快手的視頻生成大模型“可靈”自面世以來,引發(fā)了國內(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)豐富的視覺敘事 。同時,可靈還發(fā)布了業(yè)內(nèi)領(lǐng)先的視頻續(xù)寫功能,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)寫和連續(xù)多次續(xù)寫,將視頻最長可延伸至約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 按需定制視覺敘事
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)動場景、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,其輸出堪比電影級畫質(zhì),并允許用戶自由調(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。用戶只需上傳一張圖片,“可靈”即能基于對圖像的深度解析,變靜為動,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,并賦予她靈動的眼神交流。讓名畫中的人物活靈活現(xiàn)。
得益于其基礎(chǔ)模型架構(gòu)中的3D時空聯(lián)合注意力機(jī)制,可靈在構(gòu)建復(fù)雜時空運(yùn)動方面也展現(xiàn)了卓越能力。這使得模型在轉(zhuǎn)換靜態(tài)圖像為動態(tài)視頻時,能夠細(xì)膩而準(zhǔn)確地實(shí)現(xiàn)大幅度運(yùn)動場景。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,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。
再以一張汽車飛馳的圖片為素材,可靈能創(chuàng)造出身臨其境的駕駛場景。在這段視頻中,汽車不僅在公路上展現(xiàn)出疾速前行的姿態(tài),而且巧妙地融入了對向車道上連續(xù)不斷的車流。同時,道路兩旁的樹木快速向后掠去,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)了視覺上的動態(tài)效果與速度印象,整體畫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),深化了對圖像語義與用戶指令的理解整合。這意味著,模型能夠根據(jù)用戶提供的不同文本指令,精妙地變換視頻中的動態(tài)表現(xiàn)。舉例來說,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,周遭花朵搖曳,水面閃爍著細(xì)膩的波紋。而如果用戶具體輸入“女孩轉(zhuǎn)身背對鏡頭”,視頻便會智能添加女孩優(yōu)雅轉(zhuǎn)身的動作,并細(xì)膩捕捉到轉(zhuǎn)身瞬間的微笑和眨眼,展現(xiàn)了自然而生動的細(xì)節(jié)處理能力。