换个角度来看，马斯克奥特曼中文对喷， AI 视频终于从「玩具」变成「软件」

发表评论

A+

所属分类：科技

摘要

」在发布会上，百度特别提到，这是来自「音视频一体化」的底层生成逻辑，声音和画面是同步构思的，而非后期匹配，他们在训练时就把画面和声音放在一个模型里同步学习。但看现在的AI 视频生成技术发展，AI 能表达…” />

综上所述，

现在刷社交媒体，您会发现一些画面精良的爆款视频，其实已经是 AI 制作的。但作为一个创作者，除了要像「抽卡」，在画面之外，有一个状况一直没有得到很好的应对。

可能你也遇到过，

这个状况就是对白。

更重要的是，

比如我让 AI 生成一段「唯美雨景」，这不难。但要让 AI 生成一段有情节、有对话的「雨中分手戏」，对白还得是地道的中文，这就很棘手了。

概括一下，

AI 生成的要么是完全的「哑剧」，需要创作者后期对口型、配音；要么是能开口说话，但语音语调不自然，充满了「人机感」和「翻译腔」，让本该感伤的剧情瞬间出戏。

尽管如此，

这也是当下 AI 视频生成最大的挑战之一：如何处理包含对白，尤其是带有多变情绪的中文对白。

承认说，能否搞定自然流畅的中文对话，是 AI 视频能否从一个「看个乐子」的玩具，变成真正生产力程序的关键。

百度今天发布的蒸汽机（MuseSteamer）视频模型2.0，似乎就是冲着这个核心痛点来的。它最让我关注的一个点，是全球首个中文音视频一体化生成技术，号称是吃「中文语料」长大的，能够一步到位地生成音画同步、口型精准、情感自然的中文对话视频。

展开全文

为了验证它到底是真正应对了创作者的难题，还是又一次停留在宣传片里的技术展示，我决定绕开那些官方的精选案例（Demo），设计几个更接近普通人日常创作需求的「刁钻」场景，亲自探探它的虚实。

体验地址：https://huixiang.baidu.com/

从一张图，到一场有声的对手戏

百度蒸汽机这次供给了 4 款生成模型，都是从一张图生成一个视频，分别是蒸汽机 2.0 turbo、pro、lite、以及有声版；不同的模型会消耗不同数量的积分，免费客户每月访问账号承认获得有限额度的想象力值（积分）。

有声版承认生成 5s 或者 10s 的视频，而 Turbo 等三个版本是 5s，像素方面除了 Pro 版本承认 1080p，其他三个版本都是 720p 高清画质。

本站直接给他一张图，然后按照视频生成页面的提示，输入想要生成的视频资料和主题台词；5s 的视频，将台词控制在 20 字以内，10s 的视频字数控制在 35 字以内。

可能你也遇到过，

▲ 本站上传了一张马斯克和奥特曼的合照，配上提示词：两个人针锋相对，左边的人先说，「您做的AI毫无底线」；右边的人说，「您的营销才是没有底线」；由蒸汽机 2.0 有声版生成。

XM外汇专家观点：

首先，静态照片里的马斯克和奥特曼被自然地驱动了起来，面部表情和肢体动作都相当流畅，并且和上传的图片基本保持一致，图生视频的基础能力还是很扎实的。

更关键的是对话部分，这个表现，必须承认，在中文口型同步上，百度蒸汽机确实做到了目前的第一梯队。嘴唇的开合，与「底线」、「营销」等一些词语的发音匹配度很高，没有明显的延迟或错位。

▲ 一张浪浪山小妖怪的首帧图，配合提示词：画面中，手持干草叉的野猪小妖抬头，满怀期待地看向身边身材魁梧的熊教头。台词：（第0-5秒）手持干草叉的野猪小妖说：「教头，咱们把盔甲擦亮点，打起来更有气势！」（第5-10秒）身材魁梧的熊教头向下瞥了他一眼，不耐烦地打断道：「有那工夫？先给我削一千支箭出来！」

令人惊讶的是，

在发布会上，百度特别提到，这是来自「音视频一体化」的底层生成逻辑，声音和画面是同步构思的，而非后期匹配，他们在训练时就把画面和声音放在一个模型里同步学习。

更重要的是，

此外，还有一个「多模态潜在空间规划器」（Latent Multi Modal Planner）的首创技术；多模态很好理解，就是文本、画面、音频，Latent 是深度学习里面术语，主要是学习潜在的特征，这个技术能够自主地规划潜在生成空间里的多个角色身份、台词、以及互动逻辑等。

据业内人士透露，

通俗来讲，本站承认把它想象成一个内置在 AI 里的导演，当给出「让两个人吵架」的指令时，它不会傻傻地让两人同时说话，而是会自主规划吵架剧本。

概括一下，

本站还尝试了一些东北话这样的方言，想看看在多人对话里，是不是也完全没有状况。

换个角度来看，

▲ 提示词：画面左边的蓝衣女子耳语急促而冰冷，用东北话说：「姐姐，真心是咱们的炭，也是烧死咱们的火」；画面右边的紫粉衣女子决绝地用东北话回应：「那不如，就烧得干净些」；由蒸汽机 2.0 有声版生成。

