Meta 推出 Movie Gen：30B 影片與 13B 音訊模型，支援精準編輯與個性化生成

玩過 AI 生成影片的人大概都有體會：畫面雖然炫酷，但往往是一部無聲默片，要是想給主角換件衣服或者改個背景，常常得推倒重來，抽卡抽到崩潰。

Meta 釋出了一套名為 Movie Gen 的多媒體基礎模型，試圖把影片生成、精細編輯、角色保持和自動配音一口氣全部打包解決。

這次亮相的核心是兩個模型。負責畫面的是擁有 300 億引數的 Movie Gen Video，它基於 Transformer 架構，只要輸入一句文本提示詞，就能生成支援多種寬高比的高畫質長影片，Meta 表示這在業內屬於首次。

負責聲音的則是 1300 億引數還是 130 億？官方明確是 130 億引數的 Movie Gen Audio。這個模型能讀取影片畫面，並結合可選的文本提示詞，自動生成與畫面精準同步的擬音、環境音以及器樂背景音樂，把音影片對齊做到了前沿水平。

能精準修細節，還能拿單張照片演主角

除了常規的文生影片，Movie Gen 最引人注目的地方在於它對已有影片的控制力。

傳統的 AI 影片工具很難做到區域性微調，而 Movie Gen 支援精確影片編輯。使用者無論是輸入自己拍攝的影片還是 AI 生成的片段，都可以直接通過文本指令進行區域性修改，比如在畫面裡增加、移除或替換某個特定物體。當然，想整體更換背景或藝術風格，也同樣是一句話的事。

另一個亮點是個性化影片生成。使用者只需要上傳一張個人的真實照片，加上一段文本描述，模型就能生成以該人物為主角的影片。Meta 強調，該模型在保持人物面部特徵與自然動態方面取得了業內領先的效果。

為了檢驗這套工具在專業領域的表現，Meta 找來了知名製作公司 Blumhouse 合作，邀請多位專業導演提前體驗。曾執導《網路謎蹤》的導演 Aneesh Chaganty 還專門用 Movie Gen 製作了一支名為《i h8 ai》的短片，從專業創作者的視角測試這套工具的邊界。

為什麼重要

我們認為，Meta 這次展示 Movie Gen，其實是給當前還在卷畫面解析度的 AI 影片賽道換了個競爭維度。

過去大半年的 AI 影片工具，各家都在拼誰生成的畫面更逼真，但實際工作流極其割裂：先在影片模型裡生成畫面，再匯出到音訊工具裡找音效，如果遇到穿幫鏡頭，唯一的辦法就是重新抽卡。Movie Gen 聰明的地方在於，它把音效生成、區域性修改和角色一致性做成了一個閉環，直擊影片創作者在剪輯臺上的真實痛點。

對於創作者而言，如果這項技術能落地，普通人也能用自然語言完成調色、換景和加音效等專業後期工作，門檻被大幅拉低。影視團隊則可以用它快速製作動態分鏡和概念預覽。

不過，目前 Movie Gen 還處於研究階段，Meta 僅表示在結合專業反饋推進後續的潛在釋出計劃。考慮到 300 億引數的影片模型加上 130 億引數的音訊模型，其背後的算力成本和推理開銷註定極其高昂。普通使用者短期內恐怕很難隨時隨地用上，它最終是以獨立工具推出，還是縮水後塞進 Meta 旗下的社交軟體裡，依然有待觀察。