即梦在实现“动态一致性”了——即梦AI智能多帧一手评测

即梦在实现“动态一致性”了——即梦AI智能多帧一手评测 即梦在实现“动态一致性”了——即梦AI智能多帧一手评测 Modified September 11, 2025 Audio or video is not supported Please download the file and open it with the appropriate software. 826 1.mp4 · 9.65MB 826 1 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 3.mp4 · 1.66MB 826 3 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 4.mp4 · 881.99KB 826 4 00:00 整体转换中几乎没有瑕疵。 接下来是难度极高的转场，我希望要一种男人把相片自然的扔出去，开始印刷报纸的场景，这实际上是非常难的挑战，说实话现在生成时我脑子里都没什么画面。 但它完成的相当不错，又一次使用了前景和远景的关系来做巧妙的衔接： 这种影视化的蒙太奇衔接让人印象深刻，越来越有逻辑的转换，让镜头语言显得丰富，更重要的是： 我们在慢慢剥离AI视频早期那种相对粗糙的（但也许是“别有趣味的”）工业效果。 不足 没有产品是完美的，即梦AI的智能多帧目前也有一些要改善的问题。 首先是分辨率，目前只提供了720P，在复杂场景下，这个规格还是有些不够用，比如纽约的繁华夜景我跑了很久，主要原因是过多的细节在720P的表现下很容易模糊，表现力不足。 另外，目前的模型只支持到即梦视频3.0，那么在画面的变现力度上，和3.0Pro还是有一定差距的。这种差距不是画质的区别，而是语义遵循和表现力上，还希望尽快能更新到新模型。 最后是开卡率，一次生成多个关键帧的视频是方便了，但也让单条视频的成功率有下降。道理很简单，其中一段不满意，整条可能就要放弃。 确实也有补救的方法，比如把两条相同任务的优秀片段剪辑到一起，因为有关键真的存在，一般来说不是很难，所以 关键帧真的很关键 。 整体测试期间，我的开卡率接近1:8左右，还是略好于我们平时大概1:10的平均值。 工作流的变迁 回到文章最开始，为啥我一直对改变工作流的产品迭代很感兴趣。 究其本质， 工作流是生产效率的基础，甚至是搭建团队的基础 。后者很多其他行业的朋友可能未必能体会。 做内容的分工和流程，直接决定了团队的配合方式，以及我们需要找什么样的人才加入团队，所以即梦AI智能多帧这样的更新，实际上对AI视频行业是有影响的。 在更具可控性的范式出现之前，首尾帧逻辑就是当下所有生成式影像的基础逻辑，那么在这个逻辑上去提升效率，改善体验，无疑会受到创作者的欢迎。 有的产品更新未必那么显而易见，但用起来却意外的得心应手，因为习惯本来就是显而易见的事情，却格外关键。 这次的即梦AI智能多帧就是个好例子。 顺便提一下，我很喜欢这次即梦团队官方的宣传片： No access 826 7 00:00 我是汗青，AI.TALK创始人，一个6岁开始学美术的AI创作者，也是厮混互联网圈16年的产品经理。我在这里分享对AI技术与媒介的思考。 我的愿景是寻找新技术与媒介艺术的结合方式。如果你同样对这个话题感兴趣，欢迎关注我的公众号和视频作品。 • 商务合作：aitalkgina • 频道视频号：AI.TALK • 个人视频号：汗青HQ Audio or video is not supported Please download the file and open it with the appropriate software. 