VBench直接干到了第一！这一次，视频生成「压番」全场的是家央企

see122

机器之心原创

编辑：吴昕

高难度武打视频，也能「手拿把掐」。

回想起来，年初对国内文生视频技术迭代速度的预估还是保守了。

OpenAI 在 2 月发布 Sora 后，至今还是期货，但国内科技界迅速跟进，几乎月月有战报。

字节 3 月底就端出「即梦」，3-6 秒的小视频随心所欲地玩。生数科技 4 月底放出 Vidu 模型，硬刚 Sora。快手 6 月祭出「可灵」，又把 AI 吃播玩出新水平。9月，字节又有新动作。Tencent「混元」姗姗来迟，还搞了个开源。

没想到的是，眼瞅着 2024 快要翻篇了，赛道里居然又挤进一位大牌选手，身份还有些特殊。

央企、也是三大运营商之一：中国电信。

凭借全自研技术、海量数据和万卡 「家底」 ，中国电信人工智能研究院（以下简称 TeleAI ）发布了视频生成大模型。

继星辰语义大模型、星辰语音大模型之后，TeleAI 再次展示了中国电信在大模型领域与科技巨头同台竞技的雄心。这家 7 月才挂牌的研究院，正携手中电信人工智能科技有限企业用一个个创新，重新定义传统运营商在 AI 时代的角色。

这个视频生成大模型有多能打？

作为 12 月 1 日最新上榜的模型，它在 VBench 上直接干到了第一，大幅领先第二名。

VBench 是一个全面的「视频生成模型的评测框架」，它将「视频生成质量」细分为 16 个评分维度，从人物形象一致性、动作流畅度、画面稳定性到空间关系等方面对模型进行细致、客观的评估。

TeleAI-VAST在VBench榜单上表现亮眼。

项目链接：https://huggingface.co/spaces/Vchitect/VBench_Leaderboard

TeleAI 视频生成大模型在 VBench 的 16 个评分项目中，一举夺得 9 项第一，覆盖了模型最核心的几个能力。

如，画面稳定性（时序闪烁）、语义一致性（物体分类、多物体、人体动作）、空间场景（空间关系、场景），以及视觉风格（颜色、外观、时序风格）。

其中，有 5 项得分超过 99%，更有两项——物体分类和人体动作——拿了满分 100% 。

模型的语义表达能力尤其亮眼。以 92.63% 的总分领先第二名整整 11 个百分点，几乎横扫了所有相关指标第一名，从语义一致性、多物体生成到空间场景把控，都展现出超出同侪的专业水准。

视频质量同样出色，以 88.60% 的总分独占鳌头。无论是画面稳定性、时序连贯性，还是视觉风格的把控，均表现不俗。

这么看，不管是「理解视频」还是「做视频」，这模型都挺全面，成功超越Runway Gen-3、可灵、Vidu、MiniMax-Video-01、Pika 等一众劲敌。

它算是把物理玩明白了

作为中国电信 2024 年数字科技生态大会的重要环节，今天的 TeleAI 开发者大会展示了一段令人印象深刻的 AI 视频。

这段 3 分钟的视频不仅能从容驾驭 4 个主角，还能流畅切换多个场景。

3 分钟视频仅是冰山一角，通过分镜生成加主题目标注入，理论上已经可以生成任意长度的视频内容。

视频链接：https://mp.weixin.qq.com/s/h5ltHlPmgTBPFOXJivDHGQ

看来野心不小。要知道，当前 AI 视频生成领域仍在短视频阶段摸索，大多数模型仅能生成十几秒的内容。即便是少数能达到 3 分钟的作品，通常也只能应付单个主角。

就算是单一主体，维持目标一致性也是巨大挑战。就连 Sora 这样的顶级模型也存在类似问题。

在这个广为流传的视频中，提示词设定的是一只鹦鹉，结果突然变成多只。当鹦鹉与猴子发生交集，动物特征开始混乱：

鹦鹉的翅膀扭曲了，后来头也没了。猴子呢？一只长出了鹦鹉脚趾，另一只居然有了鹦鹉的尾巴。

提示词：An overhead view of a parrot flying through a verdant Costa Rica jungle, then landing on a tree branch to eat a piece of fruit with a group of monkeys. Golden hour, 35mm film.

