快手「可靈」爆火：海外AI圈巨震，中國版Sora一號難求
短短一年后，AI 生成的「吃面條」已經如此自然流暢？這讓全球網友都感受到了億點點震撼。
圖源：https://x.com/CharaspowerAI/status/1799494388462063632
右側的這些生成視頻，都來自快手剛剛推出的文生視頻大模型「可靈」（Kling）。
不是預發布、不是純 Demo 合集，而是直接開放測試的產品級應用，人人都能申請。而且，可靈支持生成最長 2 分鐘、30fps 的 1080P 視頻，主打從頭腦風暴到可發布作品的「一鍵轉化」。（官網地址：https://kling.kuaishou.com/）
最早一批用上的用戶已經「真香」：
圖源：https://x.com/op7418/status/1799047146089619589
圖源：https://weibo.com/7714861068/Oig1Qm8Or?refer_flag=1001030103_
500 人上限的交流群，很快就滿員了，滿屏都是 tql：
還沒用上的外國友人只能干著急，在社交媒體發「求求了」：
不夸張地說，可靈現在是「一號難求」：
消息傳到硅谷創投圈，更是引發了一場熱議。
Stability AI 前 CEO Emad Mostaque 表示：「中國的 AI 技術有自己的優勢。」
圖源：https://x.com/EMostaque/status/1799133463003684918
YC CEO 也在 X 平臺轉發了可靈生成的 Demo：
就圖中這個「吃漢堡」的案例而言，在相同的提示詞下，可靈的生成效果確實比 Sora 更生動、真實：
Prompt：Une personne tapant son meilleur croc dans son hamburger
視頻地址：https://x.com/AngryTomtweets/status/1799787209651859910
對于關注 AI 的人來說，這幾天一定陸陸續續看過很多可靈生成的作品了。機器之心也是第一時間就點進了申請通道，并拿到了試用資格。
接下來，我們不妨一邊試用、一邊分析可靈爆火的原因。
國內首個文生視頻產品級應用
或許你還記得這個曾經非常火爆的「氣球人」視頻。三位創作者花費近兩周時間，使用 Sora 制作了這條 1 分 21 秒的視頻短片，讓人感到十分驚艷。不過，負責后期制作的 Patrick Cederberg 坦白了過程中的很多問題，例如氣球的顏色在每次生成中都會改變、鏡頭中會出現一些瑕疵等等。
Sora 生成結果。完整視頻地址：https://youtu.be/9oryIMNVtto?si=F6oDzvrhzfVcQGeh
對于此前的視頻生成模型來說，「一氣呵成」生成 1 分鐘以上的內容確實有難度，特別是要求畫面中的各種元素保持前后一致。
獵豹移動董事長兼 CEO、獵戶星空董事長傅盛公開了自己用可靈制作的「氣球人」視頻，并表示自己僅用了「幾十分鐘」，就做出了連續性、真實度、清晰度都很優秀的短片。
在內測的過程中，我們還發現了一個專業創作者社區自發建立的教程與 Demo 文檔，包含了上百個可靈生成的作品，還提供了測試維度的指導。
感興趣的讀者請戳：https://waytoagi.feishu.cn/wiki/GevKwyEt1i4SUVk0q2JcqQFtnRd
下面這個 2 分鐘的公益短片《一個很遠的地方》也是完全由可靈生成的，你能看出來嗎？
在創作者 @AIGC 十三的作品《瘋狂動物城賽車大賽》中，這 20 秒包含了疾速行駛的賽車（大幅度運動）、動物駕駛車輛（考驗想象力的概念組合）等生成難點，但從結果來看，可靈很好地解決了這些問題：
還有一個很有趣的案例是 @八級技工創作的《假期打開方式》，這段 56 秒的短頻共花費了 3 小時制作，包含 23 個鏡頭。然后在可靈的生成結果之上添加配音，詼諧的感覺馬上就有了：
看完這些，我們應該已經意識到，可靈所代表的視頻生成技術的影響力，遠遠超出了單純的創作。在不同的研究領域和行業賽道，這一技術的落地正在加速，為從自動內容生成到復雜決策過程的各種任務提供了變革潛力。
哪些行業最先被改變？
傳統的游戲開發通常受到預先渲染的環境和腳本事件的限制。一旦將視頻生成模型集成到游戲領域，游戲的開發、玩耍和體驗方式都將得到創新，為講故事、互動和沉浸式體驗帶來新的可能性。對于游戲開發者來說，最直觀的一項玩法是，根據用戶敘述生成定制的視覺效果甚至角色動作。
在下方的 demo 中，我們可以看到，用戶能夠借助可靈創造出無與倫比的身臨其境體驗：
圖源：https://x.com/dustinhollywood/status/1800056286215553444
圖源：https://x.com/dustinhollywood/status/1800056886693347624
另外一個將被顛覆的行業就是影視制作。傳統的電影制作是一個艱巨而昂貴的過程，往往需要數年的努力、大量的設備和資金投入。視頻生成技術的出現預示著電影制作進入了一個新的「民主化時代」，從簡單的文本輸入中自主生成個人影視作品的夢想正在成為現實。
現在，我們用可靈生成的是 5 秒的單鏡頭片段，伴隨著技術的不斷演進，用戶單次能夠生成的視頻時長也會增加。比如說，我們未來或許能夠一次性生成更長的視頻內容，保持故事場景的連貫性和觀賞性。其中的運鏡手法也許會更高級，比如連貫的長鏡頭。