826 1.mp4 · 9.65MB 826 1 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 1.mp4 · 9.65MB 826 1 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 3.mp4 · 1.66MB 826 3 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 3.mp4 · 1.66MB 826 3 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 4.mp4 · 881.99KB 826 4 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 4.mp4 · 881.99KB 826 4 00:00 整体转换中几乎没有瑕疵。 接下来是难度极高的转场，我希望要一种男人把相片自然的扔出去，开始印刷报纸的场景，这实际上是非常难的挑战，说实话现在生成时我脑子里都没什么画面。 但它完成的相当不错，又一次使用了前景和远景的关系来做巧妙的衔接： 这种影视化的蒙太奇衔接让人印象深刻，越来越有逻辑的转换，让镜头语言显得丰富，更重要的是： 我们在慢慢剥离AI视频早期那种相对粗糙的（但也许是“别有趣味的”）工业效果。 不足 没有产品是完美的，即梦AI的智能多帧目前也有一些要改善的问题。 首先是分辨率，目前只提供了720P，在复杂场景下，这个规格还是有些不够用，比如纽约的繁华夜景我跑了很久，主要原因是过多的细节在720P的表现下很容易模糊，表现力不足。 另外，目前的模型只支持到即梦视频3.0，那么在画面的变现力度上，和3.0Pro还是有一定差距的。这种差距不是画质的区别，而是语义遵循和表现力上，还希望尽快能更新到新模型。 最后是开卡率，一次生成多个关键帧的视频是方便了，但也让单条视频的成功率有下降。道理很简单，其中一段不满意，整条可能就要放弃。 确实也有补救的方法，比如把两条相同任务的优秀片段剪辑到一起，因为有关键真的存在，一般来说不是很难，所以 关键帧真的很关键 。 整体测试期间，我的开卡率接近1:8左右，还是略好于我们平时大概1:10的平均值。 工作流的变迁 回到文章最开始，为啥我一直对改变工作流的产品迭代很感兴趣。 究其本质， 工作流是生产效率的基础，甚至是搭建团队的基础 。后者很多其他行业的朋友可能未必能体会。 做内容的分工和流程，直接决定了团队的配合方式，以及我们需要找什么样的人才加入团队，所以即梦AI智能多帧这样的更新，实际上对AI视频行业是有影响的。 在更具可控性的范式出现之前，首尾帧逻辑就是当下所有生成式影像的基础逻辑，那么在这个逻辑上去提升效率，改善体验，无疑会受到创作者的欢迎。 有的产品更新未必那么显而易见，但用起来却意外的得心应手，因为习惯本来就是显而易见的事情，却格外关键。 这次的即梦AI智能多帧就是个好例子。 顺便提一下，我很喜欢这次即梦团队官方的宣传片： No access 826 7 00:00 No access 826 7 00:00 我是汗青，AI.TALK创始人，一个6岁开始学美术的AI创作者，也是厮混互联网圈16年的产品经理。我在这里分享对AI技术与媒介的思考。 我的愿景是寻找新技术与媒介艺术的结合方式。如果你同样对这个话题感兴趣，欢迎关注我的公众号和视频作品。 • 商务合作：aitalkgina • 频道视频号：AI.TALK • 个人视频号：汗青HQ 🔗 原文链接： https://mp.weixin.qq.com/s/kFDKZeWX... https://mp.weixin.qq.com/s/kFDKZeWX... 原创 汗青 AI Talk 汗青 AITalk2025年08月26日 14:47 日本 即梦AI发布了「智能多帧」功能。 具体效果这两天有很多朋友都出了样片，我们也上线了一支合作影片。所以关于效果如何丝滑等直观的测评，直接看片子就行了，不再赘述。 我还是想借这个功能的发布，聊聊我最感兴趣的工作流问题，以及一个很久以来未被注意，又十分关键的问题： 动态一致性。 