然而对图片生成、视频生成这两类产品的使用频次却不是很高——

一方面我自己的确没有这方面的直接需求，另一方面，几乎没有受过什么专业美术训练的我，对自己的审美多少还是有一点自知之明。

因此，对于多模态生成模型层面，我大部分时候都是一个内容的消费者而非生产者。

然而有时候看得多了，有时候还是会有天然的动手冲动。

前两天，一个视频模型的产研团队联系我说，可以试一试我们这个新的模型，于是我终于动手开始实践在我脑海里拖延了很久的一些小脑洞。

我先不透露这个视频模型的具体名字，咱们先看效果——

脑洞一：让那些伟大的摄影作品鲜活起来

世界上第一张照片诞生于 1826 年，从摄影技术诞生到今天的 199 年里，诞生了无数伟大经典的照片，这些照片是历史的缩影，而今天的 AI 则可以让这些静态的照片 " 活 " 过来。

1.摩天楼顶上的午餐（1932 年）

这张拍摄于 1932 年大萧条时期的照片，记录了 11 名建筑工人在纽约洛克菲勒中心 RCA 大楼（现为 GE 大楼）69 层高的钢梁上悠然吃午餐的瞬间。

高空惊心动魄的场景与工人们轻松、若无其事的姿态形成强烈对比，创造出超现实的戏剧张力，反映了在大萧条背景下，人们面对困境的乐观与坚韧。

当这张静态的照片变成视频后，是下面的效果——

可以看到，在生成 5 秒的动态视频画面里，工人们 " 活 " 了。

他们细微的动作赋予了场景独特的真实感：有的自然地晃动双腿，有的相互传递点燃香烟的火柴，有滴在轻松地交谈。

远处，纽约城和中央公园隐约可见，直接将我们直接拉回 1932 年的高空。

有意思的是，拉远的镜头还在很大程度上还原了拍照真实的场景：很显然工人们的脚下不可能直接是 250 米的高空。

而更合理的是，可能是几米的作业平台，而这丝毫不影响这张 " 活 " 照片的张力。

2. 胜利之吻（1945 年）

《V-J Day in Times Square》是二战结束时最具标志性的影像之一，它定格了日本投降消息传来后，纽约时代广场上一名水兵和一名护士的激情一吻。

这一吻超越了个人情感，成为时代的象征：它代表了战争终结的狂喜和如释重负，而水兵与护士的身份也概括了奔赴前线的将士与坚守后方的民众，历史在这里定格。

而当静态的照片流动起来，那个瞬间感觉有了呼吸。

我们看清了水兵和护士充满狂喜笑容的脸，背景里的人群也开始鼓掌、欢呼，无声的画面开始鼎沸人声。

视频的意义在于，它可以这个自发的瞬间短暂重演，让照片穿越时空的感染力具象化。

3." 希望工程 " 大眼睛女孩 ( 1991 )

这张由摄影师解海龙于 1991 年拍摄的照片，定格了安徽金寨女孩苏明娟手握铅笔、抬头凝视的瞬间，那双渴望的大眼睛，直击人心 .

这张照片真实地展现了这些孩子的困境与期盼，成为了 " 希望工程 " 的符号照片，唤起了社会广泛的同情与关注，无数失学儿童得以重返校园，改变了很多个 " 苏明娟 " 的命运。

今天的苏明娟早已从大学毕业，回到家乡，成为了工行安徽分行团委副书记、人力资源部总经理助理。

而在生成视频中，那双熟悉 " 大眼睛 " 开始眨动，露出真诚、鲜活的微笑，最后对着镜头轻轻地点了一个赞，仿佛在回应世界的善意。

那一刻，确实感觉很奇妙，很想把视频发给当初的摄影师解海龙。

脑洞二：给我女儿重制民国语文课本

前些天看到了一本民国语文课本——开明国语课本，叶圣陶先生创作的课文、丰子恺先生创作的插画，前者深厚的造诣和后者传神简洁的审美相得益彰。

不过，当时的繁体字并不适合我 8 岁的闺女阅读，而当时简明的插图也可以更加立体，于是我决定重制一份当时的语文课本。

以下是三个 case ——

第一课：" 天初晚，月光明，窗前远望，月在东方 "

