快手公司今日正式對外宣布，其自主研發(fā)的新一代視頻生成模型可靈3.0系列已進(jìn)入超前內(nèi)測階段。該系列包含圖片3.0、視頻3.0及視頻3.0 Omni三個子模型，在原有技術(shù)架構(gòu)基礎(chǔ)上實現(xiàn)了全面升級，重點優(yōu)化了專業(yè)創(chuàng)作場景的適配能力。

圖片3.0模型推出四項核心功能改進(jìn)：首次支持通過單張或多張參考圖批量生成邏輯連貫的系列畫面，輸出分辨率提升至2K/4K級別，滿足影視預(yù)演、場景設(shè)計等高精度需求；通過視覺思維鏈技術(shù)強(qiáng)化場景解構(gòu)能力，配合Deep-Stack視覺信息流機(jī)制顯著提升紋理細(xì)節(jié)與光影效果的呈現(xiàn)質(zhì)量；新增構(gòu)圖參數(shù)控制模塊，使鏡頭語言、視角切換等創(chuàng)作要素的調(diào)節(jié)精度提升40%。技術(shù)團(tuán)隊透露，該模型訓(xùn)練中引入強(qiáng)化學(xué)習(xí)框架，采用真實感與電影質(zhì)感雙維度評估體系優(yōu)化輸出效果。

視頻3.0模型構(gòu)建了統(tǒng)一的多模態(tài)訓(xùn)練框架，支持文本、圖像、視頻片段混合輸入，單次生成時長擴(kuò)展至15秒并支持3-15秒靈活設(shè)置。創(chuàng)新研發(fā)的智能分鏡系統(tǒng)可自動解析文本指令，完成景別切換與機(jī)位調(diào)度；主體一致性控制模塊通過多圖/視頻錨定技術(shù)，確保角色形象在長鏡頭中的穩(wěn)定呈現(xiàn)；音畫同步引擎實現(xiàn)中英日韓西五國語言及方言的精準(zhǔn)口型匹配，并支持多人場景下的角色定向發(fā)聲；文字渲染模塊特別優(yōu)化了招牌、字幕等信息的清晰度，確保在動態(tài)畫面中保持可讀性。

作為專業(yè)級解決方案，視頻3.0 Omni版本新增視頻主體特征庫功能，可提取3-8秒視頻中的角色形象與音色數(shù)據(jù)，經(jīng)特征解耦重組后應(yīng)用于新內(nèi)容創(chuàng)作。技術(shù)文檔顯示，該版本通過優(yōu)化多模態(tài)指令解析架構(gòu)，調(diào)整音頻采樣區(qū)間處理方式，實現(xiàn)了更高精度的跨模態(tài)內(nèi)容生成。據(jù)內(nèi)部測試數(shù)據(jù)顯示，新模型在影視級畫面生成效率上較前代提升65%，專業(yè)用戶創(chuàng)作周期平均縮短3個工作日。