剛剛過去的十一黃金周，大家一定沒少刷到Sora2生成的視頻，山姆·奧特曼到處給人送祝福，看得觀眾忍俊不禁。不過，等普通人真想用Sora做段自己的視頻才發(fā)現(xiàn)，AI視頻還是沒有想象中一樣簡單。

我們看到的AI長視頻，一般是由多個幾秒長的短視頻拼接而成的。也就是說，用戶要先把完整創(chuàng)意拆成幾個分鏡，每一段劇情分別準備獨立的圖片和Prompt提示詞描述，每一次生成都得碰運氣，后期拼接時還容易跳幀、風格斷裂，感覺不滿意想調(diào)整，只能重寫Prompt、重新生成。

這種創(chuàng)作模式，也被稱為“抽卡”，就像手游里氪重金抽 SSR，花了時間、Token、算力和錢，還不一定拿到想要的結果，再加上海外平臺高昂的訂閱費，到底誰在說AI視頻的制作門檻被Sora打下來了？

其實，AI視頻技術的大眾普及這一塊兒，國內(nèi)視頻平臺早就走在了前面。最近我們就注意到，百度9月25日發(fā)布的“蒸汽機”最新版本，有兩個非常重要的升級：一是長視頻流式生成的產(chǎn)品體驗，二是模型支持實時交互。

前者可以用一張圖、一段視頻生成長視頻突破5s、10s限制，并支持邊做邊改，創(chuàng)作AI視頻不用再一次次“抽卡”賭運氣，可以在預覽中實時調(diào)整；后者則拓展了AI視頻的邊界，比如直播數(shù)字人這類需要實時推理會話的長視頻，類sora模型還無法做到。

可以發(fā)現(xiàn)，在AI大眾化這件事上，deepseek、百度蒸汽機這樣的國內(nèi)科技企業(yè)，是真的悶聲干大事。而這，也是中國AI的本色之一?；蛟S比起sora，國內(nèi)視頻平臺正在終結AI視頻的抽卡魔咒，才是更值得大家關注的AI大事件。

手游圈有一句話，玄不救非，氪能改命。指的是想抽到一張滿意的角色，要么靠玄學碰運氣，要么靠氪金砸錢?，F(xiàn)階段的大多數(shù)AI視頻工具，就是這么工作的。

常規(guī)的AI長視頻生成流程，采用首尾幀續(xù)寫技術，或者簡單續(xù)寫能力，雖然一次生成的視頻時長更長了，但前后頻缺乏連貫性，調(diào)整前后邏輯、對齊音畫等，比傳統(tǒng)拍攝后期還累人；畫質(zhì)和細節(jié)也容易不穩(wěn)定，比如人物一活動，肢體和空間的關系就不符合物理規(guī)律了。想要調(diào)整，就得重新上傳圖片和“抽卡”，把流程再來一遍，而且花錢不討好，反復抽卡、多次生成，需要消耗大量計算資源，最終成本都要由用戶買單。

對于創(chuàng)作者和普通人來說，這樣的AI長視頻能力是無法實現(xiàn)創(chuàng)作自由的，大多嘗鮮之后就棄之不用了。

為什么AI無法一次生成高質(zhì)量的長視頻，而被迫陷入抽卡魔咒呢？行業(yè)普遍陷入了技術瓶頸：

瓶頸一，模型記不住，也就是長時序連貫性建模難題。

傳統(tǒng)的擴散模型，是一種固定窗口的生成模式，對長視頻生成非常不友好，一方面窗口大小和生成成本是指數(shù)級關系，另外一方面通過簡單反復續(xù)寫，會存在較為嚴重的全局一致性和連續(xù)性問題。生成時長超過10秒，幀間累積誤差就會指數(shù)級增長，就像一個記性不好的人，做事做到第十秒，基本把前面干過什么忘光了，所以長視頻越做越亂，前后內(nèi)容不一致。

有的平臺為了緩解這個問題，支持用戶手動上傳關鍵幀，這就意味著，30秒視頻得傳6組，操作復雜度直接翻了好幾倍，而且鏡頭切換可能不自然，并沒能發(fā)揮出AIGC提質(zhì)增效的效果。