简单有节奏的聊聊四句，描绘了一个深远的意境，但画面由于年代久远和时代限制，的确有些模糊了。

于是我花了不少精力仔细琢磨了提示词，用Midjourney 生成了如下画面——

接着用模型将静止的画面变成了5 秒视频——

可以看到，随着镜头的推进，画中女孩灵动起来，望向窗外，静谧而优雅。

第二课：" 万年桥边小池塘，红白荷花开满塘，上桥去，看荷花，一阵风来一阵香 ".

简洁、隽永、朗朗上口，我同样生成了如下画面——

接下来，让静止的画面和人物动起来——

可以看到，镜头拉远，桥上的古典女孩开始缓慢走动，微风吹动荷叶，恬静、淡雅。

第三课：" 这是我的家，我们都爱它，池里养着鱼，园里种着花，四面有田地，种豆又种瓜 ".

这段通俗、韵脚严格的课本描绘了一个原生态田园生活的场景，有" 向往的生活 " 里的意象，画面感极强，Midjourney 生成的画面是这样的——

这时候无人机可以上场了，来，拉一个远景——

可以看到，尽管由于时间仓促以及我贫瘠的美术素养，三张图风格没有做到统一，整体还达不到最理想的状态。

但我闺女非常喜欢，尤其对两段有古典女孩的视频赞不绝口。

老父亲一上午没白忙。

OK，以上就是我用视频模型开的两个脑洞，不知道大家感受如何？

我反正在过程中非常愉悦，无论是看到老照片动起来还是老课本活过来，经历了好几次 " 啊哈 " 时刻。

现在可以说我用的模型了——上面的 case 都是我用百度商业研发团队昨天在 AI Day 上发布的视频模型 MuseSteamer 生成的。

下面我就从我使用体验以及和产研团队交流之后的四点感受——

1.MuseSteamer 在很多场景表现出高可用性

视频生成的效果有时候是很微妙的，特别是人像、运动相关的场景，能用和好用之间的差异一眼就能感知到。

从 MuseSteamer 的实际体验看，其生成的很多场景在细腻程度上非常出色，比如上边希望工程大眼睛女孩的微笑：自然、鲜活、让人动容，直观的表现就是 " 没有 AI 味 "。

我自己也试了一些不同的 case，说实话，很多都是超出我预期的。

比如下方狼的肌肉步伐控制、女孩的走路节奏，倒影和阴影的处理，都非常自然，完全没有穿帮、出戏的感觉。

从 5 月 17 日，海外权威视频生成评测榜单 VBench Leaderboard 更新了最新一期图生视频榜单，MuseSteamer 以总分 89.38% 的成绩，登上 VBench-I2V 图生视频榜榜首，这个成绩在一定程度上也可以反映出 MuseSteamer 的实力。

2. 音视频生成可能是未来视频模型竞争的一个重点

音频和视频的同步生成让视频 UGC 作品在表现力层面上了一个大台阶。

从行业的创作者的实际体感来看，从无声视频到有声视频的确是质的飞跃，AI 视频内容生态也爆发出了一波创作热潮——比如 SALM、比如动物运动会、再比如穿越到古代直播等。

