文|邓咏仪 周鑫雨
编辑|苏建勋
事情大家都知道了:字节跳动终于发布了自家的“Sora”。
9月24日的深圳AI创新巡展上,火山引擎发布两款视频生成大模型PixelDance(像素舞动)和Seaweed(海草),并且面向企业市场开启邀测。
这是一次毫无预警的发布。除了少数进入到内测环节的创作者,字节没有发布任何有关新产品的消息。
尽管低调,但市场对字节系sora仍有着巨大期待。年初,OpenAI的Sora几乎是一脚踢开了多模态、视频生成的大门。之后,6月快手可灵的爆火出圈,彻底点燃了这个赛道。
作为短视频巨头的字节,从去年ChatGPT发布后,就背负了巨大期待。从已有条件上看,字节几乎是大厂中,先天优势最足的一家:有钱、有芯片、人才密度也足够大。
类Sora赛道,也早已被市场公认为是字节、快手的“天选场景”——短视频巨头不仅有巨量数据,也有足够丰富的应用场景。
但现实是,快手可灵自6月上线以来,已有超260万人使用过可灵,累计生成了2700万个视频、5300万张图片。此前的字节却仍未有动静,不免要面对市场上的诸多猜测——等到此时发布AI视频生成模型,还有多大胜算?
字节版“Sora”,可以摘掉Sora的帽子吗?
从效果上看,两款模型初步可以实现的的效果,无疑令人惊艳。
字节官方给出的实例中,无论是统一性、角色丰富度,都上了一个台阶。
由文字或图像生成的AI视频,不仅能够遵循复杂指令,让不同人物完成多个动作指令的互动,人物样貌、服装细节甚至头饰在不同运镜下也保持一致,接近实拍效果。
△来源:豆包AI视频生成模型
值得关注的,一是多帧视频的连续性。
此前,视频生成模型大多只能完成简单指令,比如某个人/某个物体,完成单个动作。一旦有比较复杂的动线,视频就容易失真、变形。
现在的豆包AI视频生成模型,则可以实现自然连贯的动作,在奔跑、走路、抬头等等上面,连贯性和效果都好了不少。简单来说,不会看着看着,就突然从史密斯吃面,变成特朗普吃面。
△来源:豆包AI视频生成模型
二是角色的丰富度。豆包这次发布的AI模型,优势尤为突出的是多主体间的互动。
在不少实例中,都可以看到多个角色之间的互动,动作连贯合理,镜头类型也十分丰富,包含了多种类型的镜头调度方式——远景和近景的切换。镜头也能实现变焦、环绕、平摇、缩放、目标跟随等多种形式的变化。
在切换前后,人物样貌、服装细节甚至头饰也都可以保持一致。
下面这则视频,就从前面戴潜水墨镜的人,切换到后方另一位潜水员,两者的形象也都保持了一致。
△来源:豆包AI视频生成模型
目前,PixelDance(像素舞动)和Seaweed(海草)模型都正在内测版小范围测试,还未完全开放公测。但《智能涌现》通过内测风景、人物等等场景,即梦AI在实时生成风景视频上,镜头的调度、画面质量上,都可圈可点。
△来源:36氪实测PixelDance功能
不过,在人物生成场景里,输入原图+指定的动作Prompt后,随着动作改变,一致性还是相当可以,但会有部分手指变形的Bug,
△来源:36氪实测PixelDance图生视频功能
豆包本次的AI模型基于自研的DiT架构打造,这也被认为是OpenAI Sora的同款架构,是目前AI视频赛道上的主流技术路线。
不过,AI视频生成赛道的发展阶段比文字、图像都还要更早。如今的底层算法以闭源为主,数据极其稀缺——意味着各家都只能闭门造车,拼的就是工程优化能力。
火山引擎总裁谭待也表示,即梦AI等业务场景,已经对Transformer结构进行深度优化,而在DiT架构的研究上也有多款创新,才能大幅解决AI视频应用成本昂贵的问题,让应用成本降到最低。
但也有AI视频领域的从业者保持冷静,认为不用抱有太高期待。“现在底层的大模型没有代差,拉不开太大差距。”
AI博主归藏,就把豆包和AI视频老大哥Runway,以及明星初创Luma AI的生成效果,做了直观对比——
△来源:归藏
从功能上看,此次字节发布的Seaweed模型产品功能和体验更多元,不仅支持各种风格提示词响应,还有横竖多种比例的输出。
“综合结果比Luma要好很多,跟Runway各有优劣。”归藏在即刻上表示。
无论如何,字节的雄心壮志已经摆在了桌上。除了两款AI视频新模型,本次字节还发布了新的豆包音乐模型和同声传译模型,以及音乐模型。对创作者而言,豆包的大模型家族真正成为了”全家桶“:覆盖语言、语音、图像、视频等模态。
更值得关注的,是业务层面的迅猛增长。
