字节跳动豆包视频生成大模型发布：首次突破多主体互动难关

9 月 24 日消息，火山引擎正式发布了豆包视频生成-PixelDance、豆包视频生成-Seaweed 两款大模型，面向企业市场开启邀测，这也意味着字节跳动正式宣告进军 AI 视频生成。IT之家注：新款豆包视频生成模型目前正在即梦 AI 内测版小范围测试。

该模型支持高效的 DiT 融合计算单元、全新设计的扩散模型训练方法和深度优化的 Transformer 结构，可以实现更充分地压缩编码视频与文本，支持一致性多镜头生成，能够大幅提升视频生成的泛化能力。

官方介绍称，无论是语义理解能力，多个主体运动的复杂交互画面，还是多镜头切换的内容一致性，豆包视频生成大模型均达到业界先进水平。

火山引擎总裁谭待表示，“视频生成有很多难关亟待突破。豆包两款模型会持续演进，在解决关键问题上探索更多可能性，加速拓展 AI 视频的创作空间和应用落地。”

谭待表示，豆包视频生成大模型支持多风格多比例的一致性多镜头生成，可应用在电商营销、动画教育、城市文旅、微剧本等领域。

此外，谭待表示，豆包大模型发布以来使用量爆发式增长。截至 9 月，豆包语言模型的日均 tokens 使用量超过 1.3 万亿，相比 5 月首次发布时猛增十倍，多模态数据处理量也分别达到每天 5000 万张图片和 85 万小时语音。

此前视频生成模型大多只能完成简单指令，豆包视频生成模型则能实现自然连贯的多拍动作与多主体复杂交互。有创作者在抢鲜体验豆包视频生成模型时发现，其生成的视频不仅能够遵循复杂指令，让不同人物完成多个动作指令的互动，人物样貌、服装细节甚至头饰在不同运镜下也保持一致，接近实拍效果。

据火山引擎介绍，豆包视频生成模型基于 DiT 架构，通过高效的 DiT 融合计算单元，让视频在大动态与运镜中自由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。豆包视频生成模型具备专业级光影布局和色彩调和，画面视觉极具美感和真实感。

深度优化的 Transformer 结构，则大幅提升了豆包视频生成的泛化能力，支持 3D 动画、2D 动画、国画、黑白、厚涂等多种风格，适配电影、电视、电脑、手机等各种设备的比例，不仅适用于电商营销、动画教育、城市文旅、微剧本等企业场景，也能为专业创作者和艺术家们提供创作辅助。