而随着视频时长延长、主体数量增加，一致性难度会呈指数级上升。但从 VBench 评测榜单可见，TeleAI 的模型在主体一致性（subject consistency）方面表现出色，对付这一技术难点自然有一手。

从大会展示的视频效果看，四位女主角在多场景切换中保持了高度的形象稳定性，也印证了这一点。

各个视频片段都能够保持主体外观的一致性

视频链接：https://mp.weixin.qq.com/s/h5ltHlPmgTBPFOXJivDHGQ

下面两个视频展示了视频生成大模型在多场景连续性上的实力。

从公交车、大街，再到酒吧和餐厅，目标主体的外观始终保持一致：面部特征（包括佩戴墨镜）、服装、发型都很稳定，没有出现不连贯的情况。

视频链接：https://mp.weixin.qq.com/s/h5ltHlPmgTBPFOXJivDHGQ

从坐在教室听课的学生到穿学士服领毕业证，服装、造型随着场景在变，但一眼就能认出「这就是那个姑娘」。

更值得注意的是，凭借强大的语义表达能力，模型还展现出了类似 Sora 的镜头调度能力。

它能在一个视频中创建多个镜头，并准确保留角色特征和视觉风格。这种多镜头叙事的手法让画面具有了强烈的影片叙事感。

这段 AI演练视频也展现了令人印象深刻的多镜头叙事。

一会儿在天上俯拍，把整个舰队尽收眼底；一会儿从航母甲板上，特写舰载机起飞的瞬间。还有从摄影船上水平拍摄、空中跟拍，甚至水下拍摄。

一套「组合拳」打下来，确实玩出了大片的味道。

视频链接：https://mp.weixin.qq.com/s/h5ltHlPmgTBPFOXJivDHGQ

事实上，与目前 Sora 生成的默片相比，这个 AI 演练作品还有一个更胜一筹的地方。

Sora 虽然在画面生成上表现出色，但缺少声音确实削弱了视频的感染力。TeleAI 视频生成大模型在这方面实现了突破，能够同步生成与画面完美契合的音频效果。

不过，当前的视频大模型除了要应对目标一致性的挑战，还面临着一个更基础的问题：对物理规律和常识的理解还很肤浅。这导致它们经常翻车。

人在跑步机上莫名其妙地倒着跑。

体育视频更是重灾区。体操运动员四肢横飞、身体扭曲、与单杠、垫子的交互完全脱离物理法则，场面非常恐怖。

TeleAI 视频生成大模型在遵循物理和常识方面展现出突出实力，在 VBench 测试中的人体动作和物体分类两项指标都拿下了满分。

就说这个跳水片段。人物从悬崖边腾空到入水的整个过程，动作姿态流畅自然，符合物理定律，也没有 AI 生成常见的扭曲变形。悬崖边的浪花效果也很逼真。

TeleAI 开发者大会秀出的视频中，女主跃入大海时，肢体没有横飞和扭曲。

视频链接：https://mp.weixin.qq.com/s/h5ltHlPmgTBPFOXJivDHGQ

跳水还只是单人项目，再看这段打戏，难度可就更大了。

一个是动作要协调。两个人打起来，一个出拳另一个要躲，动作配合要天衣无缝。其次，距离感也得把握好，打近了怕穿模，太远又显得够不着。

视频链接：https://mp.weixin.qq.com/s/h5ltHlPmgTBPFOXJivDHGQ

这段视频展现了 AI 在多主体互动场景中的出色表现。

武器碰撞、进攻防守都很到位，真假美猴王和武器也没有穿模，打斗场面比较自然流畅。即使在高速运动中，美猴王的外貌、服装和武器也没走样。

回看此前的 AI 演练视频，模型在多主体场景的物理模拟方面同样表现出色。

无论是空中编队飞行，还是多个主体的动态位置和姿态，都保持了合理的空间关系，避免了穿模问题。

火焰和烟雾的形态与扩散过程，也都严格遵循物理规律，呈现出真实可信的视觉效果。

