1. 首頁 > 生活百科 > >

別只盯著Sora，中國AI視頻的實時交互已悄悄領先

百度人工智能soraai

別只盯著Sora，中國AI視頻的實時交互已悄悄領先

文章圖片

別只盯著Sora，中國AI視頻的實時交互已悄悄領先

文章圖片

別只盯著Sora，中國AI視頻的實時交互已悄悄領先

文章圖片

別只盯著Sora，中國AI視頻的實時交互已悄悄領先

文章圖片



剛剛過去的十一黃金周 ， 大家一定沒少刷到Sora2生成的視頻 ， 山姆·奧特曼到處給人送祝福 ， 看得觀眾忍俊不禁 。 不過 ， 等普通人真想用Sora做段自己的視頻才發現 ， AI視頻還是沒有想象中一樣簡單 。
我們看到的AI長視頻 ， 一般是由多個幾秒長的短視頻拼接而成的 。 也就是說 ， 用戶要先把完整創意拆成幾個分鏡 ， 每一段劇情分別準備獨立的圖片和Prompt提示詞描述 ， 每一次生成都得碰運氣 ， 后期拼接時還容易跳幀、風格斷裂 ， 感覺不滿意想調整 ， 只能重寫Prompt、重新生成 。
這種創作模式 ， 也被稱為“抽卡” ， 就像手游里氪重金抽 SSR ， 花了時間、Token、算力和錢 ， 還不一定拿到想要的結果 ， 再加上海外平臺高昂的訂閱費 ， 到底誰在說AI視頻的制作門檻被Sora打下來了？
其實 ， AI視頻技術的大眾普及這一塊兒 ， 國內視頻平臺早就走在了前面 。 最近我們就注意到 ， 百度9月25日發布的“蒸汽機”最新版本 ， 有兩個非常重要的升級：一是長視頻流式生成的產品體驗 ， 二是模型支持實時交互 。

前者可以用一張圖、一段視頻生成長視頻突破5s、10s限制 ， 并支持邊做邊改 ， 創作AI視頻不用再一次次“抽卡”賭運氣 ， 可以在預覽中實時調整；后者則拓展了AI視頻的邊界 ， 比如直播數字人這類需要實時推理會話的長視頻 ， 類sora模型還無法做到 。
可以發現 ， 在AI大眾化這件事上 ， deepseek、百度蒸汽機這樣的國內科技企業 ， 是真的悶聲干大事 。 而這 ， 也是中國AI的本色之一 。 或許比起sora ， 國內視頻平臺正在終結AI視頻的抽卡魔咒 ， 才是更值得大家關注的AI大事件 。

手游圈有一句話 ， 玄不救非 ， 氪能改命 。 指的是想抽到一張滿意的角色 ， 要么靠玄學碰運氣 ， 要么靠氪金砸錢 。 現階段的大多數AI視頻工具 ， 就是這么工作的 。
常規的AI長視頻生成流程 ， 采用首尾幀續寫技術 ， 或者簡單續寫能力 ， 雖然一次生成的視頻時長更長了 ， 但前后頻缺乏連貫性 ， 調整前后邏輯、對齊音畫等 ， 比傳統拍攝后期還累人；畫質和細節也容易不穩定 ， 比如人物一活動 ， 肢體和空間的關系就不符合物理規律了 。 想要調整 ， 就得重新上傳圖片和“抽卡” ， 把流程再來一遍 ， 而且花錢不討好 ， 反復抽卡、多次生成 ， 需要消耗大量計算資源 ， 最終成本都要由用戶買單 。
對于創作者和普通人來說 ， 這樣的AI長視頻能力是無法實現創作自由的 ， 大多嘗鮮之后就棄之不用了 。

