[智能应用]AI视频进入蒸汽机时代 [复制链接]

机器之心报道
机器之心编辑部

AI 视频生成行业天花板再次被拉高。

百度杀入 AI 视频生成赛道后，就一直加班加点卷个不停。
7 月初，百度第一次正式官宣蒸汽机 1.0 模型，以极致指令遵循能力惊艳亮相；8 月底，百度又发布全球首个中文音视频一体化模型百度蒸汽机 2.0，实现生成视频中人物口型、表情、动作的毫秒级同步。
而现在，距离上次发布仅短短一个月，百度蒸汽机 2.0 又迎来重磅升级，推出了行业首个通用 AI 长视频生成功能
此次升级，百度蒸汽机不仅突破了 5 秒和 10 秒的生成时长限制，理论上可生成任意长度的长视频，还引入交互式需求表达功能，允许在生成过程中实时更新提示词。这意味着创作者可以随时调整视频内容，创作体验更为灵活高效。
长视频生成对 AI 模型提出了更高要求，模型需要具备对时间、空间的深度理解能力，同时要能精确控制信息密度和视觉连贯性，这一直是该领域的技术难点。
为延长视频时长，业内普遍采用「首尾帧续写」技术，或者视频延长的简单续写能力，虽然能勉强填补时长空白，但容易导致视频缺乏连贯性，画质和细节呈现不稳定，难以承载复杂的创作需求。同时首尾帧续写需要用户每个镜头上传图片以及提示词，一个镜头普遍 1-6 秒，生成几十秒成片可能需要 10 组以上图片和提示词描述，操作门槛非常高，且很难实现无限时生成。
与这一浅层技术方案不同，百度蒸汽机采用流式生成技术，用户只需输入图像和提示词，就能生成任意时长的视频，并可以在生成过程中随时调整提示词，实时续写内容或指定任意帧继续生成，用户无需复杂操作，只需要一张图 + 提示词，即可完成无限时视频生成。如果对于前面的内容不满意，可以马上暂停调整，不需要完整推理过程结束，区别于行业其他长视频技术能力，百度蒸汽机的长视频生成能力不仅仅大幅度提升了创作效率，还可以实现灵活、流畅的创作体验。
首尾帧续写长视频能力
百度蒸汽机流式生成长视频能力
百度蒸汽机的这次迭代升级，不仅是技术上的一次革新，也在商业应用层面带来新的可能性。创作者可以在短时间内完成高质量长视频制作，降低了创作成本，提高内容产出效率，为各行业内容创作提供了新的工具和商业价值。
在下面这段蒸汽机长视频生成的视频中，小鸭子划水、上岸等动作连贯流畅，没有出现卡顿或不自然的现象，水面的涟漪、小鸭子的羽毛等细节也都处理得细腻逼真。
提示词：小鸭子在水中嬉戏，有几只喝水，有几只划水，接下来排着队往前游，游到了岸边，拍打着小翅膀，往前边的草地上走去。
再比如，蒸汽机长视频模型还成功生成了一段西部牛仔风格视频，效果堪比电影大片。
该模型能够精准执行复杂的镜头运动与人物动作，在提示词的指引下，以一镜到底的方式呈现出牛仔走向马车、推门而入等场景转换。
镜头跟随、人物动作以及视角切换的衔接都很丝滑，尤其是在人物向前走和镜头右摇的场景中，模型能够精确控制镜头的角度与人物的位置变化，保持画面的自然过渡。
提示词：1-5s 镜头跟随，牛仔走向右方马车。6-10s 人物向前走，镜头跟随。11-15s 人物向前走，镜头跟随，右摇 16-20s 镜头跟随，牛仔推开门进去。
在另一段长视频中，蒸汽机 2.0 真实还原了水流的动态变化以及小纸船在水面上漂动的轨迹，画面没有任何破绽或失真的情况，细节把控也很到位。提示词：小纸船在小河里漂流。
本次百度蒸汽机还发布了首尾帧功能，支持用户提供首尾帧2张图片和提示词可完成图片的理解和5S视频生成，为创作者提供更便利的视频片段生成能力。
提示词：黄色折纸在工作台上逐步折叠，变形为彩色折纸猴，定格动画逐帧展现折纸过程，固定镜头。
我们只需上传首尾帧图片并输入提示词，蒸汽机 2.0 便能「脑补」出中间的剧情，实现完整的画面衔接。
比如一段电影风格的镜头中，平静的水面突然冒出三个全副武装、手持冲锋枪的士兵，生成的画面几乎可以以假乱真：
提示词：固定镜头，平静的水面荡起波纹，三个士兵慢慢露出水面，他警惕的看着四周。
还有这个动漫风格的镜头，即使二次元小姐姐转个圈也能保持前后人物一致性，角色面部不会崩坏：
提示词：镜头环绕着人物
首尾帧功能特别适用于延时摄影。蒸汽机生成了一段树木从秋季黄叶到冬季积雪的自然变化，季节过渡平滑自然，树叶飘落与雪花覆盖的细节也处理得很细腻。
提示词：固定镜头大延时摄影，天⽓变化到冬天，背景云雾变化。
在商业化场景中，百度蒸汽机还能制作各类广告大片。在下面的案例中，只见镜头慢慢拉远，光泽感十足的耳机被拿在手中，流线型的反射效果显得极具质感，生成的手部非常自然，手指与物体的衔接部分也毫无违和感。
提示词：耳机合上盖子，伸出一只手拿着耳机。
此外，百度蒸汽机在 8 月还率先推出「多人对话音视频一体化生成」能力，也是全球首个中文音视频一体化生成模型，该模型基于多模态信息的精准同步与自然交互，支持多角色自然对话，并保持高画质输出、大师级运镜。依托海量中文语料深度训练，中文语音细节还原度超 98%。
现在，所有用户都可以通过百度搜索、百度 APP 或访问「绘想」平台进行体验。
体验链接：https://huixiang.baidu.com
现阶段，AI 视频生成虽然发展迅猛，目前行业内视频生成均集中在 5s/10s，且由于视频生成多采用基于 transformer 的扩散模型，在生成时长和实时性方面仍然存在很大的局限（生成时间长，且生成成本随生成时长呈平长级膨胀，不支持实时生成也无法交互）。较短的视频在应用上主要在工具层面，集中在视频片段、视频素材制作上，而互动视频、直播场景对视频时长和实时性都提出了更高的要求。同时，可交互的长视频生成技术可能重塑人类与媒介的互动方式，从「被动消费」转向「共同创作」，甚至催生全新的艺术形式与商业模式。
挑战 1 ：时长
长视频生成中存在长上下文记忆难题，模型需在长时间范围内有效保留和检索关键事件，同时避免信息崩溃或漂移。
遗忘的问题：模型在生成长视频时，难以长期记忆早期帧的内容，导致时间维度上存在不一致
漂移的问题：生成过程中误差逐帧累积，导致生成的视觉质量逐渐下降。随着生成时长的增加，简单续写的方式，累积误差问题逐渐加剧，生成视频质量不断衰减，主体一致性逐渐下降。
挑战 2 ：成本
由于视频生成模型中 Transformer 的二次复杂度，导致计算成本随着视频生成时长呈平方级增长。直接训练或推理更长视频，对 GPU 显存和计算效率提出更高要求，成本膨胀严重。
1.引入长时间一致性建模技术，解决长的问题：连续性 + 一致性

