快手推出文生视频大模型「可灵」，支持生成 2 分钟 1080P 视频。该模型采用 Diffusion Transformer 架构和 3D VAE 网络，在物理规律模拟和时空一致性上表现优异，被部分用户认为优于 Sora。可灵开放测试后迅速满员，引发硅谷创投圈关注。其发布标志着国产文生视频模型在技术落地层面达到新高度，可能改变游戏开发和影视制作流程。技术层面涉及数据标签体系、可变分辨率训练及 3D 时空注意力机制，未来仍需在长视频一致性及推理成本上持续优化。
短短一年后，AI 生成的「吃面条」已经如此自然流畅？这让全球网友都感受到了震撼。右侧的这些生成视频，都来自快手刚刚推出的文生视频大模型「可灵」（Kling）。
不是预发布、不是纯 Demo 合集，而是直接开放测试的产品级应用，人人都能申请。而且，可灵支持生成最长 2 分钟、30fps 的 1080P 视频，主打从头脑风暴到可发布作品的「一键转化」。
最早一批用上的用户已经体验了效果：
还没用上的外国友人只能干着急，在社交媒体发「求求了」。消息传到硅谷创投圈，更是引发了一场热议。Stability AI 前 CEO Emad Mostaque 表示：「中国的 AI 技术有自己的优势。」YC CEO 也在 X 平台转发了可灵生成的 Demo。
就图中这个「吃汉堡」的案例而言，在相同的提示词下，可灵的生成效果确实比 Sora 更生动、真实。
对于关注 AI 的人来说，这几天一定陆陆续续看过很多可灵生成的作品了。接下来，我们不妨一边试用、一边分析可灵爆火的原因及其背后的技术逻辑。
或许你还记得这个曾经非常火爆的「气球人」视频。三位创作者花费近两周时间，使用 Sora 制作了这条 1 分 21 秒的视频短片，让人感到十分惊艳。不过，负责后期制作的 Patrick Cederberg 坦白了过程中的很多问题，例如气球的颜色在每次生成中都会改变、镜头中会出现一些瑕疵等等。
对于此前的视频生成模型来说，「一气呵成」生成 1 分钟以上的内容确实有难度，特别是要求画面中的各种元素保持前后一致。
猎豹移动董事长兼 CEO、猎户星空董事长傅盛公开了自己用可灵制作的「气球人」视频，并表示自己仅用了「几十分钟」，就做出了连续性、真实度、清晰度都很优秀的短片。
有很多自媒体博主都晒出了自己做的短片，大家感兴趣的可以自行搜索。
传统的游戏开发通常受到预先渲染的环境和脚本事件的限制。一旦将视频生成模型集成到游戏领域，游戏的开发、玩耍和体验方式都将得到创新，为讲故事、互动和沉浸式体验带来新的可能性。对于游戏开发者来说，最直观的一项玩法是，根据用户叙述生成定制的视觉效果甚至角色动作。
在下方的 demo 中，我们可以看到，用户能够借助可灵创造出无与伦比的身临其境体验：
另外一个将被颠覆的行业就是影视制作。传统的电影制作是一个艰巨而昂贵的过程，往往需要数年的努力、大量的设备和资金投入。视频生成技术的出现预示着电影制作进入了一个新的「民主化时代」，从简单的文本输入中自主生成个人影视作品的梦想正在成为现实。
现在，我们用可灵生成的是 5 秒的单镜头片段，伴随着技术的不断演进，用户单次能够生成的视频时长也会增加。比如说，我们未来或许能够一次性生成更长的视频内容，保持故事场景的连贯性和观赏性。其中的运镜手法也许会更高级，比如连贯的长镜头。
下面这段剪影作品再次印证了一点：AI 对艺术的理解力与审美水准，丝毫不逊于人类。
Prompt: "A dancer's silhouette transitions seamlessly through different dance styles, from hip-hop to ballet, in one continuous shot"
我们无法从 OpenAI 简略的技术报告中获得足够的 Sora 研发细节，但可灵大模型官网却披露了更具参考意义的信息，主要包括从数据准备、模型架构、训练方案及优化策略几个方面。
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。
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。
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。
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。
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。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
