Token Dial 亮相：用滑杆连续调节视频，烟雾浓淡、动作幅度拉一下就行

用 AI 跑过视频的人大概都有过这种抓狂的经历：画面里的爆炸挺逼真，但你想要「更浓更烈」的黑烟；或者主角的动作太僵硬，你希望他跳得更激烈一点。

现在的常规做法，就是不断在提示词里加形容词，比如「massive smoke」「heavy explosion」，然后点生成碰运气。运气不好，不仅烟没变多，连画面里的人和背景都变样了。

一项名为 Token Dial（论文中写作 TokenDial）的研究框架公开了论文，试图把这种靠玄学抽卡的体验，变成拉滑杆一样简单的物理操作。

像调音台一样拉动视频参数

Token Dial 解决的问题非常直接：给文生视频模型装上连续可调的「滑杆」。

你想让爆炸的烟雾更浓，输入提示后拉一下滑杆，烟雾就逐渐变厚；想让篝火更蓝，拖动滑杆，火焰颜色就慢慢偏向冷色调。

除了调外观，它还能调动作。比如让画面里的车开得更快，或者让一个人的舞蹈动作幅度从轻微摇摆变成激烈摆动，只要往右拖动滑杆就能实现。

传统提示词调整最大的毛病，是很容易「牵一发而动全身」——为了加点烟，画面主体可能直接换了张脸，背景结构也跟着崩掉。Token Dial 的优势就在于，它在增强目标属性的同时，能很好地保住主体的身份一致性、背景稳定性以及时间上的连贯性。

往视觉 Token 里注入微小偏移

要做到这种连续调节，研究团队并没有去重训庞大的视频生成底座模型，而是抓住了模型内部的生成机制。

他们发现，在预训练视频模型中间层的时空视觉 patch-token 空间里，加法偏移实际上构成了一条语义控制方向。也就是说，只要沿着特定方向施加微小的 token 偏移量，就能连续且可预测地改变画面属性。

团队利用预训练的理解信号来学习这些偏移：外观属性依靠语义方向匹配，动作幅度则依靠运动大小缩放。因为不用动主干网络，这种做法极大地减轻了部署和训练负担。

目前研究团队已经放出了论文，项目页面上也预留了代码按钮，后续还计划开放训练代码、预训练模型权重以及 Hugging Face 在线试玩 Demo。

为什么重要

视频生成模型发展到现在，生成一段高清、好看的 5 秒切片已经不算难事，真正卡住专业创作者的，一直都是「精细可控性」。商业制作需要的是「烟雾增加 30%」「动作幅度加大一倍」这种明确的调节，而不是换一条提示词重新抽十次。

Token Dial 给出的思路很聪明。它没有试图去重新定义模型架构，也没有要求创作者从头训练一套重型工具，而是在现有扩散模型的潜在空间里找语义方向。这种轻量插拔的设计，很容易被集成到现有的视频生成工具流里。

不过，目前该项目还停留在论文和早期开源阶段，具体的开源代码与交互 Demo 仍在准备中。对于创作者来说，真正的考验在于这种滑杆在复杂多主体场景下是否依然精准，会不会在极端拉满数值时出现画面畸变。如果它能顺利落地进商业软件，视频 AI 生成才算真正从「玩具」走向了可用的「生产力工具」。