1776 年，瓦特改良蒸汽機(jī)，將傳統(tǒng)手工作坊轉(zhuǎn)化為規(guī)模化生產(chǎn)的工廠，蒸汽機(jī)由此成為工業(yè)革命的動(dòng)力心臟。今天，AIGC技術(shù)在視頻內(nèi)容產(chǎn)業(yè)引發(fā)深刻變革，行業(yè)都在尋找那一部讓視頻制作從手工作坊到工業(yè)化生產(chǎn)的“蒸汽機(jī)”。

從機(jī)器原型到產(chǎn)業(yè)動(dòng)力心臟，瓦特蒸汽機(jī)完成了兩大轉(zhuǎn)變：一是工業(yè)化，通過(guò)氣缸恒溫技術(shù)，顯著提升了蒸汽機(jī)運(yùn)行效率，能支持規(guī)?；墓I(yè)生產(chǎn)；二是商業(yè)化，與大量工廠主建立合作，推動(dòng)蒸汽機(jī)深度融入經(jīng)濟(jì)生產(chǎn)活動(dòng)。

這正是百度商業(yè)體系在做的，視頻生成模型的產(chǎn)業(yè)級(jí)探索。8月21日，百度蒸汽機(jī)（MuseSteamer）迎來(lái)重要產(chǎn)品迭代，突破性實(shí)現(xiàn)多人有聲視頻的一體化生成功能。

在工業(yè)化維度，該模型實(shí)現(xiàn)了環(huán)境音效與人物自然語(yǔ)音的同步生成技術(shù)落地，有望大幅提升視頻制作效率；商業(yè)化進(jìn)程中，百度蒸汽機(jī)實(shí)施價(jià)格優(yōu)化策略，通過(guò) Turbo版、Lite版、Pro版及有聲版的梯度化產(chǎn)品矩陣，全系列服務(wù)定價(jià)降至行業(yè)平均水平的70%，并完成與千帆大模型平臺(tái)的深度集成。企業(yè)用戶可通過(guò)千帆平臺(tái)獲取高性能視頻生成服務(wù)，C端用戶則可通過(guò)百度搜索入口或“繪想”平臺(tái)體驗(yàn)產(chǎn)品功能。

這一系列舉措背后，標(biāo)志著AI模型作為視頻內(nèi)容產(chǎn)業(yè)的動(dòng)力心臟，正牽引整個(gè)行業(yè)踏入規(guī)模化生產(chǎn)的全新階段。而支撐這場(chǎng)視頻內(nèi)容產(chǎn)業(yè)智能化的核心——百度蒸汽機(jī)，我們有必要對(duì)其抽絲剝繭，一探究竟。

自O(shè)penAI于2024年推出Sora后，市場(chǎng)涌現(xiàn)的眾多視頻生成模型，但深入行業(yè)實(shí)踐不難發(fā)現(xiàn)，AIGC技術(shù)革新的表象之下，視頻內(nèi)容產(chǎn)業(yè)的核心痛點(diǎn)依然存在。

首先，通用視頻生成模型在設(shè)計(jì)理念上追求大而全，與具體生產(chǎn)需求難以適配。以AI短劇為例，觀眾更喜歡看多人角色互動(dòng)，但現(xiàn)有通用視頻生成模型在多個(gè)角色對(duì)話場(chǎng)景時(shí)，普遍存在眼神交互失準(zhǔn)、肢體動(dòng)作協(xié)調(diào)性不足等缺陷。同時(shí)，音視頻同步生成技術(shù)尚未完全成熟，創(chuàng)作者仍需在圖像生成、音頻制作、口型匹配等多個(gè)環(huán)節(jié)進(jìn)行跨平臺(tái)協(xié)同作業(yè)。谷歌Veo3升級(jí)后雖實(shí)現(xiàn)了音畫(huà)同步輸出功能，但因缺乏中文支持，無(wú)法有效進(jìn)入華語(yǔ)市場(chǎng)。

不僅模型與場(chǎng)景的矛盾現(xiàn)實(shí)存在，成本與效率的矛盾也尤為突出。Sora演示的20秒視頻片段雖然技術(shù)表現(xiàn)驚艷，但背后巨大的算力消耗使得中小規(guī)模制作機(jī)構(gòu)難以承受，加之單次生成的成功率有限，反復(fù)操作的結(jié)果，就是進(jìn)一步推高了生產(chǎn)成本。

