【ITBEAR】9月24日消息，字節(jié)跳動正式宣布進軍AI視頻生成領(lǐng)域。9月24日，其旗下火山引擎在深圳舉辦了AI創(chuàng)新巡展活動，并在此活動中推出了兩款面向企業(yè)市場的大模型：豆包視頻生成-PixelDance和豆包視頻生成-Seaweed，同時開啟了邀測。
在活動現(xiàn)場，豆包視頻生成的效果令人印象深刻。無論是語義理解能力，還是處理多個主體復雜交互畫面的能力，甚至是多鏡頭切換下的內(nèi)容一致性，豆包視頻生成大模型都展現(xiàn)了業(yè)界領(lǐng)先的水平。
據(jù)ITBEAR了解，火山引擎總裁譚待表示，視頻生成領(lǐng)域仍有許多技術(shù)難關(guān)需要攻克。他強調(diào)，豆包的兩款模型將持續(xù)進化，探索解決關(guān)鍵問題的更多可能性，以期加速拓展AI視頻的創(chuàng)作空間和應用落地。
創(chuàng)新技術(shù)是豆包視頻生成模型的核心優(yōu)勢。與以往只能完成簡單指令的視頻生成模型不同，豆包視頻生成模型能夠?qū)崿F(xiàn)自然連貫的多拍動作與多主體復雜交互。有創(chuàng)作者在體驗后發(fā)現(xiàn)，該模型生成的視頻不僅能遵循復雜指令，讓不同人物完成多個動作指令的互動，還能確保人物樣貌、服裝細節(jié)甚至頭飾在不同運鏡下的一致性，效果接近實拍。
豆包視頻生成模型基于DiT架構(gòu)，通過高效的DiT融合計算單元，使視頻能在大動態(tài)與運鏡中自由切換，并擁有變焦、環(huán)繞、平搖、縮放、目標跟隨等多鏡頭語言能力。其全新設(shè)計的擴散模型訓練方法攻克了多鏡頭切換的一致性難題，能在鏡頭切換時同時保持主體、風格、氛圍的一致性，這是豆包視頻生成模型獨特的技術(shù)創(chuàng)新。
經(jīng)過剪映、即夢AI等業(yè)務場景的打磨和持續(xù)迭代，豆包視頻生成模型具備了專業(yè)級的光影布局和色彩調(diào)和能力，畫面視覺極具美感和真實感。其深度優(yōu)化的Transformer結(jié)構(gòu)大幅提升了視頻的泛化能力，支持3D動畫、2D動畫、國畫、黑白、厚涂等多種風格，并適配電影、電視、電腦、手機等各種設(shè)備的比例。這使得豆包視頻生成模型不僅適用于電商營銷、動畫教育、城市文旅、微劇本等企業(yè)場景，也能為專業(yè)創(chuàng)作者和藝術(shù)家們提供強大的創(chuàng)作輔助。
目前，新款豆包視頻生成模型正在即夢AI內(nèi)測版進行小范圍測試，未來將逐步開放給所有用戶。剪映和即夢AI市場負責人陳欣然表示，AI能夠與創(chuàng)作者深度互動，共同創(chuàng)作，帶來許多驚喜和啟發(fā)。即夢AI希望成為用戶最親密和有智慧的創(chuàng)作伙伴。
在此次活動中，豆包大模型不僅新增了視頻生成模型，還發(fā)布了豆包音樂模型和同聲傳譯模型，已全面覆蓋語言、語音、圖像、視頻等全模態(tài)，全方位滿足不同行業(yè)和領(lǐng)域的業(yè)務場景需求。
隨著產(chǎn)品能力的日益完善，豆包大模型的使用量也在迅速增長。據(jù)火山引擎披露，截至9月，豆包語言模型的日均tokens使用量已超過1.3萬億，相比5月首次發(fā)布時增長了十倍。同時，多模態(tài)數(shù)據(jù)處理量也分別達到每天5000萬張圖片和85萬小時語音。
譚待認為，大模型的價格已不再是阻礙創(chuàng)新的門檻。隨著企業(yè)的大規(guī)模應用，大模型支持更大的并發(fā)流量正在成為行業(yè)發(fā)展的關(guān)鍵因素。他介紹稱，業(yè)內(nèi)多家大模型目前最高僅支持300K甚至100K的TPM（每分鐘token數(shù)），難以承載企業(yè)生產(chǎn)環(huán)境的流量。而豆包大模型默認支持800K的初始TPM，遠超行業(yè)平均水平，客戶還可根據(jù)需求靈活擴容。
“在我們的努力下，大模型的應用成本已經(jīng)得到很好的解決。大模型的發(fā)展應該從價格競爭轉(zhuǎn)向性能和服務的競爭，提供更出色的模型能力和服務。”譚待強調(diào)。
關(guān)鍵詞：#字節(jié)跳動# #AI視頻生成# #豆包大模型# #火山引擎# #即夢AI#