• 从全局整体生成到局部生成

动态缓冲区管理：通过「移动缓冲区」机制实时管理多帧画面，允许模型同时处理模糊草图、半完成帧与高精度画面，实现「边生成边调整」的实时交互。

• 阶梯独立噪声构造

独立噪声：基于时间步采样，为视频扩散模型的每一帧添加不同强度的噪声。根据噪声调度器曲线，每一个预测 chunk 被分配不同的噪声级别（与推理期间使用的噪声调度保持一致）
2.引入历史参考帧，保障片段生成与前序内容的连续性，让动作像「接力赛」一样流畅

• 引入 History 序列的训练

「零」噪声片引入：Diffusion Forcing 给了我们启发，基于 noise as masking 的思路。训练过程中可直接将历史参考帧引入与生成目标帧一起训练，提升生成的连续性。

• History 增强策略，历史帧越来越多，如何选择好的是核心优化点

多样性与鲁棒性：进行历史帧的概率扰动，提升模型的自我纠错能力，缓解自回归模型的累积误差问题。
历史帧压缩：a) 按时间临近性、帧重要度进行采样，提升全局 history 对当前视频生成的有效控制。b) 注意力门控机制：模型根据当前帧内容动态选择相关历史帧进行参考，避免无关信息的干扰，提升记忆效率。

