可靈2.0文生視頻發佈：10塊錢5秒，但效果值得_風聞

就在今天下午兩點，快手正式發佈了可靈 2.0。

作為國內文生視頻的口碑一哥，可靈生成的 AI 視頻在各大視頻平台都被創作者們廣泛應用，這次的升級發佈會吸引到了很大的關注。

從昨天官方發出的預告片就基本可以猜出，可靈 2.0 主打運動能力。

果不其然，在可靈 2.0 更新後，官方也如此解釋：可靈 2.0 的優勢在於高質量運動和指令響應。

於是，知危編輯部速速搞了一個黃金會員來試玩。

一開始，編輯部真的被可靈 2.0 的費用驚到了：一個 5s 的片段，竟然就要 100 靈感值。要知道，可靈文生圖最高清的只需要 1 個靈感值一張，可靈 1.6 的 5s 視頻只需要 35 靈感值，新版足足貴了 2 倍。換算成人民幣，可靈 2.0 一個 5s 視頻大概 10 塊錢。

當然，貴不一定是它的問題，如果生成結果足夠好，也就值了。

參考可靈 2.0 發佈會中強調的重點，我們主要測試了可靈 2.0 的這些特點：運動速度、運動幅度、複雜運動、時序響應、多模態編輯。

我們根據每個特點測試了 1 到 2 個視頻，然後看每個視頻能不能體現這些基礎特性：指令遵循、電影美學、精準風格化等。

首先是運動速度和運動幅度，我們來測試一個跑車場景。

參考圖：

提示詞：

跑車在蜿蜒道路上高速行駛，偶爾過彎時輪胎打滑，攝像機從空中移動到車輛後方追蹤沿海公路上行駛的跑車。

相機從空中持續追蹤跑車，與車輛背後保持 5 米距離，保持車輛在畫面中心。

道路兩側景觀快速後退，海面波光粼粼。

汽車廣告電影風格，景色壯觀，色彩鮮明，動感強烈。

生成結果如下：

這個生成結果不算差，但在這麼卷的 AI 視頻賽道里，這個結果也就中規中矩，跑車速度不夠快，沒有高速行駛的動態感，像是飄在公路上，背景變化幅度小，汽車表面的光影效果也一般，最後是沒有按照提示詞第一句將鏡頭做轉移。

有可能是提示詞過於複雜了，讓 AI 手忙腳亂。我們換一個場景，測試第一人稱視角的過山車場景。

參考圖：

這次把提示詞寫得簡單些：

過山車列車先爬上高點，然後從高點開始急速下降，車廂隨軌道高速移動。

第一人稱視角，相機飛行在半空中，跟隨過山車後方全程運動。

刺激遊樂設施體驗風格，色彩鮮豔，畫面快速運動感強，高清晰度，陽光照射產生閃光效果。

生成結果如下：

這次的結果很不錯！不僅實現了先升再下降的高速大幅度運動，遠處的景觀比如比如藍色海盜船、紅色屋頂小房子、摩天輪都以合理的方式拉近了物理距離。當然手稍微有點小崩，可以理解，瑕不掩瑜。

我們再換一個場景，測試電影中常見的追逐場景。

參考圖：

提示詞：

主角穿越賽博朋克世界的鬧市進行追逐，背景環境不斷變化。

主角奔跑速度均勻，不時回頭，表情緊張。

相機保持與主角相同速度跟隨，略微搖晃增加緊張感。

場景從擁擠市場變為狹窄小巷，再到開闊廣場，人羣散開。

動作電影風格，節奏緊湊，色調對比強烈，光影變化明顯。

生成結果如下：

這個效果也很棒，除了主角運動速度很快之外，還展了背景運動的大幅度變化。在主角回頭和轉身瞬間的背景模糊，和回頭後的場景的切換，都很有電影的感覺。不過有個有些滑稽的小缺點是，提示詞中只是讓主角 “ 不時回頭 ”，結果他卻直接轉身了。

