衡宇 鹭羽 发自 凹非寺
量子位 | 公众号 QbitAI

还在用Sora2做恶搞视频或表情包玩儿？快醒醒，国内AI视频玩家已实现弯道超车了——

开卷实时流式生成！

就是那种模型推理到哪儿，画面就生成到哪儿；想改剧情，直接暂停、改指令、视频重新走向。

换言之，Sora2能做的，它能做；Sora2做不到的，它还能做。

而这，才是和AI视频一起“创作”的未来式答卷——来自百度蒸汽机（文心专精版）。

百度蒸汽机相信大家都已经不陌生了，5月份以黑马之姿闯入AI生视频赛道，初登场就拿下VBench-I2V全球榜一，全球首个实现中文音视频一体化的视频生成模型，首次实现多人有声视频生成……

而这一次升级的背后，是百度对AI视频生成领域的重新再定义。

当同行还卡在“生成10s稳定、连续的视频画面”时，百度已经率先实现“生成迅速、实时交互、无限续写”三件套：

只需一张图+一个Prompt，生成过程更流畅自然，短时间、低成本还能保持高质量。支持实时交互，可随时打断视频生成进展，任意位置都能进行提示词改写。打破视频生成时长限制，上传任意视频，就能续写成长篇影视级大作，还能实时预览视频内容。

此外，在百度蒸汽机，还能告别以往单向输出的数字人，定制1V1专属数字人，沉浸式体验数字分身互动；任意生成、创造全场景开放世界，无论是开拓新的游戏地图，还是爽玩全球旅游景点，百度这次，全都有。

