智东西AI前瞻（公众号：zhidxcomAI）
作者 | 江宇
编辑 | 漠影

智东西AI前瞻7月2日报道，今日，百度团队发布自研视频生成模型MuseSteamer及配套创作平台“绘想”。

与传统AIGC视频依赖“画面生成+后期配音”流程不同，MuseSteamer实现了画面、音效与人声台词的协同生成，成为全球首个具备中文音视频一体化生成能力的视频模型。MuseSteamer还在业内评测集VBench I2V中获得89.38%总分，登顶全球第一。

▲图源：VBench-12V榜单

MuseSteamer模型家族包括Turbo、Lite、Pro及多种有声版本，覆盖从普通用户到专业制作团队的不同应用场景。

其中，Turbo和Lite版支持720P分辨率，Pro版为1080P高清画质。

三者在生成速度与画质上各具侧重：Turbo版定位全能型，可在约2分钟内生成5至10秒视频；Lite版主打极速模式，生成同规格视频约需30秒；Pro版强调画质表现，生成时间相对较长，约为20分钟。

据介绍，MuseSteamer模型背后依托亿级中文多模态数据清洗、精细化视频结构语言与多目标强化学习等底层优化，具备以下核心能力：

• 支持一张图生成10秒1080p视频，画质接近电影水准；
• 人物微表情与运镜衔接自然，表现接近专业影视团队制作。

目前，模型家族中的Turbo版已在“绘想”平台上线，并开启限时公测，其他版本计划于8月逐步开放。智东西第一时间在“绘想”平台，对该版本进行了初步体验。

体验指路：https://huixiang.baidu.com/

用户可上传任意一张图片（≥300×300，支持 JPG/PNG/WEBP 格式）作为首帧图，并输入文本提示，系统即可生成视频。平台亦提供提示词库供用户快速选用镜头语言。

1、体验1：“等待戈多”+「镜头向右」（提示词+提示词库中的镜头选择）

▲图片为AI生成。

画面中人物的服饰在动作变化中呈现出较自然的动态效果，背景人物与建筑细节也具备一定的真实感。此外，镜面元素中还呈现了对应的反射画面，增强了整体的空间感与真实度。

2、体验2：“黑袍杀手”+「镜头拉近」

▲图片为AI生成。

尽管画面中的人物保持静止状态，随着镜头缓慢推进，墙面纹理和废弃物堆的细节逐渐显现，整体镜头语言呈现出一定的电影质感。

3、体验3：“魔法古堡”+「镜头向上」

▲图片为AI生成。

该模型在照片中对动物的识别和还原较为准确，对多对象的远近关系与体积比例处理也相对合理。

结语：多模态协同提速，AI视频走进深水区

自今年以来，AI视频生成领域已进入高频更新节奏：6月初，豆包Seedance 1.0 Pro发布，在测评榜单Artificial Analysis中，力压谷歌Veo3和可灵2.0等多模态模型；6月中旬，Midjourney发布其首个视频模型V1；随后，海螺AI也推出更新版本，支持生成1080P画质的10秒视频。

目前，各家产品在输入方式（文本/图像/混合）、输出时长与分辨率、镜头调度与音频生成等维度各有侧重。

整体来看，AI视频正在从“能生成”迈向“懂语义、可控音画”的阶段转变。未来，多模态协同将是AI视频发展的关键方向。