共计 4079 个字符，预计需要花费 11 分钟才能阅读完成。
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。
BTW，如果你不想要看无声短片，可以选择蒸汽机 2.0 有声版。
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：
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）
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。
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。
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。