可靈AI近日通過官方公眾號(hào)正式宣布，其自主研發(fā)的全球首款統(tǒng)一多模態(tài)視頻生成模型——可靈視頻O1已面向全體用戶開放使用。這一突破性成果標(biāo)志著視頻生成領(lǐng)域進(jìn)入全新階段，通過整合多模態(tài)交互能力，實(shí)現(xiàn)了從單一功能到綜合創(chuàng)作的跨越式升級(jí)。

據(jù)技術(shù)白皮書披露，該模型創(chuàng)新性采用生成式架構(gòu)底座，通過多模態(tài)視覺語言（MVL）交互框架，將圖像生成、視頻創(chuàng)作、文本理解等任務(wù)整合至統(tǒng)一輸入界面。用戶無需切換不同功能模塊，僅需在單一對(duì)話框中輸入混合指令，即可同步完成主體構(gòu)建、場景渲染與細(xì)節(jié)優(yōu)化。例如輸入"生成一位穿紅色漢服的女子在古風(fēng)庭院中彈奏古箏的視頻，要求鏡頭從全景推近至特寫"，系統(tǒng)可自動(dòng)解析多維度要求并生成連貫畫面。

核心技術(shù)創(chuàng)新方面，模型引入的思維鏈（Chain-of-thought）技術(shù)顯著提升了內(nèi)容邏輯性。通過模擬人類推理過程，系統(tǒng)能夠理解"雨天打傘"與"地面水漬"的因果關(guān)系，或"運(yùn)動(dòng)員起跑"與"觀眾反應(yīng)"的時(shí)間順序。官方測試數(shù)據(jù)顯示，在復(fù)雜場景的事件推演任務(wù)中，模型準(zhǔn)確率較前代提升67%，尤其在多主體交互場景中展現(xiàn)出更強(qiáng)的語義理解能力。

創(chuàng)作界面同步迎來重大升級(jí)，新版本支持通過自然語言對(duì)話調(diào)整畫面參數(shù)。用戶可實(shí)時(shí)修改"主體服飾顏色""背景光影效果"等200余項(xiàng)細(xì)節(jié)，系統(tǒng)將自動(dòng)生成多版本方案供選擇。針對(duì)專業(yè)創(chuàng)作者，平臺(tái)還開放了鏡頭運(yùn)動(dòng)控制、幀率調(diào)節(jié)等高級(jí)功能，滿足從短視頻創(chuàng)作到影視級(jí)制作的不同需求。

在主體一致性控制方面，模型通過三維空間建模技術(shù)實(shí)現(xiàn)了跨鏡頭穩(wěn)定表現(xiàn)。即使經(jīng)歷"從遠(yuǎn)景到特寫"或"360度環(huán)繞拍攝"等極端視角變化，主體特征仍能保持高度一致。測試案例顯示，在連續(xù)200幀的復(fù)雜運(yùn)鏡中，人物面部特征識(shí)別誤差率低于0.3%，衣物褶皺、配飾細(xì)節(jié)等微觀元素亦能精準(zhǔn)復(fù)現(xiàn)。該技術(shù)已應(yīng)用于影視預(yù)告片制作、虛擬偶像直播等多個(gè)商業(yè)化場景。