• 训练中引入指导帧，引导模型不跑偏，缓解视频遗忘的问题

抗偏移的方法：在生成中同时生成首尾的部分帧，后续一起用来预测后续帧，逐步往后生成。
以上技术的突破让蒸汽机长视频生成能力变得更大，正如百度商业体系商业研发总经理刘林所表示的：长时一致性和实时性问题的解决，使得用户可以随时进行交互，并且在交互过程中，用户可以不断调整输入 prompt，直到生成自己满意的视频为止。
在中文场景适配层面，如前文所述，百度蒸汽机 2.0 在语音还原度上超过 98%，这对用户而言意味着可以获得更自然、更沉浸的交互体验。无论是在长视频配音、虚拟角色对白，还是个性化讲解，用户都能听到几乎与真人无异的中文表达。同时，高精度的语音还原也让情绪（如喜悦、惊讶）传递更加细腻。对于内容创作者而言，这不仅降低了后期配音和剪辑的门槛，还大幅提升了成品的质量与效率。
值得一提的是，百度蒸汽机 2.0 在画质和运镜上也不输专业团队。通过多条件协同建模，端到端人物生成，以及百万级专业运镜数据微调，从而实现电影级画质、大师级复杂运镜。这也意味着过去需要庞大团队与昂贵设备才能实现的镜头效果，如今只需一段提示即可完成。毫不夸张地说，百度蒸汽机 2.0 让人人都能拍电影成为可能。
可以看出，百度蒸汽机 2.0 此次升级，并不是单点突破，而是在多个维度优化与创新的结果，它不仅解决了传统视频生成中短时长、不连贯、缺乏叙事的痛点，还将专业团队级别的影像表现力带到普通创作者手中。
前段时间，香港老牌电视台 TVB 掀起了一场「AI 风暴」。
他们推出了香港电视界首部全 AI 生成的青春爱情短剧《在我心中，你是独一无二》，从男女主角到剧情，再到场景，100% 由 AI 生成。由此可见，AI 技术在影视制作中有着巨大潜力和经济价值。
百度蒸汽机长视频能力的升级推出，则进一步推动了这一趋势。

百度蒸汽机2.0：AI视频生成的新里程碑

百度蒸汽机2.0的推出标志着AI视频生成领域迈上了新的台阶。从最初的蒸汽机1.0模型到现在的2.0版本，百度在AI视频生成技术上不断突破，不仅在技术层面实现了多项创新，还在商业应用上展现了巨大的潜力。

技术革新

流式生成技术
百度蒸汽机2.0采用了流式生成技术，这是其与市场上其他长视频生成技术的主要区别之一。传统的“首尾帧续写”方法虽然可以延长视频时长，但容易导致视频缺乏连贯性，画质和细节呈现不稳定。而流式生成技术则允许用户只需输入图像和提示词，就能生成任意时长的视频，并在生成过程中随时调整提示词，实现内容的实时更新。这种技术不仅提高了创作效率，还提供了更为灵活和流畅的创作体验。

长时间一致性建模
为了克服长视频生成中的长上下文记忆难题，百度蒸汽机2.0引入了长时间一致性建模技术。通过动态缓冲区管理和阶梯独立噪声构造等方法，模型能够在长时间范围内有效保留和检索关键事件，避免信息崩溃或漂移。此外，引入历史参考帧和历史帧压缩等策略，进一步保障了片段生成与前序内容的连续性，使动作像“接力赛”一样流畅。

自回归扩散模型
结合自回归长序列能力和扩散一致性强的优点，百度蒸汽机2.0通过自回归扩散模型实现了更好的长视频生成效果。这种方法不仅解决了长时一致性和实时性问题，还允许用户在交互过程中不断调整输入提示词，直到生成满意的结果。

商业应用前景

内容创作
百度蒸汽机2.0的推出为内容创作者提供了强大的工具。无论是短视频制作、广告生成还是电影剪辑，创作者都可以在短时间内完成高质量的长视频制作，降低了创作成本，提高了内容产出效率。例如，在广告制作中，模型能够生成具有高画质和大师级运镜效果的视频，极大地提升了广告的吸引力和传播效果。

影视制作
近期，香港老牌电视台TVB推出了首部全AI生成的青春爱情短剧《在我心中，你是独一无二》，展示了AI技术在影视制作中的巨大潜力和经济价值。百度蒸汽机2.0的长视频生成能力将进一步推动这一趋势，使更多影视作品能够借助AI技术实现高效制作和创新表达。