个人一直认为：AI视频模型产品的更新有两种：一种是质量和表现力的迭代，往往体现在画质、流畅度、语音遵循等方面。而另一种，是对工作流的推动，甚至是范式的重塑。 二者不是截然分开的逻辑，因为工业质量的升维本身就可以带来工作流的变化，但这个可遇不可求。而后者往往是通过一些功能化的设计，在既有能力之上做连接和重组，带来新的可能性。这更接近于我的老本行：产品经理的思维模式。 智能多帧典型属于后者的创新。 智能多帧解决什么问题 先说一下什么是智能多帧，大白话讲：向即梦AI里输入几张图片，在每张之间设定过渡时间和效果提示词，即梦生成一整段动画给你。 理解起来很容易，目前在即梦的Web端上直接可以使用这个功能，智能多帧的UI让功能逻辑几乎一目了然， 我就不赘述了。 那么为什么会有这个功能？这就得说一下首尾帧的问题。 虽然以下内容对有经验的创作者不算什么新知识，但我还是习惯从缘起和底层逻辑去聊一个话题，这样有助于我们在一个动态的脉络里来审视这个功能的价值。 首尾帧是脱胎于Image to Video（图生视频）的模式，最初的图生视频是基于“首帧”的逻辑，也就是你来定义视频的第一帧画面。 但后来大家觉得这样不够，就出现了首尾帧：你可以同时定义视频的开始和结尾。比如这样： 其实首尾帧作为一个单独的功能并没激起多大的水花，但这个模式影响了另外一个更重要范式：首尾帧多段连续。 把第一段视频的尾帧定义为第二个视频的首帧，创作者可以通过剪辑把两个视频连接起来，这突破了AI视频单次生成长度的问题，也就是早期经典的“4秒问题”。 因此，这也成为了当下攻克长镜头的通用解。而Sora的早期版本和Veo系列的编辑模式，本质上就是首尾帧这种民间技法的产品化。 好了，那么这种创作方式的问题是什么？ 1. 繁琐操作 2.趋势的段落感 3.单片段标准化时长导致无法精控 问题一很好理解，就是麻烦呗。反复输入输出图片是个挺无聊的事儿（虽然有工具提供一键截图），更别提还要反复去生成，选择，修正。即梦智能多帧首先满足了懒的需求，因为一次扔进去就完事儿了。 当然，实际使用中，还是需要一些微调，因为每个关键帧之间的时长和提示词依然是变量，再加上随机生成的效果，指望一次满意是不可能的。但是方便就是方便了，肯定是优点。 然而真正重要的是后两个问题：段落感和精控的问题。 动态趋势的一致性 我并没有发明新词，趋势一致性是一个很要命的问题。 段落感不是模型能力问题，是逻辑问题：当我们把两段分别生成的片段拼在一起的时候，大概率一定是出现停顿感的。因为片段一生成时并没有考虑片段二，反之亦然。 比如下面这个例子，我们希望从左向右经过三个关键帧，实现老人在雪天喝咖啡的场景。 传统做法：生成两段首尾帧，第一段用图一过渡到图二，第二段从图二过渡到图三，在图二处实现连接。效果如下： 可以看到，传统首尾帧拼接的段落中，老人喝咖啡的段落感非常明显。首先不断飘落的雪花，因为前后两段动画的动态趋势不一致，会明显不自然。在一些雨雪天气，或者高动态场景中，这个问题几乎无解（不包括运气好开出来极其完美的匹配对的情况）。 其次，老人喝咖啡的动作过度也有明显的停顿感，当然高手我们可以动过精调削弱这种停顿效应，但首先这不是每个人都具备的技能，其次削弱停顿感不等于没有停顿感，治标不治本。 聊到这里就不难明白：传统首尾帧拼接的问题在于：单纯依靠两个一样的关键帧是不能让视频拼接流畅的，因为 真正影响流畅度的，不是衔接的画面是否一致，而是整体的动态趋势是否一致。 当前后两段影像来自两次不相关的生成任务时，这个问题趋近于无解，而且动态越大，问题越明显。 那么即梦AI智能多帧表现如何呢？我们把这三张图作为关键帧输入给它，写最简单的提示词： 效果如下： 极其自然，雪花的飘动问题完美解决，动作的停顿也没有了。 为什么？因为它是作为一个整体来考虑的。当模型生成前一半动画时，后半段动画的趋势已经在计算之中了。 用一个很俗的方式做比喻：传统的拼接是两个团队，各干各的，最后硬拼在一起。而 智能多帧是一个全盘考虑完整上下游的团队，大家劲儿往一处使，因此能做到 趋势的一致性。 