追逐戲只有一個人怎麼夠刺激，再加一個。

參考圖：

提示詞：

兩名未來戰士在霓虹長廊裏前後追逐。

前方戰士快步疾跑，後方戰士窮追不捨，動作緊張有序。

鏡頭不斷變換焦點：先對準前方逃跑者，再聚焦後方追擊者。

環境光線閃爍，節奏感強烈，但場景本身保持相對穩定。

寫實電影質感，展示快速視角切換帶來的逼真動感。

生成結果如下：

這回真的翻車了，沒有實現焦點的切換，可靈 2.0 還給前面的戰士賦予了 “ 電子穿梭 ” 的能力，穿梭的戰士又從後方的戰士出現，一時間不知道誰在追誰。可能模型對 “ 未來戰士 ” 的理解就是會有這樣的超能力，視頻乍一看有些怪，細看你別説還有點像某種刻意的設定……

要體現速度，也許只靠人工動力還是太渺小了，得藉助萬有引力的力量。

我們再換一個測試場景，看一下山坡能帶來多大的速度感。

參考圖：

提示詞：

專業滑雪者從雪山頂峯滑下陡峭斜坡，速度超級快。

滑雪者身體前傾，雙腿靈活控制方向。

相機從滑雪者後方跟隨下滑，保持適當距離，偶爾切換到側面。

滑雪道兩側雪松輕微搖晃，雪花隨風飄動。

冬季運動廣告風格，明亮雪景，藍白色調為主，陽光反射效果。

生成結果如下：

效果還是不錯的，滑雪的速度有逐漸變快，雪橇踩過的雪花飛濺效果挺合理，遠景變化也沒毛病。遺憾的是，知危沒捨得花 200 靈感值來生成 10s 的視頻，不然速度肯定能更快。

山坡釋放的萬有引力勢能還是有限，我們到天上去。

參考圖：

提示詞：

跳傘者從高空飛機跳出並自由落體。

相機從跳傘者視角轉為外部觀察視角，跟隨自由落體過程穿過雲層。

雲層迅速接近，地面景觀從模糊變得清晰，風吹動衣物。

極限運動紀錄片風格，高清晰度，大場景展示，視覺衝擊力強。

生成結果如下：

非常神奇，跳傘運動員先是消失，然後在穿過一朵雲之後又出現，疑似發生了 “ 量子隧穿 ” 現象。

不過，這裏要中肯的説一句，編輯部內部反思了一下，我們的提示詞可能表述的不夠好，讓模型誤以為 “ 最開始畫面看跳傘者的人，也是一個跳傘者 ”，這樣生成的視頻的狀態就可以合理解釋了。

測試完了運動速度和運動幅度，接下來我們看一下複雜運動，這一維度主要針對主體本身的動作是否足夠複雜多樣。

比如，我們可以讓這個小哥來跳一跳專業的機械舞，把動作都設定好。

參考圖：

提示詞：

一位街舞舞者站在城市廣場上。

首先，他迅速做出一個機械舞的定格動作，關節鎖定；然後立即過渡到一個波浪式的胸部和手臂律動；最後馬上完成一個下蹲後彈跳並做出定格手勢的動作。

保持Hip-Hop節奏感和街舞特有的力量感。

相機初始保持中景拍攝，隨後在波浪動作時輕微環繞舞者，最後在彈跳動作時切換為微慢動作並適當拉近，捕捉定格瞬間。

色彩對比鮮明，舞者動作線條清晰，重要動作環節有輕微強調效果，整體節奏感強。

生成結果如下：

小哥確實展現了很多個街舞動作，主要在後半部分，比如提示詞提到的手臂律動、下蹲後彈跳、定格手勢，運鏡上展現了先環繞再拉近然後慢動作的效果。缺點就是觀感上和機械舞沒啥關係，甚至也不怎麼像街舞。可能給主體安排了過多的動作，AI 也見招拆招學會 “ 偷工減料 ” 了。

我們再加大動作難度，安排兩個舞者來跳探戈舞。

參考圖：

提示詞：

一對專業舞者在舞台上表演激情探戈舞。

舞者從靜止姿勢開始，展開一系列協調精準的舞步。

相機在舞者周圍環繞，時而靠近時而遠離，捕捉動作細節。

舞台燈光隨舞蹈節奏變化，背景燈光閃爍。

舞蹈電影風格，動作流暢精準，情感表達強烈，燈光戲劇化。

生成結果如下：

雖然看起來會有很多槽點，但忽略女舞者在轉身的時候有點過於 “ 着急 ”，總體來看舞者的動作還是很優美而專業的，運鏡也沒毛病。通常來説存在兩個主體交互的場景出錯概率都很大，至少這個案例中要接近完美已經不遠了。