正如蒸汽机曾经带来的技术革命，百度蒸汽机模型的此次更新也将标志着AI视频正式从短片段走向长篇叙事，从创意工具走向创意伙伴。

从“图生视频”到“边看边生”：行业首次流式生成体验

不过，当前主流的AI视频生成模型还处在Level 1，即使是最近风头最盛的Sora2，也普遍只能生成5～10秒。

坊间为此还出现了邪修鉴AI大法：遇事不决看时长！

而且要得到结果，短则30秒长则几分钟的生成阶段，必须老老实实等待。

期间做成啥样一概不知，生成完整视频后，无论是细节修改还是整支视频大调，都没法实时调整，只能重来一遍，更谈不上有什么“交互感”。

这个过程不仅耗时长，而且成本惊人，想要实时交互修改基本上是不可能的。

这对短视频生成而言，还算够用，但放到长视频显然不够看，即使勉强用首尾帧技术拼接拉时长，但视频质量低下、细节粗糙，缺乏连贯性。

百度蒸汽机的出现，则填补了这一领域的空白，让AI视频提前进入了边看边生、实时共创的全新阶段。

不仅生成速度快人一步，生成质量也快到飞起。

首先是生成模式上，既能I2V图生视频，又能V2V视频生视频，双线齐发力。

图生视频将操作门槛降到最低，摒弃传统的多图+多指令模式，只需最基础的一张图和一个简单指令，就能生成长视频。

比如说我们先进入百度绘想平台，选择“长视频”功能入口，上传一张爱因斯坦的形象照，输入Prompt：

爱因斯坦在舞台上说物理学脱口秀，同时镜头跟随人物变化。

注意这里还要选择10-60秒的时长，一般默认20秒。

视频开始生成后，可以在旁边的任务结果区实时看到当前生成进展。

一旦发现不满意，立马点击“续改”按钮中断生成，将视频帧拖至目标位置，重新下达新的指令，例如这里我们将让爱因斯坦的动作更丰富一些，让他一边说一边还会比划动作。

一个小tips：

每12秒，生成任务会自动暂停一次，此时需要用户自己手动选择继续生成or就此结束嗷～

下面请欣赏一段新鲜出炉的爱因斯坦的默剧版脱口秀。

视频链接：https://mp.weixin.qq.com/s/s-L7EslLvuN31GT9Olt7sg

BTW，如果你不想要看无声短片，可以选择蒸汽机2.0有声版。

视频链接：https://mp.weixin.qq.com/s/s-L7EslLvuN31GT9Olt7sg

不过相对应的，最长时长就需要打一丢丢折扣（5～10s）。

好好好，教科书里的人物都能活过来讲脱口秀了，物理学原来可以这么有趣！

要是我读书的时候有它，也不至于回回物理考零昏（doge）

而百度蒸汽机的视频生视频，本次更新端上来的全新玩法：

同样是在长视频入口进入，首先需要上传一个时长在2秒到60秒的视频，我们这里使用的是上次没做完的哈利波特的太极拳文艺汇演视频。（咳咳）

原视频be like：

视频链接：https://mp.weixin.qq.com/s/s-L7EslLvuN31GT9Olt7sg

期间依旧是可以实时查看或修改视频内容，不过需要注意的是，有且仅有2个视频可以同时生成。

最终续写下来，效果也是纵享丝滑～

（这下麻麻再也不用担心以后小组作业队友做一半跑路了555）

视频链接：https://mp.weixin.qq.com/s/s-L7EslLvuN31GT9Olt7sg

另外，蒸汽机在开放世界上也表现优异，例如我们让它来生成一段月球漫步。

视频链接：https://mp.weixin.qq.com/s/s-L7EslLvuN31GT9Olt7sg

还可通过WASD+鼠标控制视角，在月球上自由探索。

Nice！下次旅游旺季，不用出远门人挤人，在家就能环游世界，计划通✅

不过言归正传，蒸汽机到底为啥一下就Next level了？还得是背后的技术升级立大功。

“边生成边互动”的AI视频体验，如何炼成？

当下，包括Sora 2在内的AI视频工具，都在朝更长、更稳、更真实、更清晰突破。

但有一点似乎被大多数玩家忽视了：

目前，“生成→等待→反馈”的生产流程，其实一直停留在AI单向输出的阶段。

背后原因主要还是归结于行业主流方案是采用基于Transformer架构的扩散模型。

受限于Transformer架构的二次计算复杂度，主流AI视频生成模型计算开销随生成时长呈平方级增长。也就是说，需要生成的视频时长越长，对GPU显存与计算效率的要求就更高。

一方面成本直接拉爆，另一方面推理效率也难以达到较高水准，所以难以实现实时生成与交互能力。

而迭代后的百度蒸汽机，已经实现了“用户被动接收”向“AI与用户共同创造”的转变。

在蒸汽机这里，AI视频生成过程本身就是开放的——

视频不是一口气生成完毕，而是流式呈现。

模型推理是什么进度，用户就能看到对应时长的画面。

生成过程可随时打断。

生成中途，用户要是灵感突发想改点什么，一句新的prompt就能实时生效。

不满意前一段内容？还可以拉回修改，重新接上。

视频链接：https://mp.weixin.qq.com/s/s-L7EslLvuN31GT9Olt7sg

一句话总结，百度蒸汽机生成AI视频，已经进入能配合你反悔的Next Level，一切都不必从头再来。

整个过程像是创作者在电脑前观摩AI创排导演一支视频短片，随时可以以“导演”的身份喊卡，调整细节，修改剧本。

从这个角度来看，百度蒸汽机突破的不只是长视频生成的技术瓶颈，而是AI视频的整个创作范式，是一次对AI生成流程的重新定义——

AI视频生成，终于进入“你说我做，随时可改”的时代。

为了让模型学会边输出边协作，百度蒸汽机在模型层面，从架构到底层推理流程，几乎做了一次彻底重构。

首先是模型架构层面，百度蒸汽机通过引入自回归扩散模型（Autoregressive Diffusion Models），采用基于流式滑窗的自回归扩散架构，来实现低成本无限外推和实时生成。