自豆包大模型家族正式发布以来,日均调用量经历了爆发式增长。截至9月,豆包语言模型的日均tokens使用量超过1.3万亿,相比5月首次发布时增加十倍。其中,多模态数据处理量也分别达到每天5000万张图片和85万小时语音。
近期的一张AI产品增长表现统计图,就颇令人玩味:单单是豆包App的MAU增长,就已经远远拉开了与其他产品的距离。
△来源:AI产品榜
豆包爆发式的增长,更多来自此前的激进价格战。自5月以来,包括字节、阿里、腾讯等巨头,以及Deepseek等创业公司,展开了一场轰轰烈烈的降价。字节甚至把每千Token价格卷到了以”厘“为单位,迅速拉到了地板价。
现在,底层模型已经到了拼性能的阶段。火山引擎总裁谭待,这次就又提出了一个新指标:峰值TPM(每分钟Token数)。“业内多家大模型目前最高仅支持300K甚至100K的TPM,难以承载企业生产环境流量。”他说。
TPM,可以看作是在在单位时间内,模型的数据吞吐量。豆包Pro支持800K的TPM——据谭待表示,比如某科研机构的文献翻译场景,TPM峰值为360K,某汽车智能座舱的TPM峰值为420K,某AI教育公司的TPM峰值会达到630K。这些场景,豆包Pro如今都可以满足。
随着豆包AI生成视频的发布,字节最后补上了AI视频的一块拼图。这和昨夜OpenAI突然发布的高级语音功能一起,一起形成了一种明喻:在模型层,大厂们已经武装到牙齿,大的细分赛道都有相应的模型——留给创业者的空间,又要再一次打个问号。
字节和快手的漫长对垒
在AI赛场上,字节对于胜利的渴望已经溢于言表。
剪映及其旗下的AI视频产品“即梦”,就由前抖音集团CEO、现剪映业务负责人张楠亲自带队。而为了尽快让此次的两款新模型上线,字节也抽调了不少人做工程。
字节跳动的焦虑,来自短视频战场上的老对手:快手。
2024年6月,文生视频模型“可灵”,就突然空降快手剪辑产品“快影”。
在行业苦等“中国版Sora”出现的当下,可灵的表现是亮眼的。
“现在视频生成很难做长的原因,一是成本高,二是前后一致性太难保证。”一名AI从业者告诉36氪,“但是可灵能生成2分钟视频,比Sora(60秒)的天花板还高。”
更进一步,从镜头的连贯性和元素关系的逻辑性来看,不少业内人士都表示,可灵在中国类Sora产品中,效果是Top级别。
与彼时仍未开放的Sora,和小出圈的生数科技视频生成模型Vidu相比,快手对“老铁们”也可谓是慷慨和坦诚:立马开放公测,且免费。
与“众多工程师参与”的PixelDance和Seaweed不同,可灵团队的项目执行方式可谓是相当粗放和激进。
有媒体曾报道,可灵团队只有20余人,从立项到上线只花了3个月。可灵启动一个月后,就被上升为快手的战略级项目。快手高级副总裁、主站业务与社区科学线负责人盖坤常说的一句话是:公司的卡都给你们用,公司全力支持。
在豆包发布之前,可灵也提供截至9月19日,可灵已经迭代了9次,最新的1.5版本上线了Web端,有了更高清的画质、更符合物理规律的运动轨迹,支持更为复杂的镜头控制和可自定义的运动轨迹。
不少从业者对36氪判断,可灵的出圈,与快手丰富的视频数据积累密不可分。而能与之一战的,大概率只有拥有抖音的字节跳动。
然而在视频生成领域,字节对阵快手以来,碰到了罕见的败北。其实早在可灵发布前1个月,剪映就在AIGC产品“即梦”上线了AI视频生成功能。
但无论是关注度,还是用户口碑,即梦都不算一款成绩漂亮的产品。一名使用者评价:在效果一般的情况下,非会员生成视频超3秒竟然还要收费。
压力已经给到了字节。一位AI 3D领域生成的从业者就表示,AI视频生成公司给出的样例,一般都是尝试过输入多次Prompt,才得出来的Good Case(好样本)。等之后全量上线,才能真正看到豆包在实用场景下的表现。
“一些明显可以感知的指标在于,长镜头时长什么时候可以超过1分钟,多分镜切换后时空一致性能不能保持,以及随着分辨率加大时,生成时间会不会跟随分辨率指数增长。”他表示。
对于当下的抖音和剪映业务体量而言,AI视频的应用成本依旧是高昂的。
一个最直观的问题在于,对于剪映这样一个月活已经超过3亿,专注在视频剪辑场景的应用,如何要在降低AI应用成本的同时,维持产品和效果的高水平,将是更难的挑战。
先发优势在AI模型层依然重要。目前,可灵、Vidu已经先行占据了视频生成领域的用户心智,作为后入者的字节,不得不加快步伐。
漫长的战役才刚刚开始。
封面来源|视频截图