豆包视频生成大升级，网友们的脑洞终于自带音效了

hnn

 该图片可能由AI生成

先给大伙看个视频吧。

 该图片可能由AI生成

很酷炫的大片场景对吧，特效和氛围都很上头。
但如果我告诉你，这片子是纯 AI 生成的呢？AI 的飞速发展，让肉眼好像已经分不清，特效和 AI 的区别了。
但估计大多数人跟我一样，都是光看不练，或者说练过，但《从入门到入土》。
原因就一句话：这玩意太容易劝退了。
想要完成度高一点，就得自己部署个模型，搞点稳定可控的 Workflow 。但那一堆密密麻麻的参数，普通人是调不明白的。

 该图片可能由AI生成

想随便玩玩的，可以上在线网站，但效果相当于抽卡，每抽一发就要花钱。像之前网上大家刷到的 ASMR 切水果，大多都是谷歌的 Veo 之类生成的，国内的大伙也很难用上。
被折磨了许久后，世超最后的答案，是一个大伙耳熟能详的东西——豆包。
你别不信，这浓眉大眼的豆包悄悄进化了。最近，它的视频模型更新到了 Seedance 1.5 pro，而且支持了音画同步，效果媲美谷歌。用完后我只想说，想自己搓 AI 视频的朋友们，好日子来了。
具体有多强，还是看世超表演吧。
大伙都知道，以前国内大部分视频模型只能演默片，而现在，豆包的声音和画面已经配合得出神入化了。
而且我感觉最突出的特征，是它的理解力，就是不用写什么详细提示词，它会自动理解画面和文字，生成你想配的声音。
首先出场的是我们的老演员，火锅。
我们丢给它一张火锅近照，并直接跟豆包讲：“让图中的金毛进入水坑跑一圈。”

 该图片可能由AI生成

它很好地理解了我的需求，画面里的金毛和水的效果都没啥问题，还很好地区分了在地上和水里的脚步声，甚至知道是户外，配上了鸟叫，整个一生机勃勃万物竞发，理解力没得说吧。

 该图片可能由AI生成

然后我们用同样的提示词，发给谷歌的 Veo 来做了个对比。讲真，世超是觉得大差不差的，二者的物理效果和音效都很逼真，甚至俺觉得豆包更还原了手机麦克风的录音感。

 该图片可能由AI生成

为了证明不是诈胡，我又传了一张双人演奏的图，我也没告诉它哪个是吉他，哪个是贝斯。

 该图片可能由AI生成

结果出来，还真是两种动静都有，甚至还加上了鼓点。差友们可以测一下自己的听力和耳机的表现，看看能不能听见贝斯。

 该图片可能由AI生成

除了图生视频，咱还可以直接不给图，让豆包文生视频，这考验的就是豆包的想象力了。
我让它生成了一段像素风格游戏画面，哥们小的时候巨爱玩。
结果效果真的很逼真，甚至感觉比我记忆里的游戏还好，起飞和落地的碰撞粒子效果都做出来了，背景音乐也是经典的 8-bit 风格。
8-bit 像素艺术风格，勇者在夕阳背景下从左往右奔跑跳跃，带着泥土的粒子特效，画面带有复古 CRT 显示器的扫描线效果。动作流畅，配合复古 8-bit 电子游戏音乐（Chiptune）与跳跃音效，音画节奏紧密协同，完美还原红白机时代的经典游戏画面质感。

 该图片可能由AI生成

2D 游戏有了，3A 大作呢？世超也试了一下，传给它一张黑神话的游戏截图。

 该图片可能由AI生成

结果不仅画面不错，一致性也保持得很好。我们让猴哥乘上了筋斗云向天上飞去，猴哥的模型我目测来看是没怎么崩，而且还有加分项，配上了史诗级的音乐，豆老师在音乐细胞这块可真没得说啊。。。

 该图片可能由AI生成

为了考验豆包的对人脸的一致性，我们又请出了鬼畜区顶流，跟诸葛亮对喷的王朗，不过这次演的是王朗认错人的戏码。

 该图片可能由AI生成

这人物的小表情和小动作都刻画得很有味道啊，看见对方却不认识的短暂迟疑，短暂思索，还有认错人之后的尴尬解围，表演得都非常自然，脸部的一致性也保持得很好。
王朗眉头一皱，发现事情并不简单。

