可灵2.1首尾帧模型技术能力 - 模型在提示词理解和遵循以及图片转换自然度方面表现优异 基本达到首尾帧功能天花板[1] - 支持完全无关两张图片的顺滑转换 但前后关联图片能带来更强视觉冲击[2] - 生成效率极高 单条视频从制作到生成仅需半小时 期间可并行处理其他任务[2] 图片素材获取方法论 - 采用相同提示词抽卡方式 利用模型多图生成时种子一致特性 可获得相似度高图片 特别适合展示类视频[9] - 通过修改提示词抽卡 先生成尾帧图片后再逆向调整部分元素 实现人物或物品的移动与消失效果[12] - 运用FLUX Kontext等图像编辑模型 通过自然语言指令精确控制图片编辑 实现材质添加与背景更换[15] 提示词生成系统 - 开发差异化提示词生成策略 自动判断图片关联性（A类关联性强/B类差异巨大）并匹配对应转场方案[28] - A类图片采用"原地演变"策略 聚焦主体状态风格或环境变化 避免使用摄像机移动[29] - B类图片采用"运镜驱动转场"策略 强制使用推拉摇移等镜头运动连接画面 并附加特效变化增强关联性[29][32] 商业化应用场景 - 电商领域可实现模特产品一致性展示 解决手部细节问题 可用性极高[18] - 支持文字特效生成 通过材质替换和环境同步变化提升视觉表现力[21][23] - 玩偶变装等娱乐化应用展现技术泛化能力[25] 工作流优化方案 - 建议将流程固化为标准化模板（首尾帧链接+差异分类+提示词+成片链接） 实现10秒出提示词和半小时出片的高效生产[39] - 强调从"特效思维"转向"叙事思维" 通过构建因果关联使视频单价提升5倍[41] - 三张王牌拿图法（同提示词/改提示词/图像编辑）结合万能提示词形成完整解决方案[40]

核心产品升级 - 可灵AI推出基于2 1模型的全新首尾帧功能 通过升级端到端多模态语义推理能力提升视频生成效果[1] - 与1 6版本相比效果提升235% 在视频转场 视觉呈现 运镜处理及营销素材制作等方面表现突出[1] 技术能力突破 - 改善AI视频生成中常见的转场问题 实现多场景自然衔接 解决场景衔接生硬和"刹车感"[2] - 引入自适应扩散引导与方向重定向机制 在扩散生成每一步动态引导和纠正条件分布 修正偏离语义或视觉逻辑的动态路径[12] - 深度整合用户提示词与首尾帧图片中的视觉语义及动作意图 融合多模态数据 捕捉画面元素在时空维度上的演变逻辑[12] 视觉表现提升 - 实现艺术风格切换与角色动态衔接的无缝连接 案例显示角色发型 服装和光线实现无缝衔接[4] - 增强复杂视觉元素控制能力 实测中人物轮廓变为火焰形态 火山岩浆流动和星空下烈焰升腾等细节清晰[6] - 保持人物/物体身份一致性 色彩风格与画面基调连贯 提升视频专业质感[12] 运镜技术优化 - 支持专业级复杂运镜 通过首尾帧连续衔接实现镜头轨迹与场景逻辑匹配[6] - 案例显示镜头快速向左下摇镜突出爬行机器人 随后快速左摇拍摄逃窜机器人与爆炸场景 提升观看沉浸感[6] 营销应用价值 - 快速生成符合品牌调性的创意展示视频 适用于市场营销领域 降低素材制作成本[8] - 饮品广告案例显示易拉罐从树莓中飞出 树莓如爆炸般散开 果汁飞溅过程自然[10] 竞品性能表现 - 与Seedance1 0 mini对比的整体GSB得分达2 09 与Midjourney对比达2 30 与可灵1 6对比达3 35[10] - 在与Midjourney的两两偏好对比中胜率为62% 与Seedance1 0 mini对比胜率为57%[10] 平台发展规模 - 已完成30次迭代 服务用户超4500万 累计生成视频超2亿条 图片超4亿张[12] - 覆盖广告 影视 游戏等多个行业 巩固在AI视频生成领域的地位[12]

8月22日，可灵AI正式发布基于2.1模型的全新首尾帧功能，其效果较1.6模型提升235%，在视频转场、 视觉冲击力、复杂运镜及创意营销等维度表现卓越。专业评测显示，其整体GSB得分全面超越 Midjourney与Seedance1.0mini。可灵2.1首尾帧的推出，进一步提升了AI视频生成的可控性，广泛适用于 广告营销、影视、短剧、动画等创意制作场景。 ...

智通财经获悉，8月22日，可灵AI正式发布基于2.1模型的全新首尾帧功能，其效果较1.6模型提升 235%，在视频转场、视觉冲击力、复杂运镜及创意营销等维度表现卓越。专业评测显示，其整体GSB 得分全面超越Midjourney与Seedance1.0mini。可灵2.1首尾帧的推出，进一步提升了AI视频生成的可控 性，广泛适用于广告营销、影视、短剧、动画等创意制作场景。 ...

