腾讯悄悄开源混元版「Sora」，这就是开源领域的No.1。 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }
腾讯悄悄开源混元版「Sora」，这就是开源领域的No.1。
原创 数字生命卡兹克 数字生命卡兹克 2024-12-03 15:05 北京
今天，人又在腾讯混元发布会的现场。
上个月5号，他们宣布开源大语言模型混元Large和3D大模型Hunyuan3D-1.0。
仅仅一个月时间，他们又从深圳奔赴北京，邀请了一些老朋友，又开了一次私密的闭门会。
而这一次的项目，就是被N多人期待了很久的，腾讯混元视频生成模型。
同样，现场宣布，直接，开源。
腾讯也活成了，马斯克心中，那个OpenAI的模样。
聊聊这个腾讯混元的AI视频模型，我已经先行测试了一周，跑了几百个case。
先说结论：偏科战神，强的部分强到没边，弱的地方也急需优化，但是瑕不掩瑜，综合来看，闭源模型中排在T1附近，开源AI视频中，无可争议的T0。
开源地址：https://github.com/Tencent/HunyuanVideo
普通用户也可以去腾讯元宝APP，进入AI应用，就能看到这个AI视频了。
可能普通用户需要资格申请，但是以腾讯的速度，应该非常快，看了群友的反馈，有的申请了不到一会就拿到了体验资格。
我先放几个我跑的Case，再来细说。
很有意思，很特别的模型。
如果让我来总结混元的3个特点，那就是：
超强的真实质感，很强的语义理解，可以切换镜头。
一个一个来说。
一.超强的真实质感
说实话，混元的真实感，是非常惊艳到我的。
有点当年Flux出来的时候，那种既视感。
那种光影，那种质感，那种色彩，就是会让你感觉，这是现实场景，就是很真。
而且，几乎没有任何的AI视频中的柳絮抖动的那种质感，稳的一笔。
比如：两个女人面对面哭泣。
你就感觉，像在看电视剧。
下属跟老板打架也是。
这光影和稳定性，实在是强到有点飞起了。
除了现代的戏，古装也是真实到不可思议。
比如：长焦特写，一位紫衣宫女在月下绣花。银光洒在锦缎上，针线穿梭。后景是雕花窗棂，氛围静谧优雅。
我愿称之为，最具有“电视剧质感”的AI视频大模型。
第一次，能看到，做中国古装，服化道和真实质感，好到如此程度的。
不只是国人，外国人的真实质感，也极强。
像拍的，不像生成的，实话。
但是，但是来了。
混元AI视频的写实质感，可以拉满，我可以说，就是现在的No.1。
但是，我开头说它个超级偏科战神，就是因为，它如果不做超写实，做一些偏幻想的风格，或者2D、3D之类的，那个审美，真的有点丑= =
这就仿佛一个学生跟你说，他语文吊炸天，150分考了149分，然后你问他英语多少，他支支吾吾的跟你说：不告诉你。。。
另外有一点，是需要狠狠夸混元的。
就是跑过AI视频的人都知道，一旦人物的脸，在画面上占比一小，很多都会糊脸，五官是一坨，看不清。
但是我用混元跑的几百个case里，有不少是脸很小的，但是几乎都非常准确，甚至还是动嘴型说话。可以看下面这个例子。
开门的那个女人，脸没糊，那么小的面积，你都能看到她的神情，看到他的嘴形，这个点，太牛逼了。
二.很强的语义理解
混元的语义理解，是我觉得在所有的AI视频大模型里，都能排到前列的。
看这个Prompt：
一只银渐层在游乐园里奔跑，跳到一个小女孩的怀里。
看着简单，但是其实蛮多坑。
银渐层、游乐园、奔跑、跳、小女孩、怀里。
这些个关键词，其实都不好理解，更别提跑着跑着跳到小女孩怀里这种操作了。
首先要准确识别出银渐层这个特定品种的猫，还得理解它在游乐园这个复杂场景中的运动轨迹。
