字节跳动推两款视频模型：PixelDance 攻克多镜头，Seaweed 达两分钟

大家等 Sora 已经等了大半年，OpenAI 还没把大门打开，国内外的视频生成赛道却快被卷飞了。

上周在深圳的一场活动上，字节跳动云业务团队悄悄亮出了两款自研的 AI 视频生成模型，分别叫 PixelDance 和 Seaweed。demo 视频最早是在微信上流传开的，目前还在小范围定向内测中。

油管博主 Tim Simmons 透露，他从匿名信源处听说，这两款模型能不能面向公众开放，很可能要看 11 月美国大选的结果。说白了，政治层面的敏感因素，成了卡在上线时间表前的一道坎。

一个负责切镜头，一个负责憋大招

这两款模型走的是完全不同的路线。

PixelDance 专注于人物动态，能生成 10 秒左右的短片。角色不仅能走路、转身、捡起地上的东西，而且能和周围环境产生非常自然的交互。

但它最绝的地方是多镜头切换。以前大多数视频模型只能老老实实跑完单镜头，机位一换，人物脸型、衣服甚至背景全跟着变形。

PixelDance 能在多角度分镜之间，死死锁住角色的长相、身材比例和场景细节。不仅如此，很多模型需要读者在网页界面上拖滑块、点按钮来调运镜，PixelDance 直接靠一句文字 prompt 就能搞定 360 度环绕、变焦推进或者特写跟随。

它的孪生兄弟 Seaweed 则专注在环境生成和时长拉锯上。Seaweed 单次能直接生成 30 秒的视频，甚至能进一步延展到将近两分钟的一致镜头。

从底座来看，两款模型都长在字节的豆包大模型家族上，底层用的是自主优化的 DiT 架构。官方称对商业化场景做了专门优化，大幅压低了生成成本。

为什么重要

对创作者和影视从业者来说，PixelDance 解决的是最要命的「连续性」痛点。单镜头生成再惊艳，做不出连贯的分镜叙事，在实际工作流里就只能当素材补丁；如果靠文字就能精准控运镜还保一致性，分镜小样和短剧制作的门槛会被直接打穿。

对行业而言，这场视频战役的重心正在从「画质有多强」转向「时长和镜头控制有多稳」。快手可灵已经拿下了 260 万用户和 2700 万条视频，Pika 刚刚祭出 1.5 版本靠脑洞特效刷屏，而字节一出手就直接把多镜头一致性摆上了桌面。各家都在抢在 Sora 公测前把生态位占满。

我们认为，字节这一步走得极其务实。它没有去盲目堆单条两分钟的长镜头噱头，而是把力气花在角色穿帮率和镜头语言控制上，这恰恰是商业内容生产最看重的东西。

但隐患也很现实。字节拥有 TikTok 和抖音两大超级流量入口，真要把这套能力塞进产品里，爆发力不可想象。可地缘政治这把悬顶之剑，让它在海外的落地充满了不确定性。技术虽然做出来了，能不能顺顺当当交到全球创作者手里，目前还得画个大问号。