中国版sora来了，快手AI视频大模型“可灵”内测

你没看错，首个中国版Sora来了！

就在昨天（6月6日），快手发布AI视频大模型“可灵”，各路玩家纷纷体验，得出的结果基本一致：放眼国内，如果可灵称第二，那就没人敢称第一！

有这么牛吗？这让我这个视频创作爱好者瞬间来了兴趣，接下来看看可灵到底牛在哪些地方？

吊打同行的核心技术：3D时空联合注意力机制

“可灵”最让我印象深刻的，是它的3D时空联合注意力机制。

先上专业解释，所谓“3D时空联合注意力机制”，顾名思义，有三大技术特点：

1、三维空间理解

模型能够理解和模拟三维空间中的对象，包括它们的形状、大小和相对位置。而且通过模拟人类的视觉系统，模型能够处理立体图像，生成具有深度感的视频。

2. 时间序列分析

模型能够分析视频帧之间的变化，捕捉和模拟物体的运动和场景的演变。同时，利用时间序列分析，模型可以预测未来帧的内容，实现流畅的视频生成。

3. 联合注意力分配

最后是联合注意力，空间上模型能够集中处理视频中的关键区域，如人物、物体等，以提高生成内容的相关性和准确性。时间上模型确保视频的连贯性和动态效果的自然过渡。

接下来说人话！3D时空联合注意力机制，这个听起来高大上的技术，实际上就是让“可灵”能够理解视频中的每一个细节，无论是物体的运动轨迹，还是光影的变化，都能被精准捕捉。这就好比给视频加了一层智能滤镜，让每一帧都生动起来。

比如输入文字“一名宇航员在月球表面奔跑”，下方为生成画面：

不得不说，这个画面太美了，低角度镜头展现了月球的广阔背景，宇航员的动作流畅且显得轻盈。你要说这是Sora做的，我肯定不怀疑！

极度客观的物理规律

让每个动作真实得离谱

文生视频模型，乃至整个AI大模型，始终迈不过去的终极难题就是，如何符合物理规律、让画面更加真实？

先来看看国内大厂的水平！

输入文字“一个戴眼镜的中国男孩在快餐店内闭眼享受美味的芝士汉堡”，下方是抖音旗下即梦生成的3秒视频。

这是做了个啥，只有四个字评价，一言难尽！

再来看可灵做的，告诉你什么是降维打击！

这吃东西的动作，真实感拉满，而且符合物理规律，还有享受美食的细腻表情，反正我是没看出啥问题。

回到开头的问题，如何让画面更加真实？简单一句话回答，就是要让人和物符合现实世界的客观物理规律。在这方面，我觉得可灵做到了！基于自研模型架构及Scaling Law激发出的强大建模能力，可灵能够模拟真实世界的物理特性，生成符合物理规律的视频。

要知道，视频大模型设计中，物理规律处理起来相当困难，就算是OpenAI，都不敢说得心应手。

除了吃东西，对于复杂、大幅度的时空运动，可灵也能轻松拿捏、准确刻画。

比如在公路上奔跑的老虎，不仅画面连贯、老虎四肢的动作协调，而且把奔跑过程中肚腩抖动的细节也体现出来了。

性能指标碾压级水平

视频时长最高超2分钟

你以为这就完了？可灵各项性能指标也是碾压同行！

就拿视频时长来说，Sora能够生成60秒的高清视频，已经算很优秀了，但可灵居然支持最高超2分钟的视频，远超行业普遍水平！

整个两分多钟的画面十分连贯，出现了欧式老城、红叶、樱花、田野等场景，过渡也很自然。

在视频分辨率方面，可灵基于自研3D VAE，能够生成1080p分辨率的电影级视频，无论是浩瀚壮阔的宏大场景，还是细腻入微的特写镜头，都能够生动呈现。

此外，可灵支持自由的输出视频宽高比，这对于广大视频创作者来说，简直就是福音，可以充分满足多元化场景中的视频素材使用需求。

此时，我的内心依然很激动，快手这把AI王炸，估计把整个AI圈都打懵了！因为他把大家绞尽脑汁却难以攻克的问题解决了！

其实，人经历过千万年的进化，对于世界的常识，是藏在基因里的，会自动把一些冗余的信息以极快的速度，一步一步剔除直到只剩到最关键的信息，然后进一步做思考推断。但是机器不会，机器不懂抽象，所以需要人去做类似人类抽象化过程的学习算法，来抽离关键信息，进而对外展示最真实、最客观的信息。

恭喜快手做到了，这是中国AI行业的巨大进步，谁说中国AI大模型不行，谁说中国AI大模型和国外没法比？我看啊，照此节奏发展下去，可灵成为世界最强AI大模型，也未可知！

说了这么多，估计大家想跃跃欲试了！目前可灵处于内测期间，大家下载「快影」APP，在APP首页找到「AI创作」菜单入口，再点击“AI生视频”，申请内测体验即可。

可灵大模型官网：http://kling.kuaishou.com/