Full text · 原文
2,217 字
梦瑶 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
不er，这个世界还有什么是真的？反正我是已经分不清了…<br>
短短3秒，连续切了3个镜头，从人物脸上的皮肤纹理，到满天纷飞的大雪，细节真实到有点离谱！<br>
再看看这个，湿漉逼真的头发、肉眼可见的面部雀斑、超自然的景深，有点好莱坞大片内味儿了嗷：<br>
还没完，咱再来看这个，机械义体与人脸的融合，以及构图处理都非常到位，妥妥滴赛博大片即视感！<br>
你就说逼真不逼真吧…<br>
不卖关子，就是Runway刚刚发布的——全新「Gen 4.5」模型。<br>
这次更新主打的是图生视频，在镜头控制和故事叙事上，明显往next level推了一步～<br>
这波效果一出来，网友当场坐不住了，直呼：感觉都能吊打好莱坞制作团队了好吧？太逼真！（doge）<br>
甚至逼真到，在Runway做的一项1000人参与的调查中，结果只有约一半的人能分辨出该模型和真实视频的区别……<br>
问题来了，那这超超超逼真的——Gen 4.5模型效果到底咋样？咱一起来看！<br>
模型更会讲故事了、细节处理也更到位了<br>
咱先来说说，这次全新的Gen 4.5在模型能力上的有啥亮点看头～<br>
长故事表达能力：能承载更长时序的内容结构，视频的完整度和长度大大提升。<br>
精准的镜头控制能力：镜头的景别、角度、运动轨迹以及切换节奏都更可控，输出效果更接近真实摄影语言。<br>
连贯的叙事能力：多个镜头之间的情节逻辑性更强，叙事表达比上个版本更到位。<br>
更稳的角色一致性：图像参考+模型内部一致性优化，主体在不同镜头中的跨帧效果更稳定。<br>
咱直接边看效果边细细道来～<br>
从官方给出的效果看，在镜头控制上，Gen 4.5能在5秒的时间内快速生成包含「近景」「中景」「远景」的三个镜头。<br>
即便镜头不断晃动，人物面部依旧保持了较高的一致性。<br>
哪怕骑在快速飞行的章鱼身上，小女孩依旧「面不改色」，面部细节完全没崩～<br>
还有下面这个让巨型毛绒大猩猩走在纽约街头徘徊的视频，不论是镜头比例、透视逻辑，还是主体与城市背景的光影一致性，都处理得相当稳：<br>
再来看看下面这位网友制作的超有「镜头漂移感」的视频，镜头一拖一拽，给到每个人的特写，再恢复远景镜头，感觉就差一段超热血的bgm了！！！<br>
怎么说呢，如果你跟我说这不是AI做的，我真会以为是哪个影视公司的新片片段。（真·脑子宕机了）<br>
甚至，真实到什么程度呢？<br>
连Runway自家公司里的《员工》，都已经分不清哪条是他们模型生成的，哪条是真拍的了……<br>
于是乎，灵机一动的Runway索性直接找了1000个人来测一把，看看Gen 4.5到底能把人「骗」到什么程度，其规则是：<br>
Runway把自家AI生成的视频和真实视频放在同样的分辨率和时长条件下，让参与者在10秒内判断，哪些是真人拍的，哪些是AI做的。<br>
结果您猜怎么着？<br>
这一千个人里头，只有57%的人能成功识别出哪条是AI生成的。（天塌啦！）<br>
是的，在这场「安能辨我是AI」的大戏里，AI的生成水平，已经和人类的肉眼辨别能力打到了势均力敌的程度。<br>
（好好好，这个世界到底还有什么是真的啊！！！）<br>
没准哈，下一步可能真得靠AI去鉴别AI了……<br>
视频模型能力，正在进入新一轮升级期<br>
Runway这波模型更新，确实有亿点点不一般，与此同时带给我们的还有一个感受是：诶？这模型能力感觉好熟悉…<br>
其实细细盘算一下，从去年年底到现在，市面上的视频模型一波接一波地更新，虽然各家厂商走的路线不完全一样，但整体看下来也有一些明显的共同趋势。<br>
我也帮大家浅浅概括了一下：<br>
真实度 / 物理一致性大幅增强：模型在光影逻辑、动作规律、面部控制等方面越来越接近物理世界的表现。<br>
声画同步能力提升：模型可以直接生成配套音频，唇形同步精度明显提高。<br>
局部控制精细化：局部编辑能力成为重要趋势，越来越多模型支持单独局部面区域，无需重新生成整段视频。<br>
支持更久的生成时长：10–60秒的视频生成区间变得越来越常见，竖屏原生视频逐步占据主流。<br>
视频生成方式更加多元：从图生视频，到音频生视频，视频生成方式越来越多，创作路径也变得更加灵活。<br>
直接拿俩个大家感受比较深的模型能力趋势和大家聊聊。<br>
首先，就是真实度和一致性的要求被整体抬高。<br>
具体指的主要是纹理与细节保真、光影与氛围、整体画面质感等等，能体现物理世界的细节地方。<br>
也就是说，现在的视频模型越来越注重AI是否能理解并遵守现实世界的物理规律，能否在「跨帧」这事儿上表现得更自然。<br>
像Veo 3.1上一波的升级，就在视觉保真度和电影级打磨上大幅提升，许多官方demo的细节处理上已经接近电影级：<br>
咱们再来看看声画同步能力。<br>
给我们最直接的感受就是：视频终于不只是画面更真了，声音也终于安排到位了，哪怕是侧脸、极端角度，或者多人对话场景，声画方面也不太容易崩。<br>
各厂商们都确实都在想着怎么让AI视频开始真正具备做带台词的短剧 、广告 、社交内容的可用性。<br>
就在昨天，马斯克也官宣了Grok Imagine的最新成果，原生声画同步能力同样迎来了一波明显升级～<br>
（这波热闹凑的好啊，好热闹啊）<br>
总的来说，现在的主流视频模型，已经明显越来越接近可商业化应用、具备普适性的能力了。<br>
当然了，各大厂商的发布节奏越来越「密」，说不定到了明天，又一个「新趋势」就会被端上台面。<br>
但不管怎么说，Runway这波Gen 4.5的更新，确实有点出乎意料，也是真·一代更比一代强了。<br>
感兴趣的朋友，可以直接上手搓搓试试～