教育培训
在教育培训领域，百度蒸汽机2.0可以用于制作教学视频、模拟实验等教育内容。通过高质量的视频生成和实时交互功能，学生可以获得更加生动和直观的学习体验，教师也可以节省大量时间和精力。

结语

百度蒸汽机2.0的推出不仅是技术上的一次革新，也在商业应用层面带来了新的可能性。从内容创作到影视制作，再到教育培训，AI视频生成技术正逐渐渗透到各个领域，改变着我们的生产和生活方式。随着技术的不断进步和完善，未来AI视频生成将会有更广泛的应用和发展空间。

百度蒸汽机模型引领AI视频生成技术革新
2025年，AI视频生成行业迎来重大突破，百度推出的“蒸汽机”系列模型凭借技术迭代与成本优化，被行业称为“AI视频进入蒸汽机时代”。该系列模型从1.0到2.0的快速升级，不仅实现了音视频一体化生成能力的跃升，更通过算力架构优化将制作成本大幅降低，推动AIGC视频向普惠化应用迈进12。

蒸汽机2.0：技术突破与产品矩阵升级
核心技术创新：多模态协同与端到端生成
音视频一体化生成：全球首个中文音视频一体化模型，支持多角色语音、表情、动作自然协同互动，实现语音与唇形、动作精准对齐，复杂场景下稳定性显著提升23。
端到端生成路径：采用统一潜在空间规划技术，模型自主决定多角色对话逻辑与互动情绪，避免传统分段式生成的合成痕迹，接近真实拍摄效果2。
中文场景深度适配：针对中文语音细节与情感表达的还原度超98%，同时支持环境音效与电影级运镜控制，响应文本指令生成专业镜头语言3。
产品矩阵与功能拓展
蒸汽机2.0同步推出Turbo、Lite、Pro及有声版，覆盖不同创作需求：

效率优先：Turbo版侧重快速生成，适用于短视频创作；Pro版支持40+镜头复杂短片制作，如国际视效指导姚骐使用该模型完成灾难片特效素材生成24。
成本可控：Lite版通过轻量化模型设计降低使用门槛，新用户注册可获“想象力值”，每周参与活动最高可获18888点，实现低成本视频生成3。
成本下探七成：技术积累支撑普惠化定价
降本逻辑：算力架构与工程优化双驱动
百度副总裁陈一凡透露，蒸汽机2.0刊例价降至行业同类产品的70%，核心得益于长期技术积累：

底层算力支撑：依托百度智能云“百舸”平台与自研昆仑芯片，结合GPU算力架构优化，推理效率与算力利用率大幅提升2。
工程化经验：自2016年起在搜索广告场景应用GPU技术，形成软硬件结合的技术路径，本次迭代进一步通过策略工程架构优化降低边际成本2。
商业价值：从百万级到百元级的成本革命
企业级应用：传统好莱坞百万级特效成本降至百元，一汽-大众揽境七夕广告通过蒸汽机生成，制作周期从数周缩短至一周，成本压缩至千元以内2。
中小企业与创作者赋能：中小企业可低成本制作产品宣传视频，直接对接百度搜索与信息流分发；个人创作者通过梯度会员服务实现“视频生成自由”23。
行业影响：重塑视频创作生态与商业模式
应用场景与案例实践
商业营销：伊利倍畅使用蒸汽机制作品牌宣传片《漂“羊”过海来看你》，周期压缩至数日，成本显著降低，实现创意与效率双赢23。
内容生态整合：百度搜索中开放免费视频生成功能，用户可直接从脚本生成视频；云生态与商业生态联动，推动多模态内容创作效率提升3。
行业竞争格局
在国内外厂商加速布局视频生成赛道的背景下，百度通过“技术突破+价格下行”策略抢占市场：

技术壁垒：五大核心技术突破（多人有声生成、多模态规划、中文适配等）形成差异化竞争力3。
生态反哺：模型迭代由应用需求驱动，已服务搜索、内容、商业等百度多业务场景，同时通过特效赛事、创作活动吸引创作者生态入驻3。
未来趋势：长视频生成与交互性拓展
最新升级显示，蒸汽机模型已突破5秒和10秒时长限制，支持任意长度长视频生成，并引入交互式需求表达功能，用户可实时调整提示词续写内容。例如，生成的“小鸭子嬉戏”视频中，动作连贯流畅，水面涟漪、羽毛细节逼真，西部牛仔风格视频效果堪比电影大片4。这一进展预示AI视频生成正从“片段化素材”向“完整叙事内容”跨越，进一步拓宽商业与创作边界。