豆包视频生成大模型正式发布，首次突破多主体互动难关

字节跳动正式宣告进军 AI 视频生成。9 月 24 日，字节跳动旗下火山引擎在深圳举办 AI 创新巡展，一举发布了豆包视频生成-PixelDance、豆包视频生成-Seaweed 两款大模型，面向企业市场开启邀测。

• 多动作多主体交互能力示例：

• 一致性切镜能力示例：

“视频生成有很多难关亟待突破。豆包两款模型会持续演进，在解决关键问题上探索更多可能性，加速拓展 AI 视频的创作空间和应用落地。”火山引擎总裁谭待表示。

据火山引擎介绍，豆包视频生成模型基于 DiT 架构，通过高效的 DiT 融合计算单元，让视频在大动态与运镜中自由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。全新设计的扩散模型训练方法更是攻克了多镜头切换的一致性难题，在镜头切换时可同时保持主体、风格、氛围的一致性。

据悉，豆包视频生成模型经过剪映、即梦 AI 等业务场景打磨和持续迭代，来达到具备专业级光影布局和色彩调和、画面视觉极具美感和真实感的目的。深度优化的 Transformer 结构则大幅提升豆包视频生成的泛化能力，支持 3D 动画、2D 动画、国画、黑白、厚涂等多种风格，适配电影、电视、电脑、手机等各种设备的比例，不仅适用于电商营销、动画教育、城市文旅、微剧本等企业场景，也能为专业创作者和艺术家们提供创作辅助。

目前，新款豆包视频生成模型正在即梦 AI 内测版小范围测试，未来将逐步开放给所有用户。剪映和即梦 AI 市场负责人陈欣然认为，AI 能够和创作者深度互动，共同创作，带来很多惊喜和启发，即梦 AI 希望成为用户最亲密和有智慧的创作伙伴。

此外，豆包大模型不仅新增视频生成模型，还发布了豆包音乐模型和同声传译模型，已全面覆盖语言、语音、图像、视频等全模态，全方位满足不同行业和领域的业务场景需求。

火山引擎在这次发布会上还披露了豆包大模型的使用量。据悉，截至 9 月，豆包语言模型的日均 tokens 使用量超过 1.3 万亿，相比 5 月首次发布时增加十倍，多模态数据处理量也分别达到每天 5000 万张图片和 85 万小时语音。

此前，豆包大模型公布低于行业 99%的定价，引领国内大模型开启降价潮。谭待认为，大模型价格已不再是阻碍创新的门槛，随着企业大规模应用，大模型支持更大的并发流量正在成为行业发展的关键因素。

谭待介绍，业内多家大模型目前最高仅支持 300K 甚至 100K 的 TPM（每分钟 token 数），难以承载企业生产环境流量。例如某科研机构的文献翻译场景，TPM 峰值为 360K，某汽车智能座舱的 TPM 峰值为 420K，某 AI 教育公司的 TPM 峰值更是达到 630K。为此，豆包大模型默认支持 800K 的初始 TPM，客户还可根据需求灵活扩容。

“在我们努力下，大模型的应用成本已经得到很好解决。大模型要从卷价格走向卷性能，卷更好的模型能力和服务。”谭待说道。