圖源：https://x.com/dustinhollywood/status/1800007000849629674
下面這段剪影作品再次印證了一點：AI 對藝術的理解力與審美水準，絲毫不遜于人類。
Prompt：“A dancer’s silhouette transitions seamlessly through different dance styles, from hip-hop to ballet, in one continuous shot”
可靈生成作品。圖源：https://x.com/dustinhollywood/status/1799970059957555210
科幻電影的風格完全拿捏：
AI 同樣能為奢侈品大片的制作注入靈感：
我們可以看一下可靈生成的這段「蜂蜜」廣告片，AI 在模擬傾倒蜂蜜特寫鏡頭中的表現絲毫不輸專業攝像團隊：
可靈背后有哪些技術？
我們無法從 OpenAI 簡略的技術報告中獲得足夠的 Sora 研發細節，但可靈大模型官網卻披露了更具參考意義的信息，主要包括從數據準備、模型架構、訓練方案及優化策略幾個方面。
數據準備
依托快手在視頻技術領域的多年積累，可靈大模型團隊已經構建了完備的標簽體系，包括從視頻基礎質量、美學、自然度等多個維度對視頻數據質量進行刻畫，并針對每一個維度設計多種定制化的標簽特征，以此來精細化篩選訓練數據或調整訓練數據的分布。
為了滿足訓練文生視頻模型過程中成對的視頻和文本描述需求，可靈大模型團隊自研了視頻描述模型，可以生成精確、詳盡、結構化的視頻描述，顯著提升視頻生成模型的文本指令響應能力。
模型架構
高質量的標注數據準備完畢后，可靈大模型又是如何獲得模擬物理世界特性與概念組合的能力呢？
在整體架構設計上，可靈采用了目前火熱的 Diffusion Transformer (DiT) 。傳統的擴散模型主要利用包含下采樣和上采樣塊的卷積 U-Net 作為去噪網絡骨干。但一些研究表明，U-Net 架構對擴散模型的良好性能并非至關重要。通過采用更靈活的 Transformer 架構，擴散模型可以使用更多的訓練數據和更大的模型參數。DiT 就是這個研究思路下的代表作之一。
這幾個月來，業內形成一個共識，視頻生成模型的成功，歸根結底是 Scaling Law 的作用。這一共識正是基于 DiT 論文的發現，使用 Transformer 能穩定地擴大模型規模：隨著訓練計算量的增加（訓練模型的時間延長或模型增大，或兩者兼而有之），性能也會隨之提高。
這意味著，對于視頻生成模型，只要用更多的算力、更多的數據去 Scale up，生成質量還會持續提升。
可靈之所以能夠將用戶的文本提示轉化為具體的畫面，包括那些真實世界中不會出現的虛構場景，就是基于對文本 - 視頻語義的深刻理解和 Diffusion Transformer 架構的強大能力。在自研架構和 Scaling Law 激發出的強大建模能力推動下，可靈能夠很好地模擬真實世界的物理特性，生成符合物理規律的視頻。
與此同時，基于團隊自研的 3D VAE 網絡，可靈大模型能夠生成 1080p 分辨率的電影級視頻，無論是浩瀚壯闊的宏大場景，還是細膩入微的特寫鏡頭，都能夠生動呈現。
自然場景下，光線的變化很流暢。測試者：@杉杉
當然，對于視頻生成模型來說，另一個必須考慮的因素是：視頻是一種具有時間維度的視覺內容，不連貫的內容會讓用戶的觀看體驗大打折扣。
為了保證畫面中運動的呈現更加合理，可靈大模型采用 3D 時空聯合注意力機制，更好地建模復雜時空運動，即可生成較大幅度運動的視頻內容，同時能夠符合運動規律。
訓練及優化策略
如果你已經親自測試過，就會發現可靈支持推理過程中同樣的內容輸出多種視頻寬高比。這是因為可靈采用了可變分辨率的訓練策略，目的是滿足更豐富場景中的視頻素材使用需求。
與此同時，得益于高效的訓練基礎設施、極致的推理優化和可擴展的基礎架構，可靈大模型能夠生成長達 2 分鐘的視頻，且幀率達到 30fps。
視頻生成，不再是一場「追趕 OpenAI」的游戲
2024 年被稱為視頻生成技術的爆發之年，但在可靈之前，我們始終沒見到 Sora 級的可用產品，而 Sora 何時開放也是未知數。
某種意義上說，可靈是第一個真正的「中國版 Sora」，并讓這項技術真正進入了可用、好用、實用的階段。
正如傅盛所說：「這可能是今天在全世界范圍內，你能夠使用到的最好的文生視頻產品。」任何親自試用過可靈的人，都會明白這絕不是過譽。
傅盛的視頻還給到了另外一個觀點：「反過來也說明，Sora 并不是一個技術性的突破，而是一個產品型的突破。」
還記得幾個月前，Sora 以長達 60 秒的連貫視頻、高清畫面質感、連貫的鏡頭移動、運動方式等優點，拉高了整個視頻生成賽道的技術水平，掀起了文生視頻賽道的競爭浪潮。
我們本以為，視頻生成領域會像去年的文本大模型一樣，演化為國內對海外的技術趕超。但可靈的發布，意味著國產文生視頻大模型技術的探索已經達到了一個全新的高度，而且在產品落地層面做到了實質領先。我們可能不需要再重新經歷一次「追趕 OpenAI」的游戲了。
有人給出判斷：中國正在人工智能領域超越美國。
可靈的誕生，或許意味著一個新時代開啟了。在生成式 AI 時代，生成和編輯視頻或許會像今天我們用手機 P 圖一樣簡單，想象力與現實之間的阻隔將被徹底打破。
本文轉自 機器之心 ，作者：機器之心