瓶頸二，模型聽不懂、算不快，也就是實時交互受限。

在互動視頻、直播等場景中，對視頻的持續(xù)時長與實時生成能力提出了更高要求。但傳統(tǒng)視頻生成，只能靠抽卡和調(diào)整提示詞，來不斷試錯，用戶無法在生成過程中就進行修改和微調(diào)，是因為Transformer架構的二次計算復雜度很高，在生成長視頻時要實時互動，一是對GPU顯存與計算效率提出更高要求，需要軟硬件協(xié)同優(yōu)化來提升推理效率。還有成本考量，計算開銷隨生成時長呈平方級增長，為了控制成本，模廠只能限制時長，還必須等全部算完才能輸出結果。

上述技術瓶頸，導致AI長視頻不連貫、改不了、成本高，因此，目前這類短視頻生成技術主要應用于工具層面，如視頻片段與素材制作，這顯然無法滿足C段和B端的復雜創(chuàng)作需求。

百度“蒸汽機”10.15版本的核心突破，就是把長視頻變成流式生成、實時交互，整個過程中，用戶可以邊瀏覽邊生成，支持在幀數(shù)間改寫、續(xù)寫，隨時打斷并修改提示詞，就能實時生成想要的畫面，從而打破了傳統(tǒng)視頻生成的“抽卡”魔咒。

面對行業(yè)普遍的10秒局限，以及用戶反復抽卡的無力，百度蒸汽機靠四大技術突破，從根源上破解了長視頻生成的效率、質(zhì)量與成本難題，終結“抽卡”模式。

突破一：基礎架構改造，解決長視頻生成難題，一張圖一段文字極簡生成。

傳統(tǒng)模型生成超10秒視頻就會片段斷裂，還得補關鍵幀。百度蒸汽機引入自回歸擴散模型，搭建流式滑窗架構，通過階梯獨立噪聲構造，為每一幀匹配精準噪聲級別，配合動態(tài)緩沖區(qū)管理，同步處理模糊草圖、半完成幀及高精度畫面等多狀態(tài)畫面，實現(xiàn)“邊生成邊調(diào)整”的實時交互生成流程。

我們上傳了一張騎在黑龍背上的視頻，自動生成12秒視頻，全程無需補充任何素材，而且生成過程中，還可以隨時選擇繼續(xù)生成或修改提示詞。

突破二：訓推偏差消除，解決累積誤差，告別 “越生越崩” 的質(zhì)量衰減。

AI生成的視頻前5秒正常，后面人物空間關系就扭曲變形了，這種情況經(jīng)常出現(xiàn)，本質(zhì)是傳統(tǒng)滑窗方法的誤差累積問題，導致生成的視頻質(zhì)量嚴重下降。

但我們用百度蒸汽機生成了一個長鏡頭的雙人互動，在長達20秒的時間里，兩個人物都保持了一致性，即使是在近景互動時也符合物理邏輯。

原來，百度蒸汽機通過歷史幀擾動增強技術，在訓練時故意加入幀誤差，讓模型具備自我糾錯能力，變得更加魯棒，緩解自回歸模型的累積誤差問題。

突破三，一致性優(yōu)化，讓長視頻像接力賽一樣絲滑。

行業(yè)普遍采用的片段拼接技術，經(jīng)常出現(xiàn)走路跳步、音畫脫節(jié)等情況，比如人物說話時唇形與聲音對不上。百度蒸汽機采用全局規(guī)劃與局部參考相結合的優(yōu)化方法，解決長視頻連續(xù)性與一致性問題。其中，引入錨點幀引導，保障全局記憶，引入了key frame建立全局注意力錨點，保證模型的長期記憶能力，引入歷史參考幀，作為上下文信息，使得模型具備短期記憶能力，保障連續(xù)生成。前后過渡像傳遞接力棒一樣流暢自然，多人對話等場景的AI視頻一次生成質(zhì)量更高。

突破四：實時流式計算，實現(xiàn)邊生成邊修改的創(chuàng)作自由。

以前生成3分鐘視頻得等40分鐘，而且生成后無法修改，一點就得重算。百度蒸汽機基于自回歸擴散架構，突破高壓縮比生成技術，大幅提升擴散模型流式推理性能，保障效果和效率的極致平衡，滿足實時交互的推理需求。

比如我們用V2V模式，上傳一段賽車視頻，百度蒸汽機能夠在幾分鐘之內(nèi)，就將視頻拓展到10秒以上。如果想改寫結局，可以選擇續(xù)改，選中關鍵階段的幀，直接輸入其他結果的提示詞，比如“銀車加速超過黃車”或“黃車加速超過銀車”，就能生成新的結局，輕松搞定不同劇情。

