快手发布可灵 O1 统一多模态视频模型

背景

在视频工具里，「生成」和「编辑」长期是两件事。生成是从一段文字提示或一张静态图片出发，产出新的画面；编辑则是拿来已经存在的素材，改动其中的一部分。两者通常由不同的模型、不同的界面承担，用户需要在它们之间搬运素材。所谓「统一」模型，指的是把这两类工作放进同一个系统：同一个模型既能接受文本、图像、视频或参考主体作为输入，又能输出视频。

发生了什么

可灵 AI 于 2025 年 12 月 1 日发布可灵 O1^[1]。其背后的快手公司称其为全球首个统一多模态视频模型^[1]。按照发布时的说法，这一模型把生成与编辑合并在一起，可接受文本、图像、视频和主体四类输入^[1]。与它同日推出的还有可灵 Image O1^[1]。公司把这次发布作为可灵「Omni Launch Week」的开场^[2]。

关键细节

发布稿称可灵 O1 建立在「多模态视觉语言」（Multimodal Visual Language，MVL）框架之上^[1]，也就是说，它被描述为在同一套框架内处理多种视觉材料，而不是拆成若干各自专用的部件。快手在年末发布的信息中补充说，可灵 O1 带来了多模态视频编辑与视频引用（video referencing）能力，并配有主体库（subject library），用来改善人物与物体的一致性^[2]。

一致性是 AI 视频里一个常见的难点：同一个人物或同一件物品在不同镜头之间外观会发生变化，镜头一多，素材就很难接起来。按年末发布中的说法，主体库正是可灵 O1 用来应对这一问题的机制^[2]。

为什么重要

可灵 O1 被称为重要，落点在「统一」二字上。如果一个模型既能从提示生成新视频，又能把已有视频作为编辑或引用的输入，还能让同一个人物或物体在多次结果中保持稳定，那么使用者面对的就是一个系统，而不需要在生成工具和编辑工具之间来回搬运素材^[1][2]。需要说明的是，「全球首个」是快手自己对这次发布的表述^[1]，并非独立机构给出的排名。这次发布也显示了可灵产品线的走向：视频模型与图像模型同日推出^[1]，并且被安排在一周连续发布活动的最前面^[2]。