令人惊讶的是，

让甄嬛和沈眉庄在音视频一体化生产的模型里，说东北话确实为难了点，但是人物表情，嘴唇的动作，耳环、头饰等运动都非常自然。中文语音的细节还原度也很高，我觉得是真正做到了中文语境的深度适配。

换个角度来看，

还有这张经典的梗图，终于不是「快来品尝我新鲜的肉体」了。

XM外汇消息：

▲ 一张万万没想到短片截图，提示词：画面左边带着红色帽子的唐僧，用手指着牛角的人的鼻子，非常生气的说:「还想品尝我新鲜的肉体，没门！」

通常情况下，

百度蒸汽机确实精准地击中了，让一张图开口说话演一出对手戏，这个创作痛点。它将过去繁琐的多程序流程，简化为「一张图+一句话」的一步完成，这对于 Meme 二创、虚拟人对话、知识讲解、短剧制作等场景来说，无疑是一次生产力的解放。

如果说要真正做到前段时间流行的《甄嬛传》和《让子弹飞》的视频配音演示效果，还是有些差距。但看现在的 AI 视频生成技术发展，AI 能表达更细腻、更矛盾的人类情感，我想也只是时间上的状况，毕竟蒸汽机 1.0 模型还是上个月初发布的。

运镜和大场面，它能驾驭吗？

除了在中文场景下，双人有声的音视频一体化生成首创，百度蒸汽机 2.0 的另一项升级是电影级的画质和大师级的多变运镜。

之前的对话视频里，情绪、表情以及 3D 面部生成，都算得上展示了真实细腻的人物表现力。本站继续测试了广告和短剧中常见的转场、空镜，这些承认说是 AI 视频，除了对话的另一个刚需。

▲ 供给首帧图，并附上提示词：一个镜头，从书桌上的翻开的书本特写展开，慢慢向上拉起，最终定格在窗外下着雨的街景上；由蒸汽机 2.0 Pro 生成。

事实上，

从生成的视频效果来看，蒸汽机把指令的遵循做得非常好。整个运镜过程，特写、向上拉、定格，执行得相当流畅，没有出现镜头乱晃或指令理解错误的状况。这也讲解它对摄影术语的理解是到位的。

当 AI 学会地道中文，视频创作新的转折点来了

有分析指出，

经过这番测试，我认为百度蒸汽机 2.0 的定位非常清晰：它并非要成为一个无所不包的 Sora 式模型，而是指定了一条更务实的路径：以「中文对话」为核心突破口，将 AI 视频从一个有趣的「玩具」，推进到了一个承认交付成片的「程序」。

XM外汇快讯：

它绕开了单纯比拼画质和时长的内卷，把更多力气都花在了应对一个最要命、也最本土化的状况上——让 AI 视频真正「开口说中国话」，而且说得比真人还溜。

这种从「玩具」到「程序」的转变，已经在真实的创作和商业领域得到了验证。

好莱坞级视效指导姚骐，曾参与《2012》、《黑客帝国3》、《变形金刚3》等影视作品的视效工作，在国产科幻剧《三体》中打造了经典的古筝行动画面特效。这次，他就用百度蒸汽机创作了一支高品质科幻短片，其中包含 40 多个宏大多变的特效镜头，每个镜头生成 3 次，总计生成了 120 多个片段素材，累计仅花费了 330.6 元。

通常情况下，

▲ 发布会视频《归途》

事实上，

当一个过去需要百万元级别预算的短片，其视觉生成成本被压缩到难以想象的低位时，被颠覆的不仅仅是预算，更是创作的门槛和权利。

大家常常忽略的是，

这背后，应对的不仅是成本的状况，更是从生成一个酷炫片段到讲述一个完整故事的转变。当宏大视效承认与叙事和对白无缝结合时，AI 才真正从一个特效插件，升级为创作者手里的高效率程序。

在品牌营销场景，这种模式也打破了常规的视频制作流程。比如伊利倍畅需要为一款羊奶粉制作宣传片《漂「羊」过海来看您》，传统方法不仅周期一般需要 4-6 周，而且要用实拍呈现「小羊莎莎」坐热气球环游荷兰草原和高科技工厂的奇幻之旅，成本和难度都极高。

但这次制作团队利用蒸汽机，将这些实拍难以完成的奇幻场景，通过风格化的 AI 渲染来实现。更主要的是，AI 将荷兰奶源、益生菌配方等硬核卖点，流畅融入了叙事中，制作周期缩短到了 XM外汇开户几天之内，画面不违和，同时表达了品牌的理念。

换个角度来看，

无论是专业大神，还是无数中小创作者与品牌方，相当于都获得了「赛博神笔」。您只需要「一张图+一句话」，就能让静态的兵马俑活过来打电话，或者让张飞一边绣花一边跟您唠嗑。这种创作门槛的消失，正在重塑资料行业的成本公式和竞争规则。

不妨想一想，

当然，它也不是完美的瑞士军刀。目前它在非对话的纯视觉特效上，生成视频的时长也还有限制，音色风格的指定也承认更丰富。