更难的是，模型需要精准捕捉从奔跑到跳跃的动作转换，还要准确把握跳入怀中这个互动场景的空间关系。
这个能完美还原，就挺牛逼的。
还有这个case：
45度俯拍，一位紫衣女修在竹林中抚琴，琴音化作七彩音符在空中飘荡。翠竹摇曳，月光如水。
虽然这个七彩音符加的吧，总会让我想起一些非常古早的渐变PPT，但是咱们忽略审美的事，你会发现，混元都给你还原出来了，45度俯拍、紫衣、抚琴。
还有那句最重要的：琴音化作七彩音符在空中飘荡。
你如果用其他AI视频都把这个Prompt跑一遍，你就知道，能精准的出现七彩音符这事，有多难了。
还有一个我超级喜欢的case：
星系边缘，宇宙战舰引爆反物质引擎。能量涟漪以光速扩散，撕裂周围星体。
这个镜头，是我幻想过，在科幻片里看到的一幕。
而现在，是由AI，给我精准的还原出来了。
就是我心中的，奇点爆炸。
当然，在我测的几百个case中，并不是说，什么语义他都能理解。
翻车的也有很多，但是整体成功率，还是相比于其他我用过的，高出不少。但是带来的负面也很明显，有的视频，那个审美真的挺差。
语义理解和审美之间，其实一直需要找一个平衡点，语义理解强，就代表着可控性很强，也代表着用户对AI的干涉非常强，一旦用户自己随心所欲的去创作，也可能会让出来的美感，没有保障。
典型的就是Midjourney，它的语义理解，我觉得到现在为止，都可以说是一坨屎，包括可控性也是一坨，ControlNet说了一年了，到现在也没加。
而他们给出的理由，就是如果让用户对AI的生成干涉过多，就会影响审美，让出来的东西变丑，作为一家有审美洁癖的公司，这个是他们不可接受的。
所以就一直拖一直拖。
混元的AI视频，走到了Midjourney的反面，给用户的自由度很高，但是这时候就又吃用户自己对于画面的理解了，换句话说，就是：
上限很高，下限同样，也极低。
三.可以切换镜头
混元这个，跟PixelDance是目前全世界唯二，可以自主控制切镜头的。
比如：广角镜头，破碎的镜子碎片漂浮在空中，每片镜子里都映照着不同的时空画面。画面中央是一位银发时空术士，他穿着暗纹长袍，双手编织时空之线。
我其实没有写类似于镜头切换的关键词。
但是混元在理解完我的Prompt后，给我切镜了。而切镜完的效果，确实张力好一些。
最重要的是，人物、场景几乎完全一致。这点，就很酷。
还有士兵看信这个case。
战场废墟中，一位士兵跪地，颤抖着手打开战友留下的信。然后镜头切换到信件的特写。远处炮火映红天际，烟尘在空中飘散。战争片风格。
这次我是主动说了“镜头切换”这个词，混元理解的非常好，场景、人物一致性也堪称完美。
这一点，我非常喜欢。
写在最后
AI视频这个行业，我一直觉得对于创业者或者小公司来说，不是特别友好。
不友好的点在于，获取高质量数据的难度，相比于文本、图像啥的，太高了。
大厂啊，护城河还是太高、太深了。
最关键的是，腾讯用这个自己深厚的家底，先把这个模型的v1版本做完了，然后，直接开源，免费送。
这尼玛，谁顶得住。
目前混元AI视频模型，只支持文生视频，不过他们说图生视频也很快就会上线了，马上就做完了。
文本大模型、AI绘图大模型、3D生成大模型，再加上这次的AI视频大模型。
如果再来一个AI声音模型，腾讯就是，真正的全系开源了。
只能说，腾讯对于自己的市场定位和核心竞争优势，也有着极度明确的认知。
腾讯的城堡，还在向天空挺进。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@gmail.com
数字生命卡兹克
 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言