此外，制作與分發(fā)之間也存在脫節(jié)。當(dāng)前多數(shù)視頻生成模型仍局限于內(nèi)容生產(chǎn)環(huán)節(jié)，與平臺(tái)分發(fā)系統(tǒng)之間缺乏有效的銜接，難以實(shí)現(xiàn)與廣告投放系統(tǒng)的協(xié)同優(yōu)化，導(dǎo)致創(chuàng)意內(nèi)容在商業(yè)轉(zhuǎn)化過(guò)程中，價(jià)值大打折扣。

回溯歷代工業(yè)革命會(huì)發(fā)現(xiàn)，從蒸汽動(dòng)力到電能、互聯(lián)網(wǎng)，那些真正具備影響力的技術(shù)，是能夠滿足業(yè)務(wù)場(chǎng)景實(shí)際需求、完成產(chǎn)業(yè)化落地的完整技術(shù)體系。

以產(chǎn)業(yè)需求為標(biāo)尺，是百度蒸汽機(jī)誕生的原點(diǎn)，也指引著模型的進(jìn)化方向。

此前，百度商業(yè)團(tuán)隊(duì)在攻克短劇投放的難題時(shí)，敏銳洞察到傳統(tǒng)廣告素材制作存在策劃、拍攝、剪輯等冗長(zhǎng)環(huán)節(jié)，啟動(dòng)專項(xiàng)研發(fā)，歷經(jīng)多輪迭代將模型打磨成一站式智能創(chuàng)作平臺(tái)。今年7月，百度蒸汽機(jī)（MuseSteamer）發(fā)布，用戶僅需上傳一張參考圖片與一句創(chuàng)作提示詞，系統(tǒng)便能輸出高清視頻，實(shí)現(xiàn)從創(chuàng)意構(gòu)思到成片產(chǎn)出的全流程一體化生成。

百度蒸汽機(jī)（MuseSteamer）發(fā)布之后，迅速獲得百度內(nèi)部業(yè)務(wù)線及影視創(chuàng)作者、廣告主群體的廣泛關(guān)注與試用。據(jù)百度副總裁、移動(dòng)生態(tài)商業(yè)體系負(fù)責(zé)人陳一凡透露，上線50天以來(lái)，百度也收到了用戶的諸多訴求，比如：

運(yùn)鏡能不能不再是簡(jiǎn)單的推拉，也能提供環(huán)繞、搖鏡等復(fù)雜鏡頭？

畫(huà)質(zhì)能否進(jìn)一步提升，從720P畫(huà)質(zhì)升級(jí)到1080P？

人物口型與臺(tái)詞的吻合，能否進(jìn)一步對(duì)齊，讓視頻更有感染力？

畫(huà)面和音頻能否一次生成，減少后期配音、生成音頻的繁瑣操作？

雖然邀測(cè)期間免費(fèi)，但后續(xù)還想接著用，成本還能不能再降一降？

用戶有需求，百度就有回應(yīng)。最新升級(jí)的蒸汽機(jī)2.0 版本，就一口氣解決了上述痛點(diǎn)。具體是怎么改變的呢？

升級(jí)后的百度蒸汽機(jī)2.0，創(chuàng)作者只需提供一張概念圖與自然語(yǔ)言指令，即可輸出包含多角色對(duì)話、環(huán)境音效與高清畫(huà)面的完整視頻，而且支持中文。

可以說(shuō)，借助百度蒸汽機(jī)2.0有聲版模型，AIGC視頻創(chuàng)作真正迎來(lái)無(wú)配音時(shí)代。AI視頻制作也從跨平臺(tái)的手工作坊階段，進(jìn)入可一站式規(guī)模化量產(chǎn)的工業(yè)時(shí)代。具體來(lái)說(shuō)，要解決幾大難題：

一是多模態(tài)同步生成的精度難題。傳統(tǒng)分步式生成方案，口型和聲音容易錯(cuò)位，而多人有聲音視頻一體化生成，不僅要一次搞定多模態(tài)，還要保持語(yǔ)音與唇形、表情、動(dòng)作的毫秒級(jí)精準(zhǔn)對(duì)齊，復(fù)雜場(chǎng)景下依然穩(wěn)定，技術(shù)挑戰(zhàn)更高。

