70万人争先体验！视频生成新王者「可灵AI」又双叒升级了

要说最近什么最火，视频生成AI的Demo一个接一个往外冒，从玩梗图到拼时长，再到硬磕物理逻辑，各家都铆足了劲，恨不得直接叫板Sora。可就在这场混战中，有人不声不响地交出了“电影级”的答卷。

真实风格的光影效果：

天马行空的想象力，杂糅起来也能驾驭：

更有人直接拿它干活了——视频生成AI+音乐生成AI，再配点PS和AE，一首完整的MV就这么出来了。

网友怎么看？他们反倒问一句：“好莱坞你怎么看？”

效果丝滑、精细，社交平台上这样的短视频已经不少了。关键是，它在大幅运动时不会胡乱脑补。比如图生视频——一个奔跑的半人马，动态自然得不像AI生成的。

这些作品背后的模型，正是

。几周前它就开始在全球刷屏，号称“一号难求”。但这不是画饼——直接上线了产品级应用，。最新数据显示，申请用户数已接近，成了当之无愧的顶流。

一月数次升级，可灵 AI 的狂飙式进化

今年是生成式AI的里程碑之年。2月份OpenAI的Sora把竞争拉到了视频生成的高度，但率先落地的，还得看国内公司。

自6月6日正式亮相，短短一个月，快手的可灵AI就经历了三次迭代。从最初的文生视频，到两周后支持图生视频、视频续写、多尺寸选择，它一步步变得全面而强大。不知不觉中，视频生成的各种需求似乎都被覆盖了。

在刚刚结束的世界人工智能大会WAIC 2024上，可灵AI迎来了第三次大升级——发布了一系列新功能，在视频生成质感、美感、可玩性上再上台阶。

快手高级副总裁、快手主站业务与社区科学线负责人

介绍了三大亮点：。

首先，

。与之前相比，画质有了质的飞跃。得益于更高的训练时空分辨率，在细节、构图、运镜美观性和光影方面都有明显改善。下面这张对比图一目了然：

其次，

——让首尾帧呼应的图生视频成为现实。用户可通过自定义起始帧和结束帧图像，精确控制不同片段之间的丝滑转场，实现一镜到底等效果。从实际生成结果看，不仅动作自然流畅，画质也有保障。比如把下面两张图接成一段视频：

效果是这样的：

最后，

。可灵AI预设了六套经典镜头控制方式：Roll（旋转）、Tilt（垂直摇镜）、Pan（水平摇镜）、Vertical（垂直运镜）、Horizontal（水平运镜）和Zoom（推进/拉远），用户还能调节正负参数来控制运动激烈程度或反向运动。大师级运镜，让电影感唾手可得。

新功能加入后，视频清晰度、美学表现、内容自定义控制都有了肉眼可见的提升。

值得一说的是，

，成为一个发布即可用的一站式视觉内容创作平台。“首尾帧控制”和“运镜控制”目前仅在网页端提供，想要尝试的朋友可以抓紧去申请了。

用“诚意满满”来形容这次的升级一点不为过，背后自然是快手在视频生成能力上的持续创新突破。

「电影级」AI 生成，背后全是技术

相比已经非常成熟的图像生成，视频生成要复杂得多——真实性、动作连贯性、画面流畅性、细节精度、场景角色光影一致性、物理准确性、时长限制……每一项都是硬骨头。这些挑战应对得好不好，直接决定模型的实用性和易用性。

升级后的可灵AI，在以上方面可以说是脱胎换骨。总结起来，

。快手视觉生成与互动中心负责人逐一做了剖析——这些能力构筑了它在画质、图生视频、运动生成、生成时长、物理规律、指令响应、视频可控性上的核心竞争力，也造就了如今全能的可灵AI。

前文所展示的高画质版、首尾帧控制和相机镜头控制，正是可灵AI在

三大能力上的进一步演化。

：能高保真、生动地呈现壮阔的自然风光、人或动物的动作和表情，大片感十足。

：让静态图像动起来，转换为5秒短视频，配合不同文本输入，创意随心。比如把小狗游泳的图像变成视频：

效果：

：除了本次的相机镜头控制，未来还将在语音面部匹配、人物ID保持、简单笔画提示控制画面布局等方面实现可控调整——相关模型训练已完成，功能很快上线。

同时，可灵AI在运动生成、生成时长、物理规律、指令响应等四大能力上也进一步升级：

。通过建模复杂的时空运动，可灵AI可以生成较大幅度、符合运动规律的动画。比如下面小猫的转身和走路，刻画得自然合理，符合物理事实。

。目前可灵AI能够生成数分钟的1080p、30fps视频，并支持视频续写——单次续写延长4-5秒，可连续多次，，还能指定后续发展方向。此次升级后，单次生成长度从5秒提升到了10秒，在开放产品中实现最长时长，为用户提供更广阔的创作空间。

