豆包视频生成大模型发布：首次突破多主体互动难关

近日，据相关报道，字节跳动正式进军人工智能视频生成领域，并发布了豆包视频生成-PixelDance和豆包视频生成-Seaweed两款大模型。这些大模型在面向企业市场进行邀测。

豆包视频生成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。该模型不仅可以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。

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，并不断优化产品性能。