據(jù)百度商業(yè)研發(fā)首席架構(gòu)師李雙龍介紹，百度蒸汽機(jī)采用端到端訓(xùn)練模式，摒棄傳統(tǒng)模塊化訓(xùn)練思路，采用統(tǒng)一神經(jīng)網(wǎng)絡(luò)架構(gòu)同步學(xué)習(xí)畫(huà)面渲染、語(yǔ)音合成、音效匹配等核心技術(shù)的內(nèi)在規(guī)律，極大提升了訓(xùn)練效率與生成質(zhì)量。

比如這個(gè)長(zhǎng)達(dá)一分多鐘的AI視頻，涉及多個(gè)場(chǎng)景的切換，以及復(fù)雜的多人對(duì)話，百度蒸汽機(jī)2.0可以實(shí)現(xiàn)語(yǔ)音信號(hào)與唇形動(dòng)畫(huà)的毫秒級(jí)時(shí)序?qū)R、語(yǔ)調(diào)情感與面部表情的一致性映射、人物肢體動(dòng)作與場(chǎng)景設(shè)定的邏輯自洽。

高精度的多模態(tài)同步生成，可以直接減少后期剪輯的復(fù)雜度與工作量。以伊利倍暢宣傳片制作項(xiàng)目為例，應(yīng)用該技術(shù)后，項(xiàng)目周期從原先的4周縮短至3天，展現(xiàn)出強(qiáng)大的應(yīng)用價(jià)值與技術(shù)優(yōu)勢(shì)。

二是電影級(jí)敘事所要求的連貫性和感染力。傳統(tǒng)視頻生成過(guò)程中，畫(huà)面渲染、語(yǔ)音合成、音效處理等獨(dú)立模塊進(jìn)行訓(xùn)練，不可避免地產(chǎn)生信息丟失，比如畫(huà)面生成模型難以捕捉語(yǔ)音中的情感強(qiáng)度變化，音效處理算法無(wú)法準(zhǔn)確模擬場(chǎng)景的空間聲學(xué)特性，導(dǎo)致視頻創(chuàng)作流程需頻繁切換多個(gè)平臺(tái)。

百度蒸汽機(jī)采用首創(chuàng)的多模態(tài)潛在空間規(guī)劃技術(shù)（Latent Multi-Modal Planner），具備強(qiáng)大的多角色交互自主規(guī)劃能力，能夠自主協(xié)調(diào)構(gòu)建角色身份、情感表達(dá)及互動(dòng)關(guān)系，打造真實(shí)細(xì)膩的人物表現(xiàn)力。

比如，我們上傳了一張網(wǎng)圖，兩位身穿古代盔甲的武士打麻將，讓兩個(gè)角色展開(kāi)交互，并且文生音頻與表情的一致性很高，人物表現(xiàn)也跟圖片背景比較匹配?！耙粡垐D講故事”，就是點(diǎn)一下鼠標(biāo)的事兒。

大家應(yīng)該發(fā)現(xiàn)了，一體化生成與中文場(chǎng)景深度適配的本土化視頻，百度蒸汽機(jī)的中文能力，成了華語(yǔ)創(chuàng)作者的福音。為啥之前沒(méi)有這類中文音視頻同步生成的工具呢？

挑戰(zhàn)在于，中文語(yǔ)音存在四種聲調(diào)，聲調(diào)系統(tǒng)更為復(fù)雜，而且高度依賴語(yǔ)境的語(yǔ)義表達(dá)，同一個(gè)詞在不同語(yǔ)境下的解釋不同，所需要搭配的表情、音色、聲調(diào)自然也不一樣。這要求AI視頻模型不僅具備文本識(shí)別能力，更需構(gòu)建深層次的文化語(yǔ)義理解體系。

百度蒸汽機(jī)2.0展現(xiàn)出的中文場(chǎng)景適配性，來(lái)自數(shù)據(jù)與算法的雙重創(chuàng)新。數(shù)據(jù)層面，系統(tǒng)采集并標(biāo)注了覆蓋七大漢語(yǔ)方言區(qū)、總時(shí)長(zhǎng)達(dá)10萬(wàn)小時(shí)的語(yǔ)音語(yǔ)料庫(kù)，并構(gòu)建了包含語(yǔ)境信息與情感維度的標(biāo)注體系，解決了歧義句的語(yǔ)義解析難題；算法層面，超98%的還原度精準(zhǔn)，能夠細(xì)膩地展現(xiàn)中文語(yǔ)音細(xì)節(jié)與情感表達(dá)。

