Midjourney V1 视频模型

是什么

2025 年 6 月 18 日，Midjourney 发布首个视频模型 V1。^[1] 它走的是图生视频（image-to-video）路线：用户不必只靠一段文字描述，而是拿一张已经存在的画面——Midjourney 生成的图片，或自己上传的首帧——让模型把它动起来。用户还可以写一段运动提示（motion prompt）说明画面该怎么动，但这不是必须的。^[1]

从一张图出发而不是从文字出发，是一个有分量的设计选择。首帧定下了构图、主体和整体观感，模型要做的是把这张画面沿着时间往前推。手上已经有满意图片的人，可以直接保留它再加运动，而不必用文字重述一遍、再拿到一张不一样的图。

一次任务怎么跑

动画可以自动生成，由系统自己写运动提示；也可以手动，由用户自己写提示，并在低运动幅度与高运动幅度之间选择。^[1] 每次任务产出四段 5 秒的视频。^[1] 这些片段都可以延长，一次约 4 秒，最多延长四次，总长度约 21 秒。^[1]

这种安排——一次给出四条短片，每条再一步步接长——让用户先看到几种不同的可能，再决定要不要往下延展。

成本与可用范围

一次视频任务的消耗约是图片任务的 8 倍，Midjourney 说这大致相当于每一秒视频花掉一张图片的价钱。^[1] 发布时 V1 只在网页端提供，公司还在为 Pro 及以上订阅用户测试放松模式。^[1]

在整体路线中的位置

Midjourney 说它的目标是做出能够进行「实时开放世界模拟」（real-time open-world simulations）的模型，把图像、视频、3D 和实时模型结合起来。^[1] 公司把图像模型、视频模型、3D 模型和实时模型看作通往这一目标的几块积木。^[2] 按它的说法，接下来一年会把这些部件分别搭建、逐个发布，再慢慢合并成一个统一的系统。^[2]

在这张路线图里，这款视频模型被描述为一块技术垫脚石：定位是有趣、易用、好看而且价格可负担，而不是一个已经完成的模拟系统。^[2] 这样看，V1 更像是一个正在被拼装的产品中的某个部件——把已有的图像模型变得能动，单独发布，之后再与 3D 和实时方向的工作接起来。