【独家】字节即梦将在Sora发布前上线视频生成模型PixelDance

11月14日，界面新闻从多个知情人士处获悉，字节跳动视频生成模型PixelDance将很快在即梦AI上线，面向公众开放使用，具体的上线时间将会早于Sora正式发布的时间。

Runway联合创始人Cristóbal Valenzuela曾在11月9日称，OpenAI计划在大约两周内发布Sora。Cristóbal Valenzuela曝出该消息之前，OpenAI公布了一条联合伦敦艺术家Jon Uriarte创作的短片，似乎是在为Sora的正式发布预热。

这意味着，PixelDance很可能会在最近几天内发布。界面新闻向字节跳动方面求证此事，截至发稿，对方暂未回应。

字节跳动在大模型领域一直动作频频。9月24日，该公司一口气发布了豆包视频生成PixelDance、豆包视频生成Seaweed两款大模型，并通过即梦AI和火山引擎面向创作者和企业客户小范围邀测。据知情人士透露，PixelDance除了即将在即梦AI上线之外，还将于近期在豆包开启内测。

从其此前展示的视频生成效果来看，豆包视频生成模型无论是语义理解能力，多个主体运动的复杂交互画面，还是多镜头切换的内容一致性方面，都表现出不错的效果。

其中一个视频输入是，“特写⼀个⼥⼈的面部，有些⽣⽓，戴上了⼀副墨镜，这时⼀个男⼈从画⾯右侧⾛进来抱住了她。”视频画面显示，其不仅遵循了这个复杂指令，还能够按指令的时序去完成连续的动作，两个主体之间也能比较顺畅地进行交互，且人物表情较为准确传达了指令所描述的情绪。

据界面新闻了解，人物动作是当下视频生成模型共同面临的挑战，即使是Sora在人物动作上做得也不够好。OpenAI在今年年初公布的视频样片显示，Sora还是以运镜和基础动作为主，复杂动作较差，但豆包视频模型生成公布的样片在动作上有了明显提升。

一位多模态大模型科学家对比PixelDance和Sora公布的样片后告诉界面新闻，如果样片效果保真的话，字节跳动的视频生成大模型确实是相当不错。从学术角度或者模型能力角度来说，其肯定达到了Sora的水平，尤其在人物动作上非常棒。

火山引擎总裁谭待此前也透露，豆包视频模型经过剪映、即梦AI等业务场景的持续打磨和迭代，优化了Transformer结构，大幅提升了豆包视频生成的泛化能力。同时，豆包视频生成模型基于DiT架构，让视频在大动态与运镜中自由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。在镜头切换时可同时保持主体、风格、氛围的一致性是豆包视频生成模型的技术创新所在。

而从OpenAI近期公布的最新短片来看，Sora也在着重提升其在人物动作上的能力。该短片处理的是多人坐在椅子上飞行的场景，无论是照片质量还是细节处理上，都更接近照片的水准，人物动作也更加自然。

若PixelDance正式面向公众开放，或意味着其在技术上已较为成熟。对于豆包视频生成模型的发布节奏，谭待曾透露，豆包系列大模型并不是按照某个固定的时间计划发布的，有好东西就尽快推出。

“我们的逻辑是推出的产品要质量可靠，有充分的用户反馈，不能是半成品。就像视频和语言模型发布一样，不一定要抢第一，要推出成熟的产品。”谭待说。