这是即梦新功能真正称得上智能的地方，它不是简单的帮你生成几段视频拼起来，而是从上帝视角掌控全局。 嗯，这么说可能有点俗，但是挺准确的。 全局考虑的典型的例子 在测试中我遇到了一个例子，非常清楚的印证了即梦智能多帧的逻辑。 我写了两段提示词，试图完成从愿景推到人物的手，再转身打开报纸的复杂操作。工程界面和效果如下，大家可以先看一下： Audio or video is not supported Please download the file and open it with the appropriate software. 826 5.mp4 · 1.81MB 826 5 00:00 Audio or video is not supported Please download the file and open it with the appropriate software. 826 5.mp4 · 1.81MB 826 5 00:00 这里的妙处在于：“经过一个虚化的背影”这个提示词，我是写在第二段的，它按道理应该出现在第二帧和第三帧之间（6秒以后）。 但实际上，这个场景出现在了一开始，接近1 2秒的位置。 当然，你可以说这是语义遵循的不准确。但它恰好说明了一个道理：既梦的智能多帧在生成动画时，是跨越帧区间的全盘思维，这造成了它在渲染第一个镜头时，已经知道了后面要出现模糊的背影，基于某种理由，前置了，而且前置的挺自然。 我没和既梦的研发团队聊过这个事儿，但我大致猜测是这样一个逻辑。 而关于前置的原因，我其实倒并没有特别关心这是不是一个意外，任何视频模型目前都做不到100%的语义遵循，但这个例子充分证明 智能多帧背后的底层逻辑：整一体的全局考虑。 这是这种逻辑上的完全不同，它解决了传统收尾帧拼接的最大弊病，就是前文提到的趋势一致性。 可精控的关键帧区间时长 最后一个问题经常被忽视，但在实操中是非常头疼的。那就是一般意义上的收尾帧动画，生成的时间长度是一个统一标准。 从最早的4秒，到现在的8秒，10秒。我们总觉得时间越长越好，但是及应用起来并不完全是这样。 举个例子，下面两张图，由于老人的动态差异不大，我希望他完成动作的时间很短，不需要5秒，可能2秒就够了。用首尾帧的拼接如何完成？ 答案是：没法完成。 除非模型支持2秒一段的动画。加速？不好意思，会再遇到之前说的动态趋势的问题，可想而知雪花的飘动会同样被加速，那玩意儿就根本没法用了。你如果碰到过类似的问题，肯定知道有多蛋疼。 而即梦AI智能多帧的一个很大的好处是：可以随意调节关键帧之间的长度。 朋友们，这可太有用了。 所以，不要小看这些细节。宏大的炫酷的场景和运镜很重要，但细节同样决定了我们的内容能否打动人。 魔鬼在细节里，单纯一个秒数自定义的功能，解决的问题可太多了。这种以小见大的思路很“产品经理”。 出色的转场逻辑性 再聊一个观察到的细节，就是转场的逻辑性。 过去两年的AI视频，有很多爆款靠的是一种AI式的变化专场，典型的是周杰伦那段岁月回忆。 这类转换，往往具备一种AI的特色，就是在画面效果上很顺滑，但实际上如果观察转场逻辑，往往没什么逻辑，比如甚至很多都是粗暴的变化。这样的效果与其说是“转场”，不如说是“变形”，尤其在处理相关度不高的两个场景时，尤为如此。 变形只是一种视觉效果，而转场需要逻辑。 但因为大家之前很少见到，所以这种变形某种层面上被包容，甚至变成一种审美取向了。 我并非要说这样的范式有问题，但显然它不能满足很多需求，比如我希望实现两个完全不相关的场景转换，但希望是有逻辑的转场，而不是“变形”，尤其在写实或者纪实类创作中。 我们看下面这个例子中即梦智能多帧的表现，这可能是做这条影片中我印象最深的桥段： No access 826 6 00:00 No access 826 6 00:00 在几个相关度极低的场景转换中，它提供了非常惊艳的转换逻辑。注意下面这组从手拿着胶片特写到杂志社老板的转换。它选择了通过“景深”进行了前景和远景的过渡，整体切换方式的选择非常合理，而不是直接把手变成一个人。