可灵O1模型发布：全球首个统一多模态视频生成AI，支持文生视频、图生视频、720p模式与自由叙事

💡 站外导读：视频创作领域长期面临工具割裂、一致性难保证、流程繁琐等核心痛点。随着AIGC技术爆发，多模态大模型正彻底重塑内容生产方式。可灵AI此次推出的全球首个统一多模态视频生成模型O1，正是瞄准这一行业变革的前沿——它试图用一个模型一站式解决生成、编辑、理解的全流程，并支持图文视频多模态混合输入，将视频创作从工具依赖推向意图驱动的新阶段。

可灵O1是什么

可灵O1（可灵视频 O1 模型）是可灵AI推出的全球首个统一多模态视频生成模型。模型通过创新的多模态视觉语言（MVL）架构，实现视频生成、编辑与理解的无缝融合。模型支持多模态输入，如图片、视频和文字，能进行全能创作编辑，解决视频一致性难题，提供多种创意组合。用户可通过简单对话生成精准视频内容，探索无限创作可能。

可灵O1模型迎来重要更新，现已支持720p分辨率模式，并能生成时长在3到10秒之间的自由叙事内容，让创作者在内容制作上拥有更高的灵活度和更大的创作空间。

可灵O1的主要功能

• 全能引擎：可灵O1是全球首个统一多模态视频大模型，能一站式完成视频生成、编辑和修改等全部创作流程，无需在多个工具间切换。
• 全能指令：支持多模态输入，包括图片、视频、文字等，通过深层语义理解力，用户能通过简单对话轻松生成和编辑视频内容。
• 全能参考：通过多视角构建主体和多主体自由组合，解决视频一致性难题，确保视频画面无论镜头如何流转都能精准连贯。
• 超强组合：支持不同技能的组合使用，如同时增加主体和修改背景，一次生成多种创意变化，探索无限创作可能。
• 掌控节奏：支持3-10秒自由生成视频时长，用户能自由掌控视频节奏。
• 新增720p模式：在继承原有1080p核心能力的基础上，新增720p模式，适合轻量化创作，降低设备要求。
• 自由叙事时长：首尾帧支持3-10秒自由叙事，打破固定时长限制，创作者能自由定义视频的开头和结尾时长，提升创作灵活性。

可灵O1的技术原理

• 全新视频生成模型：打破传统视频模型的功能割裂，构建新的生成式底座，融合多模态理解的Multimodal Transformer和多模态长上下文（Multimodal Long Context）。
• 多模态视觉语言（MVL）：引入MVL作为交互媒介，通过Transformer实现文本语义与多模态信号的深层融合，支持单一输入框内灵活调用无缝融合多种任务。
• 智能推理能力：基于MVL输入，模型实现多模态精确参考与高自由度交互编辑，支持长上下文及时序叙事。结合Chain-of-thought技术，模型具备常识推理与事件推演能力，展现出视频生成的智能化表现。

可灵O1的性能表现

• 图片参考任务：在图片参考任务上，模型的整体效果胜负比为 247%，表明在整体效果及多个细分维度上均表现优异。与 Google Veo 3.1 的 Ingredients to Video 对比，视频 O1 模型在图片参考任务上的效果显著领先。
• 指令变换任务：在指令变换任务上，模型的整体效果胜负比为 230%，显示出在整体效果及多个细分维度上均表现优异。与 Runway Alph 对比，模型在指令变换任务上的效果也显著领先。

如何使用可灵O1

• 访问平台：访问可灵官网或可灵App，完成用户账号注册和登录。
• 选择模型：在平台上选择视频 O1 模型。
• 上传素材：根据需要上传参考图片、视频片段、文字描述等素材。
• 输入指令：使用多模态指令输入区，输入创作指令。
• 生成视频：模型根据提供的素材和指令生成视频。可以指定视频的长度，如3-10秒。
• 编辑和调整：用模型提供的编辑功能，如增加、删除、修改视频内容，切换景别/视角等。
• 预览和导出：预览生成的视频，确保满足要求。满意后，将视频导出到本地设备。

可灵O1的应用场景

• 社交媒体内容制作：用户能快速生成适合社交媒体平台的短视频，如抖音、Instagram等，用于个人分享或品牌营销。
• 在线教育和培训：教育工作者能创建互动式视频课程和培训材料，提高远程学习的吸引力和效果。
• 广告和营销视频：企业和营销团队用模型生成吸引人的广告视频，用于产品推广和品牌宣传。
• 电影和视频制作：电影制作人和视频编辑用模型进行前期制作，如创建故事板、概念验证和动画效果。
• 企业宣传和演示：企业制作高质量的宣传片和演示视频，用于公司介绍、产品展示和活动报道，增强企业形象。