确实，传统 AIGC 视频创作实践中，往往是先生成视频，再进行配音和配音效。

这种割裂的创作在消耗大量时间的同时也会影响作品的完整性，而 MuseSteamer 支持一体化生成带有音效和人物台词的视频。

这背后是 MuseSteamer 多模态规划、多音轨协同的能力，它使模型可以音视频一体化端到端生成，在生成高质画面同时，具备更逼真的音效。

从官方放出来的 case 看，无论是场景的环境音效，还是人声，MuseSteamer 都做到了很高的完成度，这无疑增加了视频创作者们进行一体化创作的实用性。

在现场，百度也发布了基于 MuseSteamer 全新的 AI 创作平台——绘想平台。

公测版首先提供 MuseSteamer Turbo 版，而后续会在 8 月陆续上线主打快速、低成本的 Lite 版以及主打画质的 pro 版，届时也会支持所有版本的 10 秒生成和音频同步生成。

值得注意的一点，绘想在公测期间完全免费，想要尝鲜薅羊毛的同学可以行动了。指路：https://huixiang.baidu.com

3.MuseSteamer 在创作层面提供了很多的可能性

在发布会现场，百度商业研发总经理刘林提到了一个词—— " 镜头平权 "。

的确，当视频工具的能力在大幅提升之后，影视级创作的门槛大幅降低了。

以前，创作出一个好作品，需要同时具备创作才华和专业设备，但今天，某种意义上，只需要创意和才华。

在 AI Day 现场，MuseSteamer 展示了一个名为《沙漠追逐》的短片，这个影视级的短片的起点仅仅是 18 张分镜图片。

而经过 MuseSteamer 魔法般生成之后，一个有节奏、有感染力的片子就以极低的生产成本诞生了。

这在很大程度上得益于 MuseSteamer 预置了 " 拉近、拉远、向左、向右、向上、向下 " 的丰富运镜。

通过排列组合，只要有真正的才华，每个人都可以是塔可夫斯基、希区柯克，" 镜头平权 " 不再是梦想。

所以，从我个人的角度，我是乐于看到国内的视频生成模型 " 卷 " 起来的。

这种 " 卷 " 产生的产品和技术升级意味着创作者可以获得质量更高、成本更低的创作工具。

事实上，国内的创作者用 AIGC 视频作品无论是在 Twitter 上还是 Instagram、Tik Tok 上，都有着很高的热度，我想这其实和国内创作工具的丰富性是有高度相关关系的。

4. 从需求出发的 MuseSteamer 有很强的抓重点能力

和 MuseSteamer 的产研同学交流之后发现，这个产品居然是今年春节才立项的，它的起点在于——商业广告主本身就有很多视频生成的需求。

百度的商业研发团队之前就上线了专门为广告主服务的 AIGC 广告创意平台——擎舵。

因此，团队对广告主的需求非常敏感，而随着短剧、小说等投放行业对视频需求的增加，平台必须满足其在营销层面的视频生成需求，于是就有了 MuseSteamer。

而 MuseSteamer 在一开始之所以选择 " 图生视频 "，核心原因在于：相比于 " 文生视频 "，" 图生视频 " 在可控性、一致性上有这个更高的确定性和实用性。

事实上，业界专业级的视频项目，其标准生产模式，也是先生成满意的图，然后将图转化成视频，生图：某种意义上就是一个写剧本的过程。

所以团队也并不避讳甚至欢迎用户到其他平台（如 Midjourney）生成图片，然后用 MuseSteamer 进行视频化创作，这本身就是一个取各家所长的创作策略。

作为一个只有 50 人左右的团队，MuseSteamer 在决定从 " 图生视频 " 切入、决定做音视频一体、决定重点优化人物场景及运镜，这其实在很大程度上反映了团队非常善于抓重点，深刻理解目标用户要的是什么、什么是影响视频产出的关键。

从这个意义上，MuseSteamer 后续的产出和产品升级值得期待。

结语

1903 年一个叫 Julius Neubronner 的法国人突发奇想，把小型相机装到了鸽子的身上，结果拍到了让人惊叹的城市照片。

今天的视频生成模型其实也是一只装了相机的鸽子，它可以让我们从完全不同的维度重构创作。

的确，每一种创作技术的革新，都会诞生新的艺术流派。

奔跑吧，新一代创作者！

—— End ——