位元組預告音影片模型 Alive：聲畫同步一次生成，口型表情全打通

過去用 AI 做影片，最彆扭的環節從來不是畫面不夠高畫質，而是「默片配音」。你得先讓影片模型跑出一段無聲畫面，再找音訊模型配音效，最後丟進專門的工具去硬對口型，稍有偏差就像在看粗糙的譯製片。

字節跳動釋出了一篇新論文，端出了一個叫 Alive 的音影片統一生成模型。從官方預告來看，它想做的事很簡單：直接在生成畫面的那一瞬間，把同步的聲音一起給做出來。

把文本、圖片與聲音塞進同一個模型

除了最近大家關注的 Seedance 2.0，位元組在影片生成領域的佈局明顯在加快。這次公佈的 Alive 走的是統一多模態路徑，輸入端支援文本描述、參考影像和參考音訊。

也就是說，你既可以純靠一段提示詞生成帶聲影片，也可以上傳一張角色或物體的參考圖，直接把它「啟用」成一段能說話、有表情的動態畫面。

從官方放出的樣例看，Alive 生成的人物面部肌肉非常放鬆，發音時的口型匹配度極高，沒有那種機械拉扯的僵硬感。在多模態對照測試中，位元組給出了它與 LTX2、Sora 以及 VO3.1 的勝率對比圖。資料顯示，Alive 在運動連貫性、畫面美感、提示詞遵從度以及音訊質量等維度上，平均勝率都穩穩壓過了對手。

給擴散模型裝上聲畫時鐘

要在同一個模型裡把畫面和聲音同時對齊，技術門檻並不低。Alive 沒有從零硬造輪子，而是基於現有的文生影片模型進行改造，適配成類似 Sora 風格的音影片聯合生成架構。

團隊改造了業界常用的 MMDiT 架構，給它外掛了一個聯合音影片分支。其中有兩個核心技術點：一個是 TA-CrossAttn，專門負責在時間維度上把音訊和畫面特徵融在一起；另一個是 UniTemp-RoPE，像一個精準的時鐘位置編碼，確保聲音節拍和嘴唇動作分秒不差。

為了餵飽這個架構，團隊搭建了一整套音影片自動打標和質量篩選管線，最終在百萬級高質量資料上做了持續預訓練和微調。

不過，目前大家能看到的還只是預告和論文。雖然專案主頁掛出了 GitHub 入口，但倉庫裡還沒有任何開原始碼，線上 Demo 也依然標著即將上線。

為什麼重要

我們認為，AI 影片生成正在快速告別「兩道工序」的拼湊時代。過去把畫面和音效切開生成的方案，不僅流程繁瑣，而且永遠無法解決聲畫在物理層面的因果對應。Alive 證明了在擴散模型內部原生對齊音影片是完全可行的，這會倒逼其他主流玩家加速跟進原生多模態生成。

對創作者來說，真正的價值在於製作門檻的斷崖式下跌。如果一個角色只要一張靜態立繪就能同時開口說話、帶著自然環境音動起來，短劇生產和獨立動畫的製作週期會被壓縮到幾分鐘以內。

但眼下我們建議大家保持理性觀望。一方面，官方給出的對比勝率固然漂亮，但自選評測集往往帶有挑選偏向；另一方面，程式碼和 Demo 都還沒開放，百萬級多模態模型的本地部署門檻絕不會低。Alive 究竟是一次技術實力的純展示，還是一個很快能上手的生產力工具，還得看後續實際開放的成色。