全球首個多模態(tài)視頻與圖像創(chuàng)作工具“可靈O1”近日正式發(fā)布，標志著視頻創(chuàng)作領(lǐng)域迎來重大突破。該工具以自然語言為核心指令框架，整合視頻、圖像、主體等多維度描述，將生成與編輯功能集成于統(tǒng)一平臺，為用戶提供從創(chuàng)意構(gòu)思到成品輸出的全流程解決方案。

作為首款大一統(tǒng)多模態(tài)模型，可靈O1基于多模態(tài)視覺語言（MVL）架構(gòu)，突破傳統(tǒng)單一任務模型的局限。其核心引擎支持參考生視頻、文生視頻、首尾幀生成、視頻內(nèi)容增刪、風格轉(zhuǎn)換等十余種功能，用戶無需切換工具即可完成復雜創(chuàng)作流程。模型具備深度語義解析能力，可綜合理解照片、視頻或主體特征，精準還原細節(jié)信息。例如，用戶輸入“移除畫面中的行人”或“將場景從白天改為黃昏”，系統(tǒng)會自動完成像素級重構(gòu)，無需手動標注關(guān)鍵幀。

針對AI視頻創(chuàng)作中角色與場景一致性難題，可靈O1通過強化底層理解機制實現(xiàn)突破。模型能像專業(yè)導演般“記憶”主角、道具及場景特征，確保鏡頭切換時主體保持穩(wěn)定。在多主體融合場景中，系統(tǒng)可獨立鎖定每個角色特征，即使面對復雜群像戲或互動畫面，仍能維持工業(yè)級精度。例如，用戶可將不同主體與參考圖自由組合，模型自動協(xié)調(diào)各元素關(guān)系，生成自然流暢的視覺效果。

該工具的創(chuàng)新性體現(xiàn)在“技能組合”功能上。用戶可同時下達多重指令，如“在添加新主體的同時修改背景”或“基于參考圖生成時調(diào)整畫面風格”，實現(xiàn)創(chuàng)意的疊加呈現(xiàn)。時間維度方面，創(chuàng)作者可自由定義3-10秒的敘事時長，無論是短促的視覺沖擊還是長鏡頭敘事，均能精準控制。即將上線的首尾幀功能將進一步擴展時間軸選擇范圍，增強故事張力。

同步推出的可靈圖像O1模型構(gòu)建了完整的圖像創(chuàng)作鏈路。用戶既可通過文本描述生成基礎(chǔ)圖像，也能上傳最多10張參考圖進行融合創(chuàng)作。該模型具備四大優(yōu)勢：特征穩(wěn)定性確保主體元素不偏移；細節(jié)響應機制使修改符合預期；風格調(diào)性控制維持畫面統(tǒng)一性；超強想象力賦予創(chuàng)意更多可能性。例如，在服裝設(shè)計場景中，用戶上傳實拍圖后，模型可精準還原面料質(zhì)感，批量生成不同角度的展示視頻。

實際應用場景中，可靈O1展現(xiàn)出強大適應性。影視制作團隊可利用其主體庫功能鎖定角色特征，快速生成連貫分鏡；自媒體創(chuàng)作者通過對話式指令即可完成視頻后期處理，如智能修補畫面瑕疵或調(diào)整色彩基調(diào)。廣告電商領(lǐng)域，該工具大幅降低實拍成本——用戶上傳商品圖、模特圖及場景圖后，系統(tǒng)能自動生成多版本廣告視頻，解決模特約拍、背景更換等難題。某服裝品牌測試顯示，使用可靈O1制作的虛擬走秀視頻，其細節(jié)還原度達到專業(yè)拍攝水平的92%。

技術(shù)層面，可靈O1的突破源于底層架構(gòu)創(chuàng)新。全新視頻模型通過多模態(tài)Transformer與長上下文理解機制，實現(xiàn)了生成、編輯、理解三大功能的深度融合。這種統(tǒng)一底座設(shè)計不僅提升了運算效率，更開創(chuàng)了視頻創(chuàng)作工具的新范式。據(jù)開發(fā)團隊透露，后續(xù)版本將增加4K分辨率支持及3D場景生成功能，進一步拓展創(chuàng)作邊界。