国产智谱清影,智谱 ai

智谱清影AI视频工具获2.0更新，支持画面主体进行大幅度运动

IT之家 1 月 21 日消息，北京智谱华章科技有限公司今日发文宣布，旗下清影 AI 生视频工具获2.0更新，并全量上线，宣称“生成更可控”，支持画面主体进行大幅度运动。

IT之家附智谱清影 AI 生视频工具此次更新内容如下：

• 模型结构、训练方法、数据工程全面更新，图生视频基础模型能力大幅度提升 38%

• 生成更可控，支持画面主体进行大幅度运动，同时保持画面稳定性

• 指令遵从能力行业领先，能够理解和实现各种复杂 prompt

• 能够驾驭各种艺术风格，画面美感大幅提升

据介绍，清影 2.0 已经上线智谱清言，即日起至 2 月 5 日，智谱清言开启春节活动，可使用最新的清影 2.0 体验新春爆金币特效。另外，目前普通用户可以在智谱清言上免费试用清影工具，会员支持快速通道，还是不扣积分的无限模式。

据IT之家此前报道，智谱 AI 在去年 7 月宣布对视频生成模型进行全新升级，并正式推出新一代产品 ——CogVideoX。CogVideoX 模型已在智谱清言的 PC 端、移动应用端以及小程序端正式上线，所有 C 端用户均可通过智谱清言的 AI 视频生成功能「清影」（Ying），免费体验 AI 文本生成视频和图像生成视频的服务。

智谱发布“清影” 可30秒生成视频

“只要你有好的创意(几个字到几百个字)，再加上一点点耐心(30秒)，清影(Ying)就能生成1440×960清晰度的高精度视频。”

近日，智谱发布“清影”大模型，并面向所有用户开放。输入一段文字后(俗称Prompt)，用户即可选择自己想要生成的风格，生成充满AI想象力的视频片段，目前支持生成6秒内的视频。

除了文本生成视频，也可以到清影上玩图片生成视频。图生视频带来了更多的新玩法，包括表情包梗图、广告制作、剧情创作、短视频创作等。同时，基于清影的「老照片动起来」小程序也会同步上线，只需一步上传老照片，AI就能让凝练在旧时光中的照片灵动起来。

清影(Ying)API 也同步上线大模型开放平台，企业和开发者可通过调用API的方式，体验和使用文生视频以及图生视频的模型能力。

发布会上，智谱AI CEO张鹏表示：“本次清影底座的视频生成模型是CogVideoX，它能将文本、时间、空间三个维度融合起来，参考了Sora的算法设计，它也是一个DiT架构，通过优化，CogVideoX 相比前代(CogVideo)推理速度提升了6倍。我们将继续努力迭代，在后续版本中，陆续推出更高分辨率、更长时长的生成视频功能。”

据了解，bilibili也作为合作伙伴也参与了清影的技术研发过程，并致力于探索未来可能的应用场景。合作伙伴华策影视参与了模型共建。此外，智谱清影的算力支持来自于北京亦庄人工智能公共算力平台，聚焦建设全域人工智能之城，北京亦庄围绕“大模型+大数据+大算力”，夯实人工智能产业基础底座，也为智谱AI开展大模型研发提供了产业投资、算力补贴、应用场景示范、人才等全方位支持。

智谱AI公布清影新升级：视频生成步入“有声”时代

新京报贝壳财经讯（记者罗亦丹）今年以来，Sora带火的AI生成视频吸引了许多人的关注，年内各式各样的AI视频大模型层出不穷，但有一点是一致的：所有AI生成的视频都是一段无声的“默片”。不过这一点即将迎来改变。

11月8日，“新AI六小龙”之一的北京AI大模型公司智谱宣布，其视频生成工具清影进行了重要升级，新清影在以下5个方面实现了提升：模型能力上，在图生视频的质量、美学表现、运动合理性以及复杂提示词语义理解方面能力明显增强；支持生成 10s、4K、60 帧超高清视频；支持任意比例的图像生成视频，包括超宽画幅；新增同一指令/图片可以一次性生成4个视频的多通道生成能力；以及最重要的——新清影可以生成与画面匹配的音效，其音效功能将在本月上线公测。

根据智谱AI展示的视频，新清影生成的视频有着各式各样的音效，如出现赛车视频时的引擎轰鸣声，主角飞到空中时风刮过衣领猎猎作响的声音，以及拉小提琴时可以贴合手部动作的琴声等。

智谱AI演示视频截图，图中拉小提琴的视频为AI生成，且有声音。

智谱披露的技术博客文档显示，为视频增添声音的是其开发的多模态模型家族音效模型 CogSound，基于GLM-4V的视频理解能力，CogSound 能够准确识别并理解视频背后的语义和情感，并为无声视频添加与之相匹配的音频内容，甚至可以生成更加复杂的音效，如爆炸、水流、乐器、动物叫声、交通工具声等。

具体来看，CogSound 的音效生成能力主要得益于采用潜空间扩散模型（Latent Diffusion Model），将音频生成过程从高维的原始空间转移到低维潜空间，降低了计算复杂度，同时保持了生成音频的高质量和高效率；引入分块时序对齐交叉注意力（Block-wise Temporal Alignment Cross-attention）机制，优化了视频长序列与音频特征之间的特征匹配；整合了旋转位置编码技术，通过为序列中的每个位置提供唯一标识并捕捉位置间的相对关系，让每个视频帧的位置都拥有独特的“坐标”，在音频生成中有效提升了时序一致性，确保音频序列的连贯性和过渡自然性。

“当前，AI生成视频用于影视创作仍需要多种不同的创作工具串联使用，但基于我们多模态的最新成果，实现这种一站式原生多模态工作流，这样的前景无疑是激动人心的。”智谱方面表示。

校对 吴兴发