字节跳动再出招，一天发布两款视频生成大模型！

【ITBEAR】9月24日消息，字节跳动正式宣布进军AI视频生成领域。9月24日，其旗下火山引擎在深圳举办了AI创新巡展活动，并在此活动中推出了两款面向企业市场的大模型：豆包视频生成-PixelDance和豆包视频生成-Seaweed，同时开启了邀测。

在活动现场，豆包视频生成的效果令人印象深刻。无论是语义理解能力，还是处理多个主体复杂交互画面的能力，甚至是多镜头切换下的内容一致性，豆包视频生成大模型都展现了业界领先的水平。

据ITBEAR了解，火山引擎总裁谭待表示，视频生成领域仍有许多技术难关需要攻克。他强调，豆包的两款模型将持续进化，探索解决关键问题的更多可能性，以期加速拓展AI视频的创作空间和应用落地。

创新技术是豆包视频生成模型的核心优势。与以往只能完成简单指令的视频生成模型不同，豆包视频生成模型能够实现自然连贯的多拍动作与多主体复杂交互。有创作者在体验后发现，该模型生成的视频不仅能遵循复杂指令，让不同人物完成多个动作指令的互动，还能确保人物样貌、服装细节甚至头饰在不同运镜下的一致性，效果接近实拍。

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，使视频能在大动态与运镜中自由切换，并拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。其全新设计的扩散模型训练方法攻克了多镜头切换的一致性难题，能在镜头切换时同时保持主体、风格、氛围的一致性，这是豆包视频生成模型独特的技术创新。

经过剪映、即梦AI等业务场景的打磨和持续迭代，豆包视频生成模型具备了专业级的光影布局和色彩调和能力，画面视觉极具美感和真实感。其深度优化的Transformer结构大幅提升了视频的泛化能力，支持3D动画、2D动画、国画、黑白、厚涂等多种风格，并适配电影、电视、电脑、手机等各种设备的比例。这使得豆包视频生成模型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强大的创作辅助。

目前，新款豆包视频生成模型正在即梦AI内测版进行小范围测试，未来将逐步开放给所有用户。剪映和即梦AI市场负责人陈欣然表示，AI能够与创作者深度互动，共同创作，带来许多惊喜和启发。即梦AI希望成为用户最亲密和有智慧的创作伙伴。

在此次活动中，豆包大模型不仅新增了视频生成模型，还发布了豆包音乐模型和同声传译模型，已全面覆盖语言、语音、图像、视频等全模态，全方位满足不同行业和领域的业务场景需求。

随着产品能力的日益完善，豆包大模型的使用量也在迅速增长。据火山引擎披露，截至9月，豆包语言模型的日均tokens使用量已超过1.3万亿，相比5月首次发布时增长了十倍。同时，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。

谭待认为，大模型的价格已不再是阻碍创新的门槛。随着企业的大规模应用，大模型支持更大的并发流量正在成为行业发展的关键因素。他介绍称，业内多家大模型目前最高仅支持300K甚至100K的TPM（每分钟token数），难以承载企业生产环境的流量。而豆包大模型默认支持800K的初始TPM，远超行业平均水平，客户还可根据需求灵活扩容。

“在我们的努力下，大模型的应用成本已经得到很好的解决。大模型的发展应该从价格竞争转向性能和服务的竞争，提供更出色的模型能力和服务。”谭待强调。

关键词：#字节跳动# #AI视频生成# #豆包大模型# #火山引擎# #即梦AI#