OpenCV 創始人創辦 CraftStory：推出 Model 2.0，支援 5 分鐘長影片

現在的 AI 影片工具，視覺效果再震撼，大多也只能撐個五到十秒，OpenAI 的 Sora 2 撐死也就 25 秒。稍微長一點的演示或教程，基本全靠後期拼接。

計算機視覺庫 OpenCV 的原班團隊出來創業了。週二，由 OpenCV 創始人兼執行長 Victor Erukhimov 創辦的 AI 影片公司 CraftStory 宣佈走出隱身狀態，同時拿出了首款模型 Model 2.0，直接把以人為核心的影片生成長度拉到了整整 5 分鐘。

有意思的是，與動輒融資幾十億美元的大廠相比，CraftStory 這次僅拿到了 200 萬美元的早期投資，資金幾乎全部來自 Wrike 前創始人 Andrew Filev。他們想用一套完全不同的打法，證明堆算力並不是唯一的出路。

拆開跑的並行擴散架構

行業裡做長影片最大的痛點，就是畫面崩壞。主流模型一般是在時間軸上逐步序列生成，前幾秒一旦出現手指扭曲或面部變形，這個錯誤就會像滾雪球一樣在後續幀裡不斷放大，最後完全失控。

CraftStory 換了個思路，做了一套並行擴散架構。它不是生成一段再拼一段，而是在整整 5 分鐘的時間軸上，同時執行多個較小的擴散演算法。更關鍵的是，這些演算法之間存在雙向約束，影片後面的畫面甚至可以反過來修正前面的動作，徹底阻斷了瑕疵的連續蔓延。

資料來源也很有講究。CraftStory 沒有像別家那樣無底線抓取網際網路影片，而是自己掏錢租攝影棚，請專業演員在高速高幀率攝像機前錄製動作。團隊特別強調，普通網路影片自帶 30 幀的動態模糊，手部動作很容易糊掉，而定製的高幀率素材能把手指關節的運動細節交代得清清楚楚。

目前的 Model 2.0 走的是影片驅動影片路線。使用者需要上傳一張人物靜態圖，再配上一段用來指導動作的「驅動影片」。你可以上傳自己的動作，也可以直接用官方預設的專業演員庫，那些提供動作資料的演員還能從中拿到分成。此外，系統還配有口型同步演算法和根據語調節奏對齊的手勢匹配系統。

不過，現在的代價也相當明顯。在當前版本下，生成一段低解析度的 30 秒片段，大概需要足足 15 分鐘。

為什麼重要

我們認為，CraftStory 最聰明的點在於它放棄了全能路線，精準切入了一個極具商業價值的現實窄道：企業培訓、客服教學和產品帶貨演示。這些場景不需要天馬行空的電影級特效，但極度需要一個真人連貫、自然地講上兩三分鐘。

對於創作者和企業員工來說，現在它還算不上一個傻瓜式工具。雖然 5 分鐘的長度足夠做完一整節微課，但 15 分鐘渲染 30 秒的低清速度，意味著它的算力門檻和等待成本依然很高，短期內更適合專業營銷團隊在後臺批次跑，普通人可以先保持觀望。

從行業競爭來看，這是一次教科書般的以小博大。OpenAI 最新的單輪融資就超過了 60 億美元，而 CraftStory 只靠 200 萬美元就把影片長度拉到了大廠的數倍。這向整個行業證明了一件事：在高質量私有資料和精巧的架構面前，無腦堆砌公共資料和算力並不是唯一的解法。大模型實驗室接下來很可能會被迫重新評估序列生成的邏輯，轉向類似的並行長影片方案。