字節跳動推兩款影片模型：PixelDance 攻克多鏡頭，Seaweed 達兩分鐘

大家等 Sora 已經等了大半年，OpenAI 還沒把大門開啟，國內外的影片生成賽道卻快被卷飛了。

上週在深圳的一場活動上，字節跳動雲業務團隊悄悄亮出了兩款自研的 AI 影片生成模型，分別叫 PixelDance 和 Seaweed。demo 影片最早是在微信上流傳開的，目前還在小範圍定向內測中。

油管博主 Tim Simmons 透露，他從匿名信源處聽說，這兩款模型能不能面向公眾開放，很可能要看 11 月美國大選的結果。說白了，政治層面的敏感因素，成了卡在上線時間表前的一道坎。

一個負責切鏡頭，一個負責憋大招

這兩款模型走的是完全不同的路線。

PixelDance 專注於人物動態，能生成 10 秒左右的短片。角色不僅能走路、轉身、撿起地上的東西，而且能和周圍環境產生非常自然的互動。

但它最絕的地方是多鏡頭切換。以前大多數影片模型只能老老實實跑完單鏡頭，機位一換，人物臉型、衣服甚至背景全跟著變形。

PixelDance 能在多角度分鏡之間，死死鎖住角色的長相、身材比例和場景細節。不僅如此，很多模型需要讀者在網頁介面上拖滑塊、點按鈕來調運鏡，PixelDance 直接靠一句文字 prompt 就能搞定 360 度環繞、變焦推進或者特寫跟隨。

它的孿生兄弟 Seaweed 則專注在環境生成和時長拉鋸上。Seaweed 單次能直接生成 30 秒的影片，甚至能進一步延展到將近兩分鐘的一致鏡頭。

從底座來看，兩款模型都長在位元組的豆包大模型家族上，底層用的是自主最佳化的 DiT 架構。官方稱對商業化場景做了專門最佳化，大幅壓低了生成成本。

為什麼重要

對創作者和影視從業者來說，PixelDance 解決的是最要命的「連續性」痛點。單鏡頭生成再驚豔，做不出連貫的分鏡敘事，在實際工作流裡就只能當素材補丁；如果靠文字就能精準控運鏡還保一致性，分鏡小樣和短劇製作的門檻會被直接打穿。

對行業而言，這場影片戰役的重心正在從「畫質有多強」轉向「時長和鏡頭控制有多穩」。快手可靈已經拿下了 260 萬用戶和 2700 萬條影片，Pika 剛剛祭出 1.5 版本靠腦洞特效刷屏，而位元組一齣手就直接把多鏡頭一致性擺上了桌面。各家都在搶在 Sora 公測前把生態位佔滿。

我們認為，位元組這一步走得極其務實。它沒有去盲目堆單條兩分鐘的長鏡頭噱頭，而是把力氣花在角色穿幫率和鏡頭語言控制上，這恰恰是商業內容生產最看重的東西。

但隱患也很現實。位元組擁有 TikTok 和抖音兩大超級流量入口，真要把這套能力塞進產品裡，爆發力不可想像。可地緣政治這把懸頂之劍，讓它在海外的落地充滿了不確定性。技術雖然做出來了，能不能順順當當交到全球創作者手裡，目前還得畫個大問號。