全球最大开源视频模型Step-Video-T2V一手实测

原标题：全球最大开源视频模型Step-Video-T2V一手实测
文章来源：科技未来派
内容字数：3439字

国产AI大模型强势来袭：阶跃星辰开源双模态模型，引领技术新潮流

近日，国内AI创业公司阶跃星辰与吉利汽车集团强强联手，联合开源了两款多模态大模型：Step-Video-T2V视频生成模型和Step-Audio语音交互模型，在AI领域掀起一股热潮。其中，Step-Video-T2V更是被官方宣称为全球参数量最大、性能最好的开源视频生成模型，引发广泛关注。

Step-Video-T2V：引领视频生成新高度

Step-Video-T2V凭借其卓越的性能，在视频生成领域树立了新的标杆。其四大技术特点令人瞩目：

首先，它能够直接生成最长204帧、540P分辨率的视频，确保视频内容的一致性和信息密度。其次，它采用高压缩比的Video-VAE，在保证视频重构质量的同时，将训练和生成效率提升了惊人的64倍。再次，对DiT模型进行了深入的系统优化，确保训练过程的高效性和稳定性。最后，它详细介绍了完整的训练策略，为其他研究者提供了宝贵的经验。

为了客观评估模型性能，阶跃星辰还开源了Step-Video-T2V-Eval评测数据集，涵盖了、风景、人物等11个内容类别，共计128个真实用户评测问题。评测结果显示，Step-Video-T2V在指令遵循、平滑性等方面全面超越了此前最好的开源模型。

实际测试中，Step-Video-T2V在复杂的场景描述下，例如“希区柯克式变焦镜头，废弃工厂内部，神秘人物持枪从长廊尽头迎面走来”，也能展现出优秀的镜头控制能力和细节处理，体现了其强大的技术实力。

Step-Audio：自然流畅的语音交互体验

与Step-Video-T2V同时发布的Step-Audio语音交互模型，也展现了其在语音生成领域的出色表现。其反应速度快，生成的语音自然流畅，并具备一定的情商。据悉，Step-Audio还具备高质量音色复刻和角色扮演功能，未来将在影视娱乐、社交、游戏等领域大展身手。

虽然在实际测试中，Step-Audio的表现并未展现出特别惊艳之处，但这或许与其当前的版本和应用场景有关，未来仍有很大的提升空间。

开源的意义：推动中国AI技术发展

阶跃星辰此次开源双模态大模型，不仅展现了中国AI技术的蓬勃发展，更体现了其开放合作的理念。通过开源，更多开发者可以参与到模型的改进和应用中，加速AI技术的进步，最终惠及更广泛的用户。

这不仅是技术层面的突破，更是中国AI领域走向世界舞台的重要一步，标志着中国力量在全球AI竞赛中将扮演越来越重要的角色。

未来，我们期待看到更多像阶跃星辰这样的企业，以开放的心态，推动中国AI技术持续创新，为世界带来更多惊喜。

联系作者

文章来源：科技未来派
作者微信：
作者简介：追踪人工智能新趋势，关注科技行业新突破