不想等《沙丘》第三部了？自己上手做一个。
放在以前，光是要让这些演员不走形、不崩坏，都要费半天劲。现在只需要丢一张截图给 AI，就可以开始做电影了。
这是海螺 AI 上线的「主体参考」功能，由全新的 S2V-01 模型提供底层技术支持，可以精准识别所上传图片中的主体，并设定为所生成视频的角色。剩下的，只需要简单的 prompt 指令，就可以随意发挥。
▲来自 X 用户@KarolineGeorges 的创作，面部信息精准保留
▲来自 X 用户@Apple_Dog_Sol 的创作，呈现多元主体
「主体参考」怎么就这么牛了
有一说一，「主体参考」的功能很多厂商都在做。但并非每一家都能攻破这项功能所涉及的难点：稳定、连贯，运动起来依然一致。
别人可能不行，但海螺 AI 可以。只需要一张图片，就能准确理解人物特征，识别为主体，随后让人物出现在各种场景和环境里。
上一秒还在拯救世界的蜘蛛侠，下一秒就骑上机车了。
本来应该在权游里训龙的龙妈，一转眼在逗小狼。
「主体参考」的突破性进展在于实现了创作自由度和还原度的完美平衡。这就像是给了创作者一个「万能演员」，这位演员的外形不会崩坏，而是能随着动作、姿态自然地变化，还能根据导演的要求，在任何场景中表演任何动作。
不仅是新功能，更是独特的技术方案
实测下来的感受是：主体参考是一个截然不同的功能，跟文生、图生所实现的效果并不一样，背后所涉及的技术难点不同，对技术思路的要求也不同。
传统的图生视频，只是让静态的图片动起来，而且主要是局部的改动。以这张宋慧乔的剧照为例，图生只是把原来静态的图片变成了动态，而且范围有限，不会有很大的动作。
▲ 原始剧照
▲ 基于图生视频的成片
同一张照片，「主体参考」却能基于 prompt 的文字，形成一个完整的片段，动作自由的同时，面部特征依旧稳定实现。
▲ prompt：暖调室内打光，剧院观众席中，主人公身穿黑色西装，坐在中排靠左的位置。她的表情充满专注，时而露出轻松的微笑，双手鼓掌，动作自然且富有节奏感。镜头从主人公侧面开始，捕捉她身边其他观众的剪影和暗淡的座椅纹理，强调环境的层次感。随着镜头推进，主人公站起来。
以人物为主体生成视频，目前有两种技术路线。一种是基于 LoRA 技术，对预训练的大型生成模型，进行特定微调。LoRA 在生成新视频时，需要大量计算。这就导致用户必须上传同一主体、不同角度的素材，甚至精确到单个片段需要具备哪些不同的元素，才能保证生成质量。同时还需要消耗大量的 token，以及漫长的等待时间。
基于大量的技术探索，MiniMax 选择了基于图片参考的技术路线：图片包含的视觉信息最准确，从图片出发，符合物理拍摄的创作逻辑。在这个技术路线中，画面的主人公是所有视觉信息中，模型最优先识别的——无论接下来出现什么画面、无论什么情节，主体都需要保持一致。
而其它的视觉信息则更加开放，由文字 prompt 进行控制。这样一来，就能实现「精准还原+高自由度」的生成目标。
▲山谷的空地中，主人公站在巨龙前，长发随风飘动。镜头逐渐拉升，捕捉主人公转身看向远方的动作，巨龙的翅膀展开，吹动主人公的头发和她的裙摆，画面最终以俯拍收尾
这段视频里，只传给了模型一张龙妈的图片。最终呈现出来的视频中，模型准确呈现了 prompt 中涉及的镜头语言、画面元素，体现出极强的理解能力。
图片参考的技术路线，相比于 LoRA 方案，肉眼可见的减少了用户上传的素材，数十段视频化为一张图片。同时等待时间以秒计算，体感上和文字生成、图片生成所花的时间差不了多远——既有图生视频的准确，又有文生视频的自由。
国产之光，满足你的「既要又要」
「既要又要」并不是过分的要求。只有同时实现人物形象的准确一致和自由活动，才能让模型走出整活、做梗图的范畴，在行业应用场景中，具有更广泛的使用价值。
比如在产品广告中，一张模特图，直接针对多种产品生成视频，只需要改变 prompt 就能实现。
如果用图生视频的方式来实现，目前的主流方案是设置首尾帧，可以实现的效果也被已有图片限制住了。同时还得要反复抽卡，收集不同的角度，最后再把素材拼接在一起，才能完成一组有长度的镜头。
结合不同技术的特点，更加符合视频创作的工作流程，正是「主体参考」的优势。未来，超过 80% 的营销从业者会在不同的环节用到生成式工具，他们只需要专注在故事和情节构思上，解放抽卡的双手。
Statista 的统计显示，2021 年时广告营销的生成式 AI 产品市场规模已经超过 150 亿美元。到 2028 年时这个数字将达到 1075 亿美元。以往的工作流里，纯粹的文生视频有太多不可控，适合用在创作初期。欧美的广告营销行业里生成式 AI 已经非常普遍，其中 52% 的用例是在初稿、策划，48% 用于头脑风暴。
目前，海螺 AI 先开放的是对单个人物的参考能力，未来，将会拓展到多人、物体、场景等更加丰富的参考能力，进一步解放创造力，正如海螺的 slogan 所提出的，「每个想法都是一部大片」。
自从去年 8 月，MiniMax 发布视频模型以来，从生成画面品质、流畅度，到一致性和稳定性等方面，在海外持续吸引着大量用户的关注和体验，其中不乏有影像创作经验的从业者，收获了大量正面反馈和专业认可。
在过去一年多的技术竞争中，AI 视频生成领域的竞争格局初步展现。Sora 的实现效果使人们看到视频生成这一领域的潜力，随后各大科技公司，在这一领域纷纷投入资源，重金研发。
随着年底 Sora 产品推出延迟、以及用户试用的口碑平平，未能满足市场期待。这也给了其它玩家抢占市场的机会。
如今，在生成式视频即将走入下半场之时，如今真正展现出技术实力和发展潜力的只有三家：MiniMax 的海螺 AI、快手的可灵 AI、以及字节的即梦 AI 。
作为一家成立刚刚 3 年的初创公司，MiniMax 以精悍干练的初创公司体量，带来足以跻身 T0 水准的产品和技术。从去年 12 月的图生视频模型 I2V-01-Live，到现在的 S2V-01 新模型，都在解决以往视频生成中的棘手难题。
随着技术的不断成熟和应用场景的逐步扩大，视频生成 AI 会在内容创作、影视制作、营销传播等领域掀起新一轮革命。这几家代表着中国视频生成 AI 领域最高水平的厂商，除了继续领衔国内市场，更有望在全球范围内与国际巨头展开竞争。与此同时，如何在保持技术创新的同时，确保产品的稳定性和可控性，将是这些企业面临的持续挑战。