快手公司近日宣布，其自主研發的新一代視頻生成模型可靈3.0系列已進入超前內測階段。該系列包含圖片3.0、視頻3.0及視頻3.0 Omni三個子模型，在原有技術基礎上實現了多項突破性升級，旨在為影視創作、廣告設計等領域提供更專業的生成式AI解決方案。
圖片3.0模型的核心升級聚焦于專業創作場景的適配性。通過引入視覺思維鏈（vCoT）技術，該模型可對輸入圖像進行結構化解構推理，支持單圖或多圖批量生成邏輯連貫的系列畫面。輸出分辨率方面，新增2K與4K選項，滿足影視預演、場景設定等高精度需求。針對AI生成內容常見的細節斷裂問題，研發團隊通過Deep-Stack視覺信息流機制優化了紋理與光影的過渡效果，同時強化了對構圖比例、鏡頭視角等參數的控制精度，使生成畫面更符合專業創作規范。
在模型訓練環節，快手創新性地采用強化學習框架，結合"真實感"與"電影質感"雙重評估體系，通過數百萬組專業影視素材的對比學習，顯著降低了生成內容的機械感。技術文檔顯示，該模型在人物面部特征、物體材質等細節還原上已達到行業領先水平，特別在復雜光影場景下的表現力較前代提升40%以上。
視頻3.0模型則構建了統一的多模態訓練框架，支持文本、圖像、視頻片段的混合輸入。單次生成時長擴展至15秒，并允許用戶在3-15秒區間自由調整。智能分鏡系統成為最大亮點，該系統可自動解析文本指令中的場景轉換需求，智能調度特寫、中景、全景等景別切換，配合動態機位調整功能，使生成視頻具備專業分鏡腳本的敘事邏輯。
針對影視創作中的核心痛點，視頻3.0模型在主體一致性控制方面取得突破。通過多圖/視頻錨定技術，用戶可鎖定特定角色的面部特征、服裝細節或物體形態，確保在復雜運動場景中保持視覺連貫性。音畫同步模塊新增五國語言及方言支持，采用深度神經網絡實現口型與語音的毫秒級匹配，在多人對話場景中可精準區分角色發聲，文字生成模塊則通過超分辨率技術確保字幕清晰可辨。
作為高端版本，視頻3.0 Omni引入視頻主體特征庫功能，可提取3-8秒視頻中的角色形象、動作特征及音色數據，建立可復用的數字資產庫。該技術通過特征解耦重組方案，實現形象、聲音、動作的分離存儲與靈活調用，為影視IP開發、虛擬偶像運營等場景提供技術支撐。音頻處理方面，創新性的采樣區間調整算法使音色還原度提升至92%，在跨語言內容生成中仍能保持聲線特征穩定。