不仅有阶梯独立噪声构造，还进行动态缓冲区管理，让模型能同时处理模糊草图、半完成帧及高精度画面，最终实现“边生成边调整”的实时交互生成流程。

其次，为了解决训推过程中累积误差和衰减问题，百度蒸汽机引入了噪声重注入和历史帧扰动增强机制，让它不仅听得懂指令，还能应对突发调整。

所谓噪声重注入，就是在训练时故意加入真实工作中可能遇到的“噪声”或偏差，让模型在模拟真实复杂环境的过程中学会更稳、更准地生成结果。

历史帧扰动增强，则是让模型学着自己生成过程中的问题并自己修正以应对变化。

第三，在生成画面的一致性方面，百度蒸汽机在引入锚点帧引导保障全局记忆的同时，还引入历史参考帧保障连续生成。

最后需要提到非常重要的一点，就是百度蒸汽机基于自回归扩散架构，突破高压缩比生成技术，大幅提升扩散模型流式推理性能，保障效果和效率的极致平衡。

通过窗口attention优化和模型蒸馏，用户使用百度蒸汽机生成视频时，推理延迟被压缩到几乎实时，几乎不会有“等”的感觉。

技术落地、生态生长，推动AI内容创作进入共创时代

像百度蒸汽机这样，全流程可控、可打断、可改写的实时共创，让AI视频生成变得参与性更突出，打开了AI内容创作的新的可能空间。

于是问题也随之升维。

拥有实时生成能力之后，AI视频模型能否真正走进创作现场、嵌入真实生产流程？因为对AI创作工具来说，真正的考验场在创作场景和生产链条上。

生成能力再强，实时互动感再强，如果无法走进创作现场，也只是（实验室里的模型）温室里的花朵。

回顾百度蒸汽机的迭代路径，可以清晰看到它的演进节奏，看到一条从底层技术突破，到产品形态重构，再到全链条生态落地的路径：

5月，百度视频生成模型以总分89.38%的成绩，登上海外权威视频生成评测榜单VBench-I2V图生视频榜全球第一，率先证明了自家视频生成的技术力；7月，百度发布自研音视频一体化模型MuseSteamer（百度蒸汽机背后模型），首创中文音画协同生成能力，支持画面、语音、配乐一体生成，真正突破“画完再配音”的AI短片分离流程；8月，百度蒸汽机音视频一体化模型完成重大升级，在业内首次实现多人有声视频生成，并全面开放Turbo、Pro、Lite等多个版本，打通C端与B端应用通道；9月，发布“通用AI长视频生成”功能；10月，百度蒸汽机让AI视频正式进入实时交互时代，视频生成不再是一次性产物。

可以看到，短短5个月内，百度蒸汽机实现了从图生视频到音画一体生成，再到实时互动+无限流式生成的演进。

这样的底层能力重构，首先直接改变的是C端普通用户的创作方式。

无需专业视频剪辑经验，只需上传一张图片并输入一句prompt，用户就能在平台上生成一段可实时预览、随时修改、随时续写的AI视频。

最大程度告别屡次三番抽卡的烦恼，同时真正实现使用0门槛。

另一边，迭代后的新技术更能推动AI视频能力快速向导购、直播、教育、影视制作等商业和应用场景延伸的需求。

这一切，让百度蒸汽机不再只是一个模型产品，而是新型创作平台与交互接口的起点。

所以说，别再沉迷于用Sora 2做各种meme和表情包了！

真正让AI视频迈入下一阶段的技术和应用，正在中国发生。

作为国产AI视频工具代表，百度蒸汽机不仅在技术架构、生成质量上持续演进，更在实时性与交互性这两个决定未来创作形态的关键点上，率先跨出一步。

这不仅是AI视频从片段式生成迈向连续叙事的标志性时刻，也是AI内容创作从独演走向共创的重要起点。

看看现在吧——AI视频的下一阶段，不只是高清，不只是更长，而是实时、可交互、效果出众、人人可用。

而百度蒸汽机，已经率先抵达新阶段的竞赛场。