AI视频生成技术发展 - 百度蒸汽机音视频一体模型生成10秒有声片段成本仅约330.6元人民币[7] - 传统实拍或CG制作同类短片需花费数百万元成本[6] - 单个复杂好莱坞镜头成本可达数十万至上百万元[6] 行业竞争格局 - 快手可灵AI 2025年第二季度营业收入超2.5亿元人民币[8] - 赛道参与者包括字节、阿里、腾讯及MiniMax等创业公司[8] - 谷歌Veo3模型实现环境音与人物对话同步生成[8] 技术突破与局限 - 百度实现多人有声视频一体化生成 技术难点在于多角色动作与声音匹配[8] - 当前视频生成时长局限在5-10秒 因扩散模型架构下延长时长会导致成本指数级增长[9] - 视频时长从10秒延长至100秒可能使成本增加100倍[9] 商业化应用场景 - 短剧投流市场爆发推动视频生成模型自研需求[7] - 百度视频生成模型上线50天 主要用户包括内部搜索业务及企业客户[8] - 行业仍处起始阶段 未来市场空间被广泛看好[9]

核心观点 - AI视频生成面临的最大挑战之一是处理包含复杂情绪的中文对白，百度蒸汽机2.0通过全球首个中文音视频一体化生成技术解决了这一问题 [2][3][15] - 百度蒸汽机2.0将AI视频从"玩具"升级为"生产力工具"，专注于中文对话场景，简化创作流程为"一张图+一句话" [3][12][15] - 该技术显著降低了视频制作成本，如好莱坞级特效镜头生成成本从百万元级别降至数百元 [16][17] 技术突破 - 采用音视频一体化生成逻辑，声音和画面同步构思而非后期匹配，实现口型精准、情感自然的中文对话 [8][15] - 首创多模态潜在空间规划器技术，可自主规划角色身份、台词及互动逻辑 [9] - 支持1080p电影级画质和复杂运镜，对摄影术语理解准确 [13][14] 应用场景 - 适用于Meme二创、虚拟人对话、知识讲解、短剧制作等场景 [12] - 在品牌营销中实现传统需4-6周制作的奇幻场景，周期缩短至几天 [19] - 专业影视制作中可快速生成特效素材，如40多个镜头仅花费330.6元 [16] 产品性能 - 提供4款生成模型，支持5s或10s视频，分辨率达1080p [5][7] - 中文语音细节还原度高，支持东北话等方言 [10] - 人物表情、肢体动作流畅，与原始图片保持高度一致 [7][8] 行业影响 - 颠覆了内容创作门槛和权利，使导演梦普及化 [20] - 重塑内容行业成本公式和竞争规则 [19] - 推动AI视频从特效插件向完整叙事工具转变 [17][19]

多模态AI视频生成技术进展 - 多模态生成是AI未来发展方向，视频生成技术实现全链路覆盖：文字/语音→图像→视频，支持图片上传生成带音效视频并一键分享[1][2] - 百度蒸汽机2.0实现人物口型、表情、动作毫秒级同步，国产AI视频进入"有声有色"新阶段，运镜达到专业导演水准[4][5][6] - 技术突破包括时序对齐（口型与语音毫秒级同步）、多模态特征融合（语调对应微表情）、长时序连贯性、环境音效匹配及多角色交互精准定位[31] 百度蒸汽机2.0产品矩阵与商业化 - 推出Turbo版(720p/5s)、Lite版(轻量高效)、Pro版(1080p/电影级)、有声版(720p/5-10s音画一体)四大版本，全系价格仅为竞品70%，Turbo版5秒视频限价1.4元[8][10] - 通过百度搜索、APP及"绘想"平台开放体验，支持JPEG/PNG/WEBP格式输入，可添加背景音，实测显示单人吃播/多人对话/侧脸场景均表现自然[12][15][16][24] - 在VBench I2V评测中1.0版以89.38%总分全球第一，2.0版在指令遵循、运镜能力、叙事流畅度显著提升[32][33] 核心技术架构创新 - 首创LMMP(Latent Multi-Modal Planner)模型，通过扩散架构实现角色身份/台词/情感/互动的自动规划，保证多角色交互自然度与一致性[39] - 采用海量中文多模态数据训练，完成内容/人声/台词/环境音的信号抽取与对齐，构建专业镜头语言数据集[36][37] - 端到端训练音视频一体化系统，规划层与生成层相互校正，提升语义逻辑准确性，未来将拓展长视频生成技术[39][40] 行业应用与生态协同 - 模型深度融入百度搜索/内容/商业生态，降低创作门槛使普通用户可生成专业级视频，企业可低成本快速产出营销素材[42] - 好莱坞视效团队运用该技术，将2分钟科幻短片制作成本从传统上百万元降至330元，效率提升显著[44] - 开创应用驱动研发范式，形成"场景催生模型-模型反哺业务"闭环，强化搜索表现力与商业想象力[42]