 该图片可能由AI生成

所以呢，整了这么多活，意思是只能发发小视频咯，能不能真有专业电影级的用途呢？
能的，能的。众所周知，影片不仅要画面精致，还得有镜头语言和台词吧。
而这些，豆包真的都能拿下。
我找了张废墟中的男人的图，让它 Cos 一下面壁者罗辑，然后让摄像头绕着罗辑转，模拟智子视角。

 该图片可能由AI生成

豆包的镜头还是很稳的，人物的脸也保持了原有的特征，再加上这性感气泡音，三体人真的不是被颜值折服的吗？

 该图片可能由AI生成

而且，你也不需要有大导演级别的用词，什么推拉摇移跟升甩降，你甚至直接可以说，我就想要个有故事感的镜头。。

 该图片可能由AI生成

于是，它就把镜头紧紧锁在金毛身上了，因为它清楚，这是主角儿。

 该图片可能由AI生成

而世超最喜欢的，其实是这次模型的面部情感表达。我叽里咕噜瞎敲了一堆提示词给它，什么心酸劳累，什么重燃希望，全喂给它了。
都市风格，中年东亚女性，特写捕捉她的脸上的劳累苦楚，随着夕阳洒在脸上，神情转为充满希望的微表情变化。人物皮肤具备真实胶片质感，浅景深背景虚化。比例 16:9，时长 10s，模型 1.5 Pro。

 该图片可能由AI生成

结果它居然表达得很好，真就给我了一种镜头里的人活了的感觉，眼里充满了这些年的辛酸与泪水。
之前说外国人的 AI 很难驾驭中文，那豆包的外语怎么样呢？
我管你这那的，先发一张美少女试试。
于是我发过去这张图片，然后让她说了一句 “ 组一辈子的乐队吧 ”。

 该图片可能由AI生成

然后复刻得非常成功，BGM 也是很有日本动漫的风格。

 该图片可能由AI生成

最让我惊艳的是，它甚至还能生成，带对话，全外语，且对上口型的动画片段。
更恐怖的是，连音色都大差不差，如果忽略后面有些 bug 的文字，我很难不认为这是原片。
帮我生成一个视频：Shot 1：中景 蟹堡王厨房海绵宝宝双手紧握铲子，眼神充满决心。海绵宝宝（声音发颤）：“i want to bring joy to others”Shot 2：特写 章鱼哥半侧脸他斜眼看着海绵宝宝，嘴角下撇。章鱼哥（低沉讥讽）：“you can't even fool yourself”。比例 16:9，时长 10s，模型 1.5 Pro。

 该图片可能由AI生成

啥意思，老二次元的春天真的来了？以后想看什么番外都能自己搓，那叫什么旮旯 game 的还得自己攻略，不好不好。
讲道理，世超上网的时候，经常看见豆包，觉得它已经够火够强了，结果这次，憋了个更大的。测完这一圈，我甚至感觉，这是豆包给自己加冕的冠军拼图了。
文字能写、图片能画、音乐能搓，现在再加上个音画同步的视频模型，也算是进化成六边形战士了。
之前咱总觉得国外的月亮圆，Sora、Veo 啥的遥遥领先，现在看来，豆包不仅赶上来了，还更懂咱们中国人的点。
以后，咱们乐子人爽了，评论区到处都是会动会说话的表情包。打工人估计也笑了，以前自己亲自拍的样片，现在给AI发几句指令就能做。
所以趁着人还不多，大伙可以赶紧去试用起来了，有什么抽象的案例，欢迎大伙给世超发过来，我倒要看看差友的脑子里装的都是什么。。。

 该图片可能由AI生成

rig

虽然但是，你好像没发视频，全是图片

lzl418569589

感谢分享！

huangstone

版区有您更精彩

whsnst996

感谢分享

meandme

谢谢分享了

aa11234

感谢分享！

badangel

牛逼啦

yvsi

睇一睇科技新闻