】