豆包视频生成大模型发布：首次突破多主体互动难关

9月24日消息，据媒体报道，字节跳动正式宣告进军AI视频生成。发布豆包视频生成-PixelDance、豆包视频生成-Seaweed两款大模型发布，面向企业市场开启邀测。

豆包视频生成大模型凭借其卓越的语义理解能力、对复杂交互画面的精准捕捉以及多镜头切换下的内容一致性，成功跻身业界先进水平。

该模型不仅能够深度理解并响应复杂指令，驱动不同人物角色完成一系列精细的动作互动，更在细节处理上达到了极致，从人物样貌、服装的微妙变化到头饰的精准呈现，均能在不同运镜角度下保持高度一致，仿佛实拍般自然流畅。

值得一提的是，豆包视频生成模型依托字节跳动自主研发的DiT（Dynamic Integration Transformer）架构，通过高效的DiT融合计算单元，实现了视频在大动态场景与多样运镜之间的无缝切换。这一技术突破赋予了视频变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力，让视频创作更加自由灵动，满足了创作者对视觉表达的无限想象。

为了进一步提升视频创作的专业性和观赏性，豆包视频生成团队还创新性地采用了全新设计的扩散模型训练方法。

这一方法有效攻克了多镜头切换过程中保持主体、风格、氛围一致性的技术难题，确保在镜头切换的瞬间，视频的整体氛围与细节表现依然和谐统一，为观众带来更加沉浸式的观看体验。

目前，豆包视频生成系列模型已在即梦AI内测版中开启小范围测试，旨在收集宝贵的用户反馈，不断优化产品性能。