快手发布可灵视频生成大模型

背景

文生视频模型接收一段文字描述，输出一段会动的画面，而不是一张静态图片或一段文字。这类系统大多采用扩散（diffusion）的方法：从随机噪声出发，在提示词的引导下一步步去噪，直到一串连续的帧显现出来。视频比图像难，因为画面要在相邻帧之间保持连贯，而且随着时长和分辨率的提高，需要处理的数据量增长得很快。

发布

2024年6月6日，快手发布文生视频大模型可灵（Kling），并开放测试申请。^[1][2] 测试最先面向中国用户，通过快手旗下的快影 App 提供。^[3] 快手后来表示，测试版通过 klingai.kuaishou.com 和 klingai.com 向全球用户开放。^[2]

技术细节

快手称，可灵最长可生成两分钟、1080p、30fps 的视频。^[3] 时长、分辨率和帧率的这个组合，是快手在发布时着重强调的能力。模型采用扩散 Transformer（diffusion transformer）结构，并搭配自研的 3D 变分自编码器（VAE）。^[3] 粗略地说，Transformer 负责处理帧序列以及帧与提示词的对应关系，3D 变分自编码器则把视频压缩到更小的隐空间、再解码回像素；在压缩后的空间里完成生成，是这类模型处理大量帧时控制计算量的常见做法。

快手把可灵描述为「全球首个面向普通用户开放、达到实景级水平的视频生成大模型」。^[2] 这是公司对自身产品的说法，不是第三方的评测结论。

使用情况

快手在发布后公布的数字，反映的是用户试用这款模型的速度。发布后一个月内，申请测试的用户超过 50 万，生成的视频达到 700 万个。^[1] 在全球测试阶段，快手称收到超过 100 万份申请，并向 30 多万名用户开放了早期使用权限。^[2]

意义

可灵发布时走的是公开申请试用的路径，普通用户可以报名参与测试，而不只是一份技术报告。^[1][2] 申请人数与获准使用人数之间的差距，也说明开放是分阶段进行的：报名的需求来得比测试名额发放得更快。^[1][2] 全球测试阶段沿用同样的申请方式，并通过两个专门站点把范围扩展到中国以外。^[2]

从技术上看，两分钟 1080p 的能力和自研的 3D 变分自编码器，说明这次发布覆盖的是一整套流程，而不是单个部件。^[3] 对关注这一方向的人来说，可灵是一个把视频生成模型作为公开可试用的产品交付的案例：能力指标写明了时长、分辨率和帧率，使用数据由开发方自己公布。^[1][3]