。自Sora以来，各家都注重生成符合物理规律的视频。可灵AI发布之初就能准确建模现实世界属性——比如给小猫洗澡。现在，在更充分的训练下，对交互式物理规律的模拟能力又上了一个台阶。

。通过对文本到视频跨模态语义的深刻理解，可灵AI能把用户丰富的想象力轻松转换成具体画面——比如咖啡杯火山。升级后，文本编码方案更优，提示词响应能力增强，视觉渲染效果更好了。

所有这些能力，又源于可灵AI在技术路线（DiT架构）、模型设计（隐空间编解码、时序信息建模、文本扩展及编码）、数据保障（多维度标签体系、视频描述模型）、计算效率（分布式训练集群、分阶段训练策略）、能力扩展（视频时序延展、多模态输入可控）等方面的积累和创新。技术层面做到了先进且靠谱，难怪一落地就受追捧。

生成式 AI 时代，快手有备而来

过去一年多，大模型领域非常卷。去年都在谈基座模型研发，今年大家又都在讨论应用。WAIC 2024上，我们又目睹了一波“模型派”和“应用派”的争论。在这个浪潮中，快手是怎么做的？

首先，它玩的是体系。从底层的IDC算力中心、网络架构、AI平台，到中层的核心大模型，再到应用层的各类探索，快手实现了全套自主研发。快手副总裁、大模型团队负责人

认为，坚定投入自主研发长期会带来“技术雪球”效应和巨大的成本优势。而快手一个非常大的优势是，上层拥有大量AI应用场景，给大模型带来了许多落地机会。

整体框架如下：

其次，快手坚持基础模型技术研究和商业应用落地并举的战略。基础模型决定了AI能力上限，研究投入的量变可以引发质变；商业化应用则能滚起技术的雪球——把阶段性成果投入应用，不断收获反馈，形成良性循环。

去年开始，快手推出了“快意”大模型（KwaiYi），从早期的13B参数量发展到175B，并推出了多模态版本。经过多次迭代，快意已在快手内部的素材创作、AI互动、内容生产等场景中发挥作用。今年6月，基于快意的AIGC营销素材单日消耗超过2000万。

有了基础模型，在更多场景上，快手逐渐发展出自己的差异化能力。

在文生图上，快手的“可图”已成为行业内顶尖模型之一，拥有强大的语义理解和指令跟随能力。得益于文本表征创新和图像数据对齐的大量工作，可图能画出摄像级画面质感，经过强化学习训练，审美也与人类标准对齐。

在视频生成上，“可灵AI”点燃了全球新一轮竞争。它可以文生视频、图生视频，拥有丰富的图像编辑能力，在可控性、质感、美感、运动合理度上保持业内领先。工程师们持续进行工程算法优化，力图不断降低视频生成AI的门槛。

说到降低门槛，新技术的优化是当前生成式AI面临的重要挑战之一。作为国民级短视频应用，快手拥有大量AI应用场景，这给了技术落地绝佳的舞台。目前，快手已实现一系列里程碑：

• 在APP评论区内测的对话模型应用“

  AI小快
  ”，可理解视频内容并与用户互动，累计粉丝超1000万。
• 电商直播间里，利用文生图AI“

  可图
  ”，用户可以用生活照快速试衣，甚至看到动态展示。
• 视频生成模型“

  可灵AI
  ”已累计生成700万条视频，开放了一站式内容创作平台。
• 从内容生产、理解到推荐，从个人到电商，快手生成式AI能力已实现主体业务全覆盖，持续推进生态发展。

最后还有一个新尝试——在WAIC上，快手预告首部AIGC短剧《山海奇镜之劈波斩浪》将于本月正式发布。该剧由可灵AI提供深度技术支持，以赛博风格复现《山海经》里上古神话世界。从预告片看，山脉、海洋、森林、天际等场景呈现震撼视觉效果——以往可能需要专业特效团队，现在视觉生成AI就能带来这种体验。

半年前我们还在畅想未来，现在AI真的开始拍电影了。大模型浪潮中，最能证明技术能力的是大规模落地。而快手全方位的实践让我们再次确认：AI的生产力，已在不知不觉中改变着我们的生活。