快手可灵爆火：中国版 Sora 引发海外关注与技术解析

数据准备

依托快手在视频技术领域的多年积累，可灵大模型团队已经构建了完备的标签体系，包括从视频基础质量、美学、自然度等多个维度对视频数据质量进行刻画，并针对每一个维度设计多种定制化的标签特征，以此来精细化筛选训练数据或调整训练数据的分布。

为了满足训练文生视频模型过程中成对的视频和文本描述需求，可灵大模型团队自研了视频描述模型，可以生成精确、详尽、结构化的视频描述，显著提升视频生成模型的文本指令响应能力。

模型架构

高质量的标注数据准备完毕后，可灵大模型又是如何获得模拟物理世界特性与概念组合的能力呢？

在整体架构设计上，可灵采用了目前火热的 Diffusion Transformer (DiT)。传统的扩散模型主要利用包含下采样和上采样块的卷积 U-Net 作为去噪网络骨干。但一些研究表明，U-Net 架构对扩散模型的良好性能并非至关重要。通过采用更灵活的 Transformer 架构，扩散模型可以使用更多的训练数据和更大的模型参数。DiT 就是这个研究思路下的代表作之一。

这几个月来，业内形成一个共识，视频生成模型的成功，归根结底是 Scaling Law 的作用。这一共识正是基于 DiT 论文的发现，使用 Transformer 能稳定地扩大模型规模：随着训练计算量的增加（训练模型的时间延长或模型增大，或两者兼而有之），性能也会随之提高。

这意味着，对于视频生成模型，只要用更多的算力、更多的数据去 Scale up，生成质量还会持续提升。

可灵之所以能够将用户的文本提示转化为具体的画面，包括那些真实世界中不会出现的虚构场景，就是基于对文本 - 视频语义的深刻理解和 Diffusion Transformer 架构的强大能力。在自研架构和 Scaling Law 激发出的强大建模能力推动下，可灵能够很好地模拟真实世界的物理特性，生成符合物理规律的视频。

与此同时，基于团队自研的 3D VAE 网络，可灵大模型能够生成 1080p 分辨率的电影级视频，无论是浩瀚壮阔的宏大场景，还是细腻入微的特写镜头，都能够生动呈现。

当然，对于视频生成模型来说，另一个必须考虑的因素是：视频是一种具有时间维度的视觉内容，不连贯的内容会让用户的观看体验大打折扣。

为了保证画面中运动的呈现更加合理，可灵大模型采用 3D 时空联合注意力机制，更好地建模复杂时空运动，即可生成较大幅度运动的视频内容，同时能够符合运动规律。

训练及优化策略

如果你已经亲自测试过，就会发现可灵支持推理过程中同样的内容输出多种视频宽高比。这是因为可灵采用了可变分辨率的训练策略，目的是满足更丰富场景中的视频素材使用需求。

与此同时，得益于高效的训练基础设施、极致的推理优化和可扩展的基础架构，可灵大模型能够生成长达 2 分钟的视频，且帧率达到 30fps。

视频生成，不再是一场「追赶 OpenAI」的游戏

2024 年被称为视频生成技术的爆发之年，但在可灵之前，我们始终没见到 Sora 级的可用产品，而 Sora 何时开放也是未知数。

某种意义上说，可灵是第一个真正的「中国版 Sora」，并让这项技术真正进入了可用、好用、实用的阶段。

正如傅盛所说：「这可能是今天在全世界范围内，你能够使用到的最好的文生视频产品。」任何亲自试用过可灵的人，都会明白这绝不是过誉。

傅盛的视频还给到了另外一个观点：「反过来也说明，Sora 并不是一个技术性的突破，而是一个产品型的突破。」

还记得几个月前，Sora 以长达 60 秒的连贯视频、高清画面质感、连贯的镜头移动、运动方式等优点，拉高了整个视频生成赛道的技术水平，掀起了文生视频赛道的竞争浪潮。

我们本以为，视频生成领域会像去年的文本大模型一样，演化为国内对海外的技术赶超。但可灵的发布，意味着国产文生视频大模型技术的探索已经达到了一个全新的高度，而且在产品落地层面做到了实质领先。我们可能不需要再重新经历一次「追赶 OpenAI」的游戏了。

有人给出判断：中国正在人工智能领域超越美国。

可灵的诞生，或许意味着一个新时代开启了。在生成式 AI 时代，生成和编辑视频或许会像今天我们用手机 P 图一样简单，想象力与现实之间的阻隔将被彻底打破。

由于太过火爆，目前在排队测试可灵的人数已经超过了 5 万人。如果你对 AI 生成视频的玩法感兴趣，不妨先关注「可灵 AI 视频号」，收获更多优质案例。

技术展望与挑战

尽管可灵展示了强大的能力，但视频生成领域仍面临诸多挑战。首先是长视频的一致性控制，虽然可灵支持 2 分钟生成，但在超长序列中保持角色外观、背景逻辑不变仍是难点。其次是物理规律的精准模拟，如流体、光影交互等，仍需大量高质量数据微调。

此外，推理成本也是制约大规模应用的关键因素。DiT 架构虽然扩展性强，但对显存和算力的需求巨大。未来，如何通过量化、蒸馏等技术降低部署门槛，将是行业关注的重点。

在教育、医疗、娱乐等领域，视频生成技术也有望实现深度渗透。例如，利用 AI 生成教学演示视频，或辅助医疗影像的动态分析。随着多模态大模型的进一步融合，文本、图像、视频之间的界限将逐渐模糊，人机交互的方式也将发生根本性变革。

可灵的发布不仅是一个产品的成功，更是中国 AI 产业在基础模型层面向全球化竞争迈出的坚实一步。它证明了在特定垂直领域，通过数据积累和架构创新，完全有能力打造出世界级的生成式 AI 应用。