腾讯在AI视频生成领域迈出了重要一步，正式上线了其混元大模型的视频生成功能。这一功能是在腾讯已经实现的文本生成文本、文本生成图像以及3D生成能力之后的又一技术突破。
腾讯混元多模态生成技术的负责人凯撒在介绍中表示，此次更新的HunYuan-Video模型经历了四大核心改进。首先，引入了超大规模的数据处理系统，显著提升了视频画质。这一系统能够混合处理图像与视频数据，通过多个维度的功能，如文字检测、转景检测、美学打分等，进一步优化了视频质量。
其次，模型采用了多模态大语言模型（MLLM）作为文本编码器，提升了复杂文本的理解能力，并实现了多语言支持。这一改进使得文本与图像之间的对齐更加精确，能够根据用户提供的提示词生成符合要求的视频内容。
模型架构方面，HunYuan-Video使用了130亿参数的全注意力机制（DIT）和双模态ScalingLaw，有效利用了算力和数据资源，增强了时空建模能力，并优化了视频生成过程中的动态表现。这一架构支持原生转场，实现了多个镜头间的自然切换，同时保持了主体的一致性。
最后，腾讯自研的3D VAE架构被应用于HunYuan-Video模型中，以提升图像和视频重建的能力。这一架构特别在小人脸和大幅运动场景下表现更加流畅，进一步增强了视频的视觉效果。
与此同时，腾讯宣布将这款拥有130亿参数规模的视频生成模型进行开源，并在APP与Web端发布。用户可以在标准模式下大约120秒内完成视频生成。这一举措将极大地促进AI视频生成技术的发展和应用。
在技术升级之外，腾讯还对HunYuan-Video模型进行了多项应用拓展。通过微调、应用拓展及开源等措施，腾讯进一步强化了模型的实际应用能力。目前，HunYuan-Video正在六个关键方面进行专项微调，包括画质优化、高动态效果、艺术镜头、手写文本、转场效果以及连续动作的生成。这些微调将进一步提升模型在视频生成方面的定向能力。
HunYuan-Video还推出了Recaption模型，提供了常规模式和导演模式两种生成模式。常规模式适合专业用户进行精细操作，而导演模式则更适合非专业用户使用，通过提升画面质感、强化镜头运用等方面，帮助用户生成高质量的视频内容。
腾讯混元大模型在视频生成领域的表现也获得了认可。经过千题盲测的定量分析，混元在总体排序中以41.3%的表现领先，优于其他多个模型。特别是在处理人文场景、人工场所以及多主体组合场景时，其生成效果尤为突出。这一成绩显示了腾讯在AI视频生成领域的强大实力。
