文生视频大模型 Sora 发布之后，国内企业纷纷开始参与其中，国产文生视频大模型进入了加速发展的阶段。36kr 了解到，最近又有一个国产视频大模型加入到了这场竞争之中，快手的“可灵”视频生成大模型官网现在已经正式开始运行。与之前各家所推出的以展示视频为主的视频大模型相比，这次亮相的可灵大模型不仅效果可以和 Sora 相媲美，而且已经在快手旗下的快影 App 上开始邀请测试并提供体验。

可灵大模型官网

快手是短视频领域的头部玩家，在短视频技术方面积累多年且较为深入。它的视频生成大模型拥有天然的应用场景，并且应用场景广泛。可灵大模型是快手 AI 团队自研的。它采用类 Sora 的技术路线，并且结合了多项自研创新技术，所以具备诸多优势。其一，能够生成大幅度的合理运动；其二，能够模拟物理世界特性；其三，具备强大的概念组合能力和想象力；其四，生成的视频分辨率很高，时长可达 2 分钟（帧率），并且支持自由的宽高比。

具体来说：可灵大模型具备生成较大幅度合理运动的能力。它采用了 3D 时空联合注意力机制，凭借此机制能更好地对视频中的复杂时空运动进行建模。所以，可灵大模型不但能够生成幅度较大的运动，而且生成的运动更符合客观运动规律，能够切实让想象力得以展现和运动起来。在下面宇航员在月球上奔跑的这个例子里，镜头慢慢抬升，我们能够看到宇航员跑步时动作流畅且轻盈，其步态以及影子的运动既合理又恰当。

一名宇航员在月球表面进行奔跑。低角度的镜头将月球的广阔背景展现了出来。其动作既流畅又显得轻盈。

自研模型架构及 Law 激发了强大建模能力，这使得可灵大模型能够模拟真实物理世界的特性，为我们构建起一个无限逼近现实的想象空间。无论是真实世界的光影反射，还是重力影响下的流体运动，亦或是与物理世界的交互，可灵大模型都能够生成符合物理规律的视频。下面是关于小男孩吃汉堡的生成视频。他一口咬下去，汉堡就被咬掉了一个大大的缺口，并且这个缺口在视频中一直保持着。我们可以看到小孩咀嚼汉堡时那享受的表情，他脸部的肌肉动态十分逼真。

：一个戴眼镜的中国男孩在快餐店内闭眼享受美味的芝士汉堡

具备强大的概念组合能力与想象力。模型对文本 - 视频语义有深刻理解，且基于其架构学到强大的概念组合能力，因此灵大模型能够把用户丰富的想象力转化为具体的画面，使创意近在咫尺。以下视频展示了熊猫吉他手坐在湖边弹着吉他唱歌的想象场景。

：一只大熊猫在湖边弹吉他

可灵大模型生成的视频分辨率很高，时长可达 2 分钟（帧率），还支持自由输出视频宽高比。可灵大模型的自研 3D VAE 能把视频编码到紧凑的隐空间并解码成带有丰富细节的视频，能够生成高分辨率的视频。因为有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，所以可灵大模型能够生成长达 2 分钟的视频。在推理过程里，能够输出多种视频宽高比且内容相同。同时，可灵官网展示了以分钟为单位的视频生成效果，能跟随镜头看到小男孩骑自行车游览花园，以及在一镜到底的过程中穿越春夏秋冬四季的风景。

（视频片段，完整版详见可灵官网）

大模型的生成效果与数据的规模和质量相关，也与大规模训练的效率有关。在可灵大模型的研发过程里，配套构建了高效的大规模自动化数据解决方案，此方案涵盖了海量视频的挖掘、多维的打标筛选、视频描述的增强以及数据驱动的效果质量评估等多个领域。在训练过程中，采用了多种方案，包括计算优化方案和通信优化方案。这些方案极大地提升了 GPU 的利用率和网络带宽的利用率。同时，通过自动故障检测等机制，提供了分钟级的故障恢复能力。这保障了在短时间内能够快速提升模型的效果。

快影 App 的 AI 创作功能已正式开启文生视频功能的邀测。创作者可以申请并体验可灵大模型最新的文生视频功能。同时，图生视频功能也将在近期开放。

可灵大模型的基础上，更多应用方向已经落地或者即将落地。比如，肢体驱动的“AI 舞王”功能在快手和快影 App 得以成功落地，用户只要上传一张全身或者半身照片，就能够体验到一键跳舞的乐趣。近期还将首次上线“AI 唱跳”新玩法，这种玩法能够同时驱动表情和肢体动作，仅凭借一张照片就能生成唱跳“爱你”的生动视频。

AI 大模型时代来临，快手作为头部短视频公司，已展开全面布局。公开资料表明，快手先后发布了通用大语言模型“快意”，以及文生图大模型产品“可图”。同时，快手还推出了诸如 -a-、-、I2V- 等视频关键技术，这些举动引发了广泛的关注。据悉，此次可灵大模型发布之际，快手会持续加快大模型的研发步伐，同时也会持续推进大模型的应用，从而带来更为多样的 AI 创作以及互动体验。