此外，在畫(huà)質(zhì)與運(yùn)鏡方面，此次百度蒸汽機(jī)2.0支持1080P高清分辨率，配合環(huán)繞、搖鏡、推軌等數(shù)十種專業(yè)鏡頭語(yǔ)言，實(shí)現(xiàn)了超越行業(yè)標(biāo)準(zhǔn)的專業(yè)級(jí)影像表達(dá)，為創(chuàng)作者提供更多的創(chuàng)作可能性。

百度蒸汽機(jī)2.0，就像給視頻內(nèi)容產(chǎn)業(yè)裝上了一臺(tái)超給力的發(fā)動(dòng)機(jī)。不管是專業(yè)的影視工作室，還是剛?cè)腴T的內(nèi)容小白，只要有想法，都能把創(chuàng)意變成一個(gè)個(gè)爆款視頻，輕松打造屬于自己的內(nèi)容工廠。

但僅僅是生產(chǎn)制作，不足以撼動(dòng)內(nèi)容產(chǎn)業(yè)。百度蒸汽機(jī)的另一重隱藏價(jià)值，在于制作與分發(fā)體系的全面打通，這是視頻生成模型領(lǐng)域所少有的。

AI視頻模型如果沒(méi)有商業(yè)體系的支撐，技術(shù)突破的價(jià)值終將消散在成本黑洞與分發(fā)壁壘中。構(gòu)建一套讓創(chuàng)意轉(zhuǎn)化為收益的商業(yè)體系，是產(chǎn)業(yè)所需要的，也是百度所擅長(zhǎng)的。

通過(guò)促增長(zhǎng)、降成本的雙重賦能，百度商業(yè)體系正在讓AI視頻生成技術(shù)被高效傳導(dǎo)至產(chǎn)業(yè)末梢。

具體來(lái)說(shuō)，百度商業(yè)體系為企業(yè)構(gòu)建了以視頻為核心的增長(zhǎng)引擎，打通生產(chǎn)－分發(fā)－變現(xiàn)的全鏈路。

企業(yè)生成的視頻可直接接入百度搜索廣告系統(tǒng)，根據(jù)用戶畫(huà)像動(dòng)態(tài)調(diào)整畫(huà)面節(jié)奏與話術(shù)。對(duì)于C端創(chuàng)作者，百度也構(gòu)建了多元的收益通道，百家號(hào)對(duì)蒸汽機(jī)生成的優(yōu)質(zhì)內(nèi)容給予流量加權(quán)，創(chuàng)作者可以獲得廣告分成收益。

視頻內(nèi)容想要規(guī)模化量產(chǎn)，另一個(gè)條件是成本足夠低。百度蒸汽機(jī)的工程化能力，進(jìn)一步降低了AI視頻制作的成本。

好萊塢視效指導(dǎo)姚騏用百度蒸汽機(jī)生成的科幻短片《歸途》，共有40多個(gè)鏡頭，傳統(tǒng)制作方式需要百萬(wàn)美元的預(yù)算，如今成本僅需百元。C端用戶也可以通過(guò)繪想平臺(tái)每月贈(zèng)送15個(gè)5秒視頻的“想象力值”，免費(fèi)體驗(yàn)全流程AI視頻創(chuàng)作。

百度商業(yè)體系商業(yè)研發(fā)總經(jīng)理劉林介紹道，依托多年積累的GPU架構(gòu)和工程化實(shí)踐，通過(guò)算子優(yōu)化、訓(xùn)練集調(diào)整等技術(shù)手段，百度蒸汽機(jī)將視頻生成推理成本降至行業(yè)均價(jià)的70%，未來(lái)還有望進(jìn)一步降低。

總結(jié)一下，百度蒸汽機(jī)是通過(guò)技術(shù)創(chuàng)新+商業(yè)體系的雙重賦能，讓每個(gè)參與者分享AI紅利。對(duì)企業(yè)而言，意味著從購(gòu)買工具轉(zhuǎn)向接入生態(tài)，以更低成本獲得更高商業(yè)回報(bào)；對(duì)創(chuàng)作者來(lái)說(shuō)，是從技術(shù)追隨者變?yōu)閯?chuàng)意主導(dǎo)者，釋放個(gè)體內(nèi)容生產(chǎn)力。

這顆由百度技術(shù)與商業(yè)體系共同鍛造的動(dòng)力心臟，正驅(qū)動(dòng)視頻內(nèi)容產(chǎn)業(yè)的創(chuàng)新齒輪加速轉(zhuǎn)動(dòng)。

審核編輯 黃宇