而这个摘头盔的片段，特别能说明大模型处理复杂动作序列时的能力。

视频链接：https://mp.weixin.qq.com/s/h5ltHlPmgTBPFOXJivDHGQ

人的手指与头盔的交互准确自然，摘头盔时头发的晃动效果逼真，整个动作序列显得连贯流畅。画面中没有出现「六指」或手指穿模等常见缺陷。

场景的远近层次感也处理得当。远处的火山爆发场景自然虚化，而近处的人物保持清晰，使整个画面看起来层次分明又不显呆板。

应用为王：从视频到短剧平台

TeleAI 在保持目标主体一致性和还原真实世界细节方面的突破性进展，可不仅仅是为了玩视频生成，他们盯上了一块更大的蛋糕：AI 短剧市场。

短剧近年来太火，打开 App Store ，榜首基本被短剧应用霸占。用户就爱这种几分钟的「快餐」，剧情快，看着过瘾。

要说市场规模，去年短剧就已经到了 373.9 亿，比前年暴增 267.65% 。这数字已经顶得上影片票房的七成了。今年预计还要突破 500 亿，直逼影片市场。

周星驰出品的《金猪玉叶》6月在抖音上线，短短几天播放量就冲破3000万，这部剧总共24集，每集也就5分钟左右，整个拍摄周期才用了13天。

目前已有创编辑使用 AI 制作短视频，一些作品播放量轻松突破百万。业内普遍看好视频生成在中国的发展前景，认为 AI 将为短视频产业，特别是短剧行业带来重大机遇。

不过，要说用 AI 拍完整短剧，还有不少坑要填。短剧制作很复杂，要搞定剧本、人物、视频、音频，最后还得串成完整的故事。现在创编辑得在各种 AI 工具间倒腾，连 Sora 都做不到「一条龙」服务。

TeleAI 在这件事上拿出了态度：

他们已经完成了语义、语音、视觉、多模态等技术的全模态布局，目标是将这些能力整合，实现用户输入故事构思即可「一键生成」短剧的愿景。

在具体实现上，他们的星辰大模型可将创意构思转化为成熟剧本，通过文生图技术塑造人物形象，根据剧本生成分镜图，最后基于这些素材生成外观统一、情节连贯的视频片段，最终合成完整短剧。

就拿这个视频模型来说，为了做短剧，TeleAI 没跟着 Sora 走一样的路，而是另起炉灶，全自研了二阶段视频生成技术 VAST。

通过两阶段生成框架——先画分镜，再生成视频，这项关键技术显著提升了短剧创作过程的可控性。

说得更具体一些。

第一阶段就像导演画分镜，借助多模态大模型和自回归技术，将文字描述转换成一系列分镜头。这些「分镜」包含了人物姿势、场景分布、远近关系等关键信息，相当于给后面的视频生成打好了草稿。

第二阶段如同真实拍摄，让扩散模型根据这些「分镜」开始生成视频画面。通过将「分镜」作为条件输入，并结合文本描述和目标主体的外观特征，生成能够精准控制主体位置、动作和外观的视频内容。

比如短剧的一场打戏，大模型会先规划出完整的动作编排：从出手角度、躲闪走位到环境互动，都在分镜中预先设定。

当系统生成实际画面时，就能严格按照这份草稿来呈现，确保每个出招防守都准确到位，武打场面既符合物理规律，又富有观赏性。

实现对复杂动作的精确控制

TeleAI 视频生成大模型的进化仍在加速。它的下一步规划令人期待：多目标控制、镜头运动、3D 渲染全面升级。而这一切，都将在即将到来的一站式 AI 短剧平台中实现。

想象一下：一个创意、一台电脑，就能完成从剧本创作到视频生成的全流程。当 Sora 还在实验室里磨练时，为什么不先来尝试已经触手可及的创作利器？

对于每个怀揣故事梦想的创编辑来说，TeleAI 正在让「一个人拍一部剧」成为现实。这扇通向 AI 短剧时代的大门已经打开，而你，准备好成为下一个创作先锋了吗？


来源：网易