快手的視頻生成大模型“可靈”自面世以來(lái)，引發(fā)了國(guó)內(nèi)外的廣泛關(guān)注。

6月21日，可靈再度進(jìn)化，正式推出圖生視頻功能，支持用任意靜態(tài)圖像生成5s視頻，并且可搭配不同的文本內(nèi)容，實(shí)現(xiàn)豐富的視覺(jué)敘事 。同時(shí)，可靈還發(fā)布了業(yè)內(nèi)領(lǐng)先的視頻續(xù)寫(xiě)功能，可為已生成的視頻（含文生視頻及圖生視頻）提供便捷的一鍵續(xù)寫(xiě)和連續(xù)多次續(xù)寫(xiě)，將視頻最長(zhǎng)可延伸至約3分鐘，充分顯示了可靈強(qiáng)大的想象力與精細(xì)的可控性，極大地拓展了視頻大模型的創(chuàng)作邊界。

化靜為動(dòng) 按需定制視覺(jué)敘事

此前，“可靈”在文生視頻方面已經(jīng)展現(xiàn)出了創(chuàng)造逼真運(yùn)動(dòng)場(chǎng)景、精確模擬物理特性的強(qiáng)大能力，以及將復(fù)雜概念巧妙融合的高超技藝，其輸出堪比電影級(jí)畫(huà)質(zhì)，并允許用戶(hù)自由調(diào)節(jié)視頻的縱橫比。而這些卓越特性，如今都被完美融入到了圖生視頻模型。用戶(hù)只需上傳一張圖片，“可靈”即能基于對(duì)圖像的深度解析，變靜為動(dòng)，賦予其5秒的鮮活生命力。

上傳經(jīng)典的蒙娜麗莎，可靈能夠讓蒙娜麗莎戴上墨鏡，并賦予她靈動(dòng)的眼神交流。讓名畫(huà)中的人物活靈活現(xiàn)。

得益于其基礎(chǔ)模型架構(gòu)中的3D時(shí)空聯(lián)合注意力機(jī)制，可靈在構(gòu)建復(fù)雜時(shí)空運(yùn)動(dòng)方面也展現(xiàn)了卓越能力。這使得模型在轉(zhuǎn)換靜態(tài)圖像為動(dòng)態(tài)視頻時(shí)，能夠細(xì)膩而準(zhǔn)確地實(shí)現(xiàn)大幅度運(yùn)動(dòng)場(chǎng)景。例如，只需上傳一張牧羊犬追球的靜止照片，模型就能生成一段生動(dòng)的視頻：牧羊犬活靈活現(xiàn)地奔跑追逐網(wǎng)球，其耳朵輕輕晃動(dòng)，毛發(fā)隨風(fēng)飄揚(yáng)，而網(wǎng)球則在空中彈跳，視頻整體自然而流暢。

再以一張汽車(chē)飛馳的圖片為素材，可靈能創(chuàng)造出身臨其境的駕駛場(chǎng)景。在這段視頻中，汽車(chē)不僅在公路上展現(xiàn)出疾速前行的姿態(tài)，而且巧妙地融入了對(duì)向車(chē)道上連續(xù)不斷的車(chē)流。同時(shí)，道路兩旁的樹(shù)木快速向后掠去，模擬出強(qiáng)烈的行駛速度感，而虛化處理的隔離帶進(jìn)一步增強(qiáng)了視覺(jué)上的動(dòng)態(tài)效果與速度印象，整體畫(huà)面宛如出自精心策劃的廣告大片。

可靈圖生視頻模型還融入了強(qiáng)大的提示詞融合技術(shù)，深化了對(duì)圖像語(yǔ)義與用戶(hù)指令的理解整合。這意味著，模型能夠根據(jù)用戶(hù)提供的不同文本指令，精妙地變換視頻中的動(dòng)態(tài)表現(xiàn)。舉例來(lái)說(shuō)，當(dāng)使用一張女孩的照片生成視頻，模型默認(rèn)生成的效果可能是輕風(fēng)中她發(fā)絲輕輕飄動(dòng)，周遭花朵搖曳，水面閃爍著細(xì)膩的波紋。而如果用戶(hù)具體輸入“女孩轉(zhuǎn)身背對(duì)鏡頭”，視頻便會(huì)智能添加女孩優(yōu)雅轉(zhuǎn)身的動(dòng)作，并細(xì)膩捕捉到轉(zhuǎn)身瞬間的微笑和眨眼，展現(xiàn)了自然而生動(dòng)的細(xì)節(jié)處理能力。