為什么AI無法一次生成高質量的長視頻 ， 而被迫陷入抽卡魔咒呢？行業普遍陷入了技術瓶頸：
瓶頸一 ， 模型記不住 ， 也就是長時序連貫性建模難題 。
傳統的擴散模型 ， 是一種固定窗口的生成模式 ， 對長視頻生成非常不友好 ， 一方面窗口大小和生成成本是指數級關系 ， 另外一方面通過簡單反復續寫 ， 會存在較為嚴重的全局一致性和連續性問題 。 生成時長超過10秒 ， 幀間累積誤差就會指數級增長 ， 就像一個記性不好的人 ， 做事做到第十秒 ， 基本把前面干過什么忘光了 ， 所以長視頻越做越亂 ， 前后內容不一致 。
有的平臺為了緩解這個問題 ， 支持用戶手動上傳關鍵幀 ， 這就意味著 ， 30秒視頻得傳6組 ， 操作復雜度直接翻了好幾倍 ， 而且鏡頭切換可能不自然 ， 并沒能發揮出AIGC提質增效的效果 。
瓶頸二 ， 模型聽不懂、算不快 ， 也就是實時交互受限 。
在互動視頻、直播等場景中 ， 對視頻的持續時長與實時生成能力提出了更高要求 。 但傳統視頻生成 ， 只能靠抽卡和調整提示詞 ， 來不斷試錯 ， 用戶無法在生成過程中就進行修改和微調 ， 是因為Transformer架構的二次計算復雜度很高 ， 在生成長視頻時要實時互動 ， 一是對GPU顯存與計算效率提出更高要求 ， 需要軟硬件協同優化來提升推理效率 。 還有成本考量 ， 計算開銷隨生成時長呈平方級增長 ， 為了控制成本 ， 模廠只能限制時長 ， 還必須等全部算完才能輸出結果 。
上述技術瓶頸 ， 導致AI長視頻不連貫、改不了、成本高 ， 因此 ， 目前這類短視頻生成技術主要應用于工具層面 ， 如視頻片段與素材制作 ， 這顯然無法滿足C段和B端的復雜創作需求 。
百度“蒸汽機”10.15版本的核心突破 ， 就是把長視頻變成流式生成、實時交互 ， 整個過程中 ， 用戶可以邊瀏覽邊生成 ， 支持在幀數間改寫、續寫 ， 隨時打斷并修改提示詞 ， 就能實時生成想要的畫面 ， 從而打破了傳統視頻生成的“抽卡”魔咒 。

面對行業普遍的10秒局限 ， 以及用戶反復抽卡的無力 ， 百度蒸汽機靠四大技術突破 ， 從根源上破解了長視頻生成的效率、質量與成本難題 ， 終結“抽卡”模式 。
突破一：基礎架構改造 ， 解決長視頻生成難題 ， 一張圖一段文字極簡生成 。
傳統模型生成超10秒視頻就會片段斷裂 ， 還得補關鍵幀 。 百度蒸汽機引入自回歸擴散模型 ， 搭建流式滑窗架構 ， 通過階梯獨立噪聲構造 ， 為每一幀匹配精準噪聲級別 ， 配合動態緩沖區管理 ， 同步處理模糊草圖、半完成幀及高精度畫面等多狀態畫面 ， 實現“邊生成邊調整”的實時交互生成流程 。
我們上傳了一張騎在黑龍背上的視頻 ， 自動生成12秒視頻 ， 全程無需補充任何素材 ， 而且生成過程中 ， 還可以隨時選擇繼續生成或修改提示詞 。
突破二：訓推偏差消除 ， 解決累積誤差 ， 告別 “越生越崩” 的質量衰減 。
AI生成的視頻前5秒正常 ， 后面人物空間關系就扭曲變形了 ， 這種情況經常出現 ， 本質是傳統滑窗方法的誤差累積問題 ， 導致生成的視頻質量嚴重下降 。
但我們用百度蒸汽機生成了一個長鏡頭的雙人互動 ， 在長達20秒的時間里 ， 兩個人物都保持了一致性 ， 即使是在近景互動時也符合物理邏輯 。
原來 ， 百度蒸汽機通過歷史幀擾動增強技術 ， 在訓練時故意加入幀誤差 ， 讓模型具備自我糾錯能力 ， 變得更加魯棒 ， 緩解自回歸模型的累積誤差問題 。
突破三 ， 一致性優化 ， 讓長視頻像接力賽一樣絲滑 。
行業普遍采用的片段拼接技術 ， 經常出現走路跳步、音畫脫節等情況 ， 比如人物說話時唇形與聲音對不上 。 百度蒸汽機采用全局規劃與局部參考相結合的優化方法 ， 解決長視頻連續性與一致性問題 。 其中 ， 引入錨點幀引導 ， 保障全局記憶 ， 引入了key frame建立全局注意力錨點 ， 保證模型的長期記憶能力 ， 引入歷史參考幀 ， 作為上下文信息 ， 使得模型具備短期記憶能力 ， 保障連續生成 。 前后過渡像傳遞接力棒一樣流暢自然 ， 多人對話等場景的AI視頻一次生成質量更高 。
突破四：實時流式計算 ， 實現邊生成邊修改的創作自由 。
以前生成3分鐘視頻得等40分鐘 ， 而且生成后無法修改 ， 一點就得重算 。 百度蒸汽機基于自回歸擴散架構 ， 突破高壓縮比生成技術 ， 大幅提升擴散模型流式推理性能 ， 保障效果和效率的極致平衡 ， 滿足實時交互的推理需求 。
比如我們用V2V模式 ， 上傳一段賽車視頻 ， 百度蒸汽機能夠在幾分鐘之內 ， 就將視頻拓展到10秒以上 。 如果想改寫結局 ， 可以選擇續改 ， 選中關鍵階段的幀 ， 直接輸入其他結果的提示詞 ， 比如“銀車加速超過黃車”或“黃車加速超過銀車” ， 就能生成新的結局 ， 輕松搞定不同劇情 。
【別只盯著Sora，中國AI視頻的實時交互已悄悄領先】也就是說長視頻生成過程從黑箱變成了流式體驗 ， 模型推理出多少 ， 用戶就能實時預覽多少 ， 不需要等待全部生成完成 。 而且百度蒸汽機升級了窗口注意力機制 ， 將計算復雜度降為線性 ， 結合模型蒸餾技術 ， 大幅提升計算效率 ， 降低推理耗時 ， 所以整個生成過程僅用時幾分鐘 。 整個制作過程既可控 ， 又省力 。
百度蒸汽機的四大突破 ， 用技術把AI視頻的創作模式 ， 從靠運氣抽卡變成了按需創作 。 這會推動行業發生至少兩個變化：
一是創作門檻進一步降低 。 由于AI長視頻的生成質量和效率得到提高 ， 不再需要用戶上傳多張圖和prompt ， 不再需要費心描述和準備關鍵幀 ， 一次生成高可用 ， 長視頻生成真的走向了人人可用的簡單時代 。
二是應用場景進一步延伸 。 傳統長視頻生成技術 ， 難以承載復雜的創作需求 ， 無法滿足數字人這類實時交互長視頻的需求 。 百度蒸汽機全新的技術架構實現長視頻流式生成體驗 ， 支持實時互動 ， 可以拓展出AI導購、AI老師、AI陪伴等沉浸式數字人場景 。 支持開放世界的生成 ， 比如游戲地圖、旅游景點體驗、宇宙空間等 ， 都可以任意創造 ， 比如家長可以用一張長城或宇宙的圖片 ， 為孩子生成虛擬長城或虛擬宇宙 ， 為教育、旅游、游戲打開新可能 。
某個噱頭或爆款玩法 ， 或許能在短時間內帶火AI視頻的關注度 ， 但一時熱度終會在門檻暴露后退潮 。 唯有扎扎實實的底層技術突破 ， 才能為AI視頻生成的大眾化普及鋪平道路 ， 真正降低使用門檻、拓展使用邊界 ， 承接住不斷涌入的創作者和新用戶 。