百度蒸汽机2.0视频生成大模型升级 - 百度蒸汽机（MuseSteamer）视频生成大模型升级至2.0版本，主打多人有声音视频一体化生成[1] - 蒸汽机2.0擅长复杂运镜，镜头叙事能力更强，画质进一步提升[2] - 能够一体化生成人物表演、情绪、声音，细节精致如美人鱼鱼鳞和妆容[3] - 支持多种创意玩法，如古代武士打麻将、踩缝纫机绣花等[3] - 可将图片转换成不同风格的视频[3] 产品版本与特性 - 提供四个版本：Turbo版、Lite版、Pro版和有声版[6] - Turbo版：720p画质，应用广泛，生成5秒视频[6] - Lite版：720p画质，极致性价比，生成5秒视频[6] - Pro版：1080p超高画质[6] - 有声版：720p画质，一体化有声，生成5秒/10秒视频[6] - 全系模型已登陆百度智能云，企业用户可通过百度千帆大模型平台使用API服务[7] - 价格低至行业70%，Turbo有声版2.5元/秒，限时优惠1.4元/5秒[8] 技术优势 - 行业首次实现多人有声音视频一体化生成，语音与唇形、表情、动作毫秒级精准对齐[17] - 首创多模态潜在空间规划技术（Latent Multi-Modal Planner），自主协调多角色身份、情感与互动逻辑[17] - 深度适配中文场景，超98%还原度精准呈现中文语音细节与情感表达[18] - 端到端电影级画质生成，精准主体动态刻画，打造真实细腻人物表现力[19] - 大师级运镜控制，内置数十种专业镜头语言，精准响应文本指令[20] 应用场景与案例 - 研发由应用驱动，满足搜索、内容生态、信息流分发、垂类及商业业务需求[21] - 已在百度移动生态广泛使用，强化搜索、内容、商业等多模态体验[22] - 一汽大众揽境七夕营销案例：行业首支汽车类AIGC创意视频《揽境天阶·七夕重逢》[24] - 伊利倍畅成人羊奶粉营销案例：首支AIGC品牌宣传片《漂"羊"过海来看你》[25] - 好莱坞级大片镜头不再需要百万预算，专业影视视效指导姚骐用其制作科幻短片《归途》[14][12] 用户体验与展示 - 用户可通过百度搜索"百度蒸汽机"或登录"绘想"平台体验[5] - 展示效果包括自然音效的海边场景、科幻大片、穿越时空的趣味场景等[11] - 支持生成卡通视频，覆盖各种风格[12]

产品功能升级 - 可灵2.1模型开启全新首尾帧功能内测 显著提升视频生成效果 [1] - 新增自定义首尾帧图像功能 生成连贯高质量视频内容 [1] - 实现更加流畅的电影级运镜控制与丝滑自然转场效果 [1] 技术能力突破 - 精准理解复杂语义 有效克服转场生硬与文本响应不足等痛点问题 [1] - 大幅提升视频内容的一致性和稳定性 [1] 应用场景拓展 - 新功能特别适用于产品宣传片 AI电影 AI短剧等专业创作场景 [1]

行业市场前景 - 全球生成式AI市场规模预计突破1000亿美元 其中视频生成赛道规模达400亿美元成为核心增长引擎[1] - 短视频成为日常信息获取和娱乐的主要方式 视频创作者数量快速增长 高效视频工具需求呈指数级增长[1] - AIGC视频创作处于爆发临界点 行业正推动"全民创作平权"与"专业效率革命"的双轨探索[1] 产品定位与竞争格局 - 即梦AI依托抖音生态打造"全民创意引擎" 主打低门槛和高社区互动特性[1] - 万兴科技作为A股上市公司聚焦音视频垂直领域 推出全链路解决方案产品万兴天幕AI[1] - 两家公司代表中国AIGC视频工具差异化技术路径 成为行业标杆性产品[1] 定价策略与成本分析 - 万兴天幕AI标准版连续包月价格138元/月 低于即梦AI的199元/月[4] - 按活动首月优惠计算 万兴天幕AI仅需98元 较即梦AI的119元更具价格优势[4] - 万兴天幕AI单条视频生成成本0.35元 即梦AI单条成本0.5元 万兴成本仅为即梦的70%[4] 用户界面设计比较 - 两家产品均采用左右结构设计并保持简洁明快风格[6][9] - 即梦AI界面区分度不明显 万兴天幕AI操作指令性更清晰且对新手更友好[6][9] - 万兴天幕AI提供更专业的模块化功能选择 即梦AI具备进度提示功能[9][18] 文生视频性能测试 - 在"猫咪站在麦当劳后厨"测试中 两家产品均获得5分满分 完成时间分别为60秒和45秒[10][12] - 在"猫咪制作汉堡"复杂场景测试中 即梦AI得分4分 出现物体突然消失问题 万兴天幕AI得分4.2分 但提示词扩展不足[14][16] - 即梦AI具备提示词优化能力 能拆分复杂动作 万兴天幕AI在运镜控制方面表现优异[14][16] 产品功能特性 - 即梦AI提供画布功能模块 集成多图层编辑和AI生成与精细化修改能力[8] - 万兴天幕AI提供视频生成、续写、图片生成和音频生成等全链路功能[9] - 即梦AI注重社区互动和内容展示 万兴天幕AI强调工作流简化和模块化操作[8][18]