複雜運動測試完，我們再看看可靈 2.0 的時序響應能力如何，時序響應即按照指令一個接一個地執行的能力，知危主要測試了做飯的場景，並直接進行了文生視頻的操作。

提示詞：

一位女廚師站在現代化廚房的料理台前，料理台上放着西紅柿，雞蛋，調料瓶，平底鍋，油，爐子等，平底鍋已經放置在爐子上加熱。

她迅速拿起一個西紅柿開始切片；

然後立即將切好的西紅柿倒入平底鍋中；

最後她馬上拿起旁邊的調料瓶往鍋中撒調料。

整個動作序列必須在5秒內流暢完成，沒有中斷或停頓，動作之間的轉換自然連貫。

生成結果如下：

額，看起來廚師拿起西紅柿沒有切，而是當成雞蛋一樣敲碎了放進去，然後在放調料的時候因為瓶蓋太緊了沒來得及打開時間就結束了。

或許我們的要求太苛刻了，要完成這些動作只用 5s 還是太緊張了，那就咬咬牙，給廚師 10s 的時間吧。我們來看看結果如何：

比之前好了一些，但是手撕番茄的毛病還是沒改，那調料瓶的時候調料瓶抽搐了一下，但是時序上的遵循確實是沒毛病。不過我們認為可能是我們短時間內要求的動作太多了。為了讓可靈 2.0 更好地完成順序指令，建議動作還是少一些，簡單一些。

最後，我們測試一下新版中比較有趣的多模態編輯功能。這個功能類似於 Gemini Flash 2.0 和 GPT-4o 的局部編輯功能，只不過這一次是視頻，複雜度更高。多模態編輯不支持使用可靈  2.0，我們用可靈 1.6 來測試。

借用推特網友的現成視頻（ 基於可靈 2.0 ），我們來做個微調。

首先是這個網友製作的摩托車越野的場景：

我們用下圖中的摩托車來替換原來的摩托車：

在 “ 替換元素 ” 選項下，先標記你需要替換的區域，基本上點擊一個摩托車的關鍵點，可靈就能識別出你要修改的是摩托車。

另外，多模態編輯的提示詞格式也很有趣，為了讓指代更加精準，提示詞已經不是純文本的形式了，而是結合了圖像和文本元素的語句。

生成結果如下：

動作一致性是很高的，就是 AI 順道把頭盔和衣服也換過來了。

我們再換一個視頻，這次採用 “ 增加元素 ” 的編輯方式。

這次是一個摩托車極限跑酷的場景：

視頻有 10s，但多模態編輯只支持 5s 視頻，就裁剪為一半，然後融入這個元素：

提示詞：

生成結果如下：

頭盔完美地戴上了，整體一致性也很強，就是運動員身體動作和背景動態都有些收斂了。

好了，測試完畢。

總體來看，可靈 2.0 還是有很多可圈點之處的，特別是運動效果和多模態編輯。比如背景變化能保證合理性和大幅度，單主體運動成功率比較高。指令遵循雖然不會 100% 成功，但實現的指令密度還是挺高的。也帶來了不少的意外驚喜，比如追逐戲中小哥的回頭瞬間，探戈舞的動作標準度。

雙主體乃至多主體運動是很有潛力的，只是失敗率太大的話，會很費錢。多模態編輯倒是能給你省省錢，畢竟一次只需要 50 靈感值，而且提示詞的設置精準度很高，這一點值得給個大讚。

多模態編輯生成結果的運動、動態、外觀有較高的一致性，細節上的偏差在所難免。至於時序響應，他的確遵循了時序，但是動作翻車了，不知道是不是我們短時間安排的動作太多了，導致有些翻車。

對了強調一下，知危的測試不代表可靈 2.0 的平均水平，本次整體安排的測試案提示詞給的都比較複雜，相機的變化幅度太大。你可以理解為針對新特性的一種極限測試，如果你稍微降低一些要求，效果會好不少。

最後提醒一下，如果你在生成時發現 5s 視頻能帶來不錯的效果，那麼可以嘗試再生成一個 10s 的，可能有驚喜。如果 5s 視頻效果差，也可能是時長不夠，AI 來不及完成，如果有 10s 完成概率就大得多，非常建議嘗試。

總之，中肯地講，10 塊錢換這樣的 5s 視頻，還算是值得的。