也就是說長視頻生成過程從黑箱變成了流式體驗，模型推理出多少，用戶就能實時預覽多少，不需要等待全部生成完成。而且百度蒸汽機升級了窗口注意力機制，將計算復雜度降為線性，結合模型蒸餾技術，大幅提升計算效率，降低推理耗時，所以整個生成過程僅用時幾分鐘。整個制作過程既可控，又省力。

百度蒸汽機的四大突破，用技術把AI視頻的創(chuàng)作模式，從靠運氣抽卡變成了按需創(chuàng)作。這會推動行業(yè)發(fā)生至少兩個變化：

一是創(chuàng)作門檻進一步降低。由于AI長視頻的生成質(zhì)量和效率得到提高，不再需要用戶上傳多張圖和prompt，不再需要費心描述和準備關鍵幀，一次生成高可用，長視頻生成真的走向了人人可用的簡單時代。

二是應用場景進一步延伸。傳統(tǒng)長視頻生成技術，難以承載復雜的創(chuàng)作需求，無法滿足數(shù)字人這類實時交互長視頻的需求。百度蒸汽機全新的技術架構實現(xiàn)長視頻流式生成體驗，支持實時互動，可以拓展出AI導購、AI老師、AI陪伴等沉浸式數(shù)字人場景。支持開放世界的生成，比如游戲地圖、旅游景點體驗、宇宙空間等，都可以任意創(chuàng)造，比如家長可以用一張長城或宇宙的圖片，為孩子生成虛擬長城或虛擬宇宙，為教育、旅游、游戲打開新可能。

某個噱頭或爆款玩法，或許能在短時間內(nèi)帶火AI視頻的關注度，但一時熱度終會在門檻暴露后退潮。唯有扎扎實實的底層技術突破，才能為AI視頻生成的大眾化普及鋪平道路，真正降低使用門檻、拓展使用邊界，承接住不斷涌入的創(chuàng)作者和新用戶。

Sora2的科幻短片刷爆社交平臺時，不少人又開始感慨，“AI視頻創(chuàng)作的天花板在海外”。但真實體驗過的創(chuàng)作者恐怕都會認同，這些海外AI視頻創(chuàng)作與普通人仍有距離。百度蒸汽機為代表的國內(nèi)視頻平臺，更加普通人友好。

一方面，國內(nèi)平臺更早跳出了炫技式研發(fā)，不像sora這樣“憋個大招”，以更快的技術迭代速度，貼實用戶需求。

拿百度蒸汽機來說，迭代速度堪稱行業(yè)標桿，可以說是“月月有突破”。今年3月首發(fā)即實現(xiàn)高精度圖生視頻，5月登頂VBench-I2V權威榜單，畫質(zhì)達專業(yè)影視級；7月推出全球首個中文音視頻一體化模型，8月實現(xiàn)多人對話生成，9月發(fā)布“通用AI長視頻生成”功能……

這種應用驅(qū)動研發(fā)的路徑，背后是搜索、百家號等場景的真實需求直接反推模型升級，讓百度蒸汽機的技術突破始終貼合用戶痛點，解決普通人的使用難題。

此外，AI視頻生成的大規(guī)模、產(chǎn)業(yè)級應用，國內(nèi)視頻平臺也別有優(yōu)勢。

相比不懂中文語境的Sora、sunway等，百度蒸汽機等國內(nèi)模型憑借億級中文多模態(tài)數(shù)據(jù)訓練，不僅中文唇形和語音能精準同步，還能生成方言，讓創(chuàng)作者的內(nèi)容更容易打開中文市場。

國內(nèi)平臺也更懂產(chǎn)業(yè)落地AI的成本難題，比如百度蒸汽機堅持技術普惠，依托百度智能云“百舸”平臺與昆侖芯片，結合模型參數(shù)壓縮、算力動態(tài)調(diào)度等技術，將推理效率提升3倍，刊例價較同類產(chǎn)品低至七成，并采用“按量后付+資源包”靈活計費模式，不讓用戶白花冤枉錢。相較海外平臺的服務費與訂閱費，大幅降低了產(chǎn)業(yè)級使用成本，也為AI視頻生成的規(guī)模落地拆除了門檻。

從抽卡試錯到按需創(chuàng)作，百度蒸汽機的技術突破不僅改變了AI視頻的創(chuàng)作邏輯，更展示了與海外平臺不同的技術產(chǎn)業(yè)化、技術普惠化之路。

正如大語言模型、對話式AI的普及歷程一樣，AI長視頻的全民時代，將由國內(nèi)平臺開啟。

審核編輯 黃宇