Sora2的科幻短片刷爆社交平臺時 ， 不少人又開始感慨 ， “AI視頻創作的天花板在海外” 。 但真實體驗過的創作者恐怕都會認同 ， 這些海外AI視頻創作與普通人仍有距離 。 百度蒸汽機為代表的國內視頻平臺 ， 更加普通人友好 。
一方面 ， 國內平臺更早跳出了炫技式研發 ， 不像sora這樣“憋個大招” ， 以更快的技術迭代速度 ， 貼實用戶需求 。
拿百度蒸汽機來說 ， 迭代速度堪稱行業標桿 ， 可以說是“月月有突破” 。 今年3月首發即實現高精度圖生視頻 ， 5月登頂VBench-I2V權威榜單 ， 畫質達專業影視級；7月推出全球首個中文音視頻一體化模型 ， 8月實現多人對話生成 ， 9月發布“通用AI長視頻生成”功能……
這種應用驅動研發的路徑 ， 背后是搜索、百家號等場景的真實需求直接反推模型升級 ， 讓百度蒸汽機的技術突破始終貼合用戶痛點 ， 解決普通人的使用難題 。

此外 ， AI視頻生成的大規模、產業級應用 ， 國內視頻平臺也別有優勢 。
相比不懂中文語境的Sora、sunway等 ， 百度蒸汽機等國內模型憑借億級中文多模態數據訓練 ， 不僅中文唇形和語音能精準同步 ， 還能生成方言 ， 讓創作者的內容更容易打開中文市場 。
國內平臺也更懂產業落地AI的成本難題 ， 比如百度蒸汽機堅持技術普惠 ， 依托百度智能云“百舸”平臺與昆侖芯片 ， 結合模型參數壓縮、算力動態調度等技術 ， 將推理效率提升3倍 ， 刊例價較同類產品低至七成 ， 并采用“按量后付+資源包”靈活計費模式 ， 不讓用戶白花冤枉錢 。 相較海外平臺的服務費與訂閱費 ， 大幅降低了產業級使用成本 ， 也為AI視頻生成的規模落地拆除了門檻 。
從抽卡試錯到按需創作 ， 百度蒸汽機的技術突破不僅改變了AI視頻的創作邏輯 ， 更展示了與海外平臺不同的技術產業化、技術普惠化之路 。
正如大語言模型、對話式AI的普及歷程一樣 ， AI長視頻的全民時代 ， 將由國內平臺開啟 。

    推薦閱讀