快手发布音画同出的可灵 2.6

背景

过去，人们让 AI 视频模型一次只做一件事：把一段文字提示变成会动的画面。人声、歌唱和背景音则交给别处处理——另开一个语音工具，或者由音效师、剪辑师在后期加上去，再铺到已经生成好的画面上。这种分工在流程里看得很清楚：几秒钟的画面，往往要经过好几个工具轮转，才能变成一段带声音、可以拿出去看的片子。

发布了什么

2025 年 12 月 3 日，可灵 AI 发布视频模型可灵 2.6 ^[1]。它的核心能力是厂商所说的「音画同出」（simultaneous audio-visual generation）：画面和声音在同一次生成中一起产出，而不是分两步做 ^[1]。声音并不限于配乐或环境噪声。按发布材料的说法，模型能生成人声对白、歌唱和环境音效 ^[1]。人声支持中文和英文 ^[1]，单段视频最长 10 秒 ^[1]。

在发布节奏中的位置

这款模型是作为 Omni Launch Week 的一部分发布的 ^[2]。快手的发布稿把它定位在广告、社交媒体和电商内容上 ^[1]——这三种场景里，短、频次高、必须开声音看的视频就是日常的产出单位。快手还表示，该模型在「中文语音生成表现上处于世界领先地位」^[1]。这句表述来自开发者自己，是随发布一同给出的说法，并没有附上外部评测的比对结果。

为什么「一起生成」重要

把画面和声音分开做，工程上是有道理的：两者要解决的问题不一样。画面关心的是运动、构图和帧与帧之间的一致性；声音关心的是音色、语调和节奏。但对使用者来说，分开做的代价不小——每一次交接都是一个可能对不上的地方：一句台词与它本来配合的那个手势错开了，一个音效慢了半拍落下来。当人声和环境音与画面出自同一次生成，两者的时间关系就是一起定下的，而不是事后修补的 ^[1]。对快手点名的那几种内容形态来说，这一点是有分量的：广告、社交帖和商品视频都很短，成败往往就在于一句念白和它所在的那个镜头，能不能让人觉得是一体的。

怎么读这些细节

10 秒的时长值得注意 ^[1]。它把工作单位定在「一个镜头」而不是「一场戏」：一句话、一小段唱、一个带着自身声响的街角。发布材料里没有任何内容表明这个模型要独自承担一段长叙事；更实际的图景是，它用来填满一条短视频里那些带声音的碎片，这与快手所指的广告、社交媒体和电商用途是一致的 ^[1]。

支持中英文人声 ^[1] 也透露了目标用户。能说两种语言的模型，面向的是跨市场创作的作者，或者要用同一套素材做两个语言版本的团队。

尚未回答的问题

发布材料是一份产品通告，它回答「是什么」，不回答「怎么做」。它没有说明模型如何训练、人声用了哪些数据，也没有给出与其他系统在同一套测试上的比较——关于中文语音表现的说法，是没有附带基准成绩的 ^[1]。这些问题决定它在日常使用中能站多稳，而答案最终会由使用者给出，而不是由发布稿给出。