又一個電影級的視頻模型出現了，這一次是百度。
話不多說，先來看效果。
7 月 2 日，百度正式發布視頻生成模型 MuseSteamer，這是國內首個支持聲畫同步的視頻生成模型。從技術參數來看，MuseSteamer 支持最長 10 秒視頻生成、最高 1080p 分辨率，具備音視頻一體化生成能力，并推出了 Turbo、Lite、Pro 三個版本以覆蓋不同應用場景。
技術實現了畫面與音效、人聲臺詞的協同創作，徹底打破傳統 AIGC 視頻 " 先畫面后配音 " 的割裂流程。在權威榜單 VBench I2V 中，MuseSteamer 以 89.38% 總分強勢登頂全球第一。
這一觀察頗具行業價值。過去一年，視頻生成模型賽道異常火熱，從 OpenAI 的 Sora 到字節的 PixelDance，從快手的可靈到智譜的 CogVideoX，各家都在技術指標上激烈競爭——更長的時長、更高的分辨率、更強的一致性。然而隨著技術逐漸成熟，商業化落地成為了一個關鍵難題。大多數模型仍停留在技術展示階段，距離真正的商業應用還有相當距離。
百度這個從商業場景中 " 長出來 " 的視頻模型，能否在商業表現上更勝一籌，離商業化更近一步？帶著這個問題，我們對 MuseSteamer 進行了一手評測。
第一部分：一手實測，當 MuseSteamer 遇見 " 甲方爸爸 "
實測的部分，我們并沒有選擇常規的技術指標測試，而是挑選了廣告主和商家的真實需求場景，來驗證 MuseSteamer 的生成結果是否真正可用。
需要說明的是，「繪想」作為百度推出的 AI 創作平臺，既面向 C 端用戶提供創作工具，也為 B 端客戶提供商業化的工具。只是我們今天的評測重點放在了商業化應用上，畢竟在 AIGC 商業化的關鍵節點，行業需要的不僅僅是技術指標的突破，更需要能夠滿足這些真實商業需求的實用工具。
能否真正解決商家的實際問題、創造商業價值才是檢驗模型可用與否的核心標準。
我們從中選取了三個最具代表性的場景進行測試：汽水廣告的動感表現、奢侈品廣告片的質感呈現，以及小說投放中 " 讓文字動起來 " 的創意需求。
首先是汽水廣告視頻測試，我們的目標是呈現炎熱夏日中汽水的清涼質感。原始圖片構圖復雜：前景是一瓶汽水，背景虛化處有 4 個人在泳池中嬉戲，畫面中還疊加了大量中文字體。這對模型提出了多重挑戰：準確識別主體對象、合理安排運鏡路徑、處理景深虛焦效果，以及協調人物動作的自然性。
第二個測試場景難度顯著提升——我們從靜物展示轉向了動態人物操作。測試內容是奢侈品工匠精心打磨拉鏈的場景，旨在通過細膩的手工工藝展現品牌的工匠精神。為了更客觀地評估效果，我們選擇了市面上另一款主流視頻生成模型作為對比，在相同提示詞條件下進行生成。
MuseSteamer 在這一場景中展現出了更為成熟的敘事節奏把控。模型智能地采用了慢鏡頭推進的展示方式，工匠的打磨動作舒緩而有力，符合奢侈品廣告中常見的 " 時間藝術 " 表達手法。隨著鏡頭的緩慢推進，皮夾的材質紋理和拉鏈的金屬光澤得到了細致的放大呈現。
相比之下，對比模型在處理同一場景時出現了明顯的節奏失控—，工匠的打磨動作過于急促，幾乎不符合現實操作的頻率。
當然，真實的商業需求往往超出普通創作者的測試范圍。搜索場景中存在大量長尾需求，這些長尾需求可能連素材都很難找，但是視頻生成模型通過對于內容的理解和生成，其實是容易把這種視頻生成出來的。
同時我們也測試了動漫效果，比較符合現在年輕人的審美。我們虛構了一個經典的動漫戰斗場景：讓主角在危急時刻釋放雷電大招，周圍的路人驚慌失措四散逃竄。
從生成結果來看，MuseSteamer 對二次元場景的理解相當到位。雷電特效的渲染極具真實感，電光的閃爍、分叉走向都很自然，完全沒有那種生硬的 CG 感。人物的逃跑動作也很流暢，整個畫面的動漫風格保持得很統一，既有日系動畫的精致感，又帶有一些現代 3D 渲染的質感。
經過多個場景的深度測試，我們發現相比于其他視頻模型，MuseSteamer 在商業展示領域有一定優勢——生成的內容往往能夠達到直接投放使用的程度。這種 " 開箱即用 " 的商業化成熟度，與其背后大量商業廣告訓練數據的積累密不可分。
目前，繪想平臺優先推出 turbo 版，支持 5s 直接生成視頻能力，8 月份將陸續上線 Lite、Pro 和有聲版本，屆時將覆蓋從成本敏感型到專業制作級的全場景需求。從我們的測試體驗來看，這個從商業需求中 " 野蠻生長 " 出來的模型，正在用實用主義的路徑，為 AIGC 視頻的商業化落地提供新的思路。
第二部分：需求驅動的迭代邏輯
在視頻生成模型的發展浪潮中，行業正在分化出兩條不同的發展路徑。一條是技術驅動路徑，專注于追求模型參數、生成質量、一致性等技術指標的突破；另一條是商業驅動路徑，以解決實際業務問題為出發點進行產品開發。
這兩種路徑背后反映的是一個根本問題：我們到底為什么需要一個視頻生成模型？是為了技術展示和娛樂體驗，還是為了創造實際的商業價值？
MuseSteamer 選擇了后者。這個模型誕生于百度商業體系的具體需求場景，而非實驗室的技術探索。當短劇投放、奢侈品廣告、小說推廣等業務場景對視頻內容提出具體要求時，技術團隊發現現有的外部模型調用周期無法滿足快速迭代的業務需求，于是決定自研解決方案。
MuseSteamer 團隊負責人點明了需求驅動的優勢體現在快速反饋機制上。這種反饋機制推動了產品的快速迭代。當市場提出動漫風格需求時，團隊發現原有數據中動漫相關素材相對較少，用一個多月的時間補充數據并調整模型參數，快速滿足了市場需求。運鏡功能的開發更能說明這種快速響應模式。最初商業廣告創意要求相對簡單，但隨著廣告主創意需求的演進，運鏡需求開始大量涌現。
面對這一需求，團隊需要解決的不僅是技術實現問題，還包括用戶表達問題。團隊開發了一套模型來自動優化 prompt 中的運鏡描述，并讓訓練數據理解運鏡邏輯，整個開發周期用了兩周時間。這種快速迭代能力來源于商業場景對效率的現實要求。
劉林介紹到，MuseSteamer 通過 " 篩選 - 凈化 - 配比 " 進行數據準備，10 億 + 多源異構數據、三級標簽體系、ActiveLearning 保障更高級的畫面質感。多目標反饋的強化學習調優確保了生成視頻在具備更大動作幅度的同時保持主體一致性。在 " 懂審美 " 方面，團隊引入美學條件控制調優，通過隱式批判學習和影視標準嚴選，讓模型懂美、創造美。
基于對市場需求的分析，MuseSteamer 采用了差異化的產品策略。團隊推出了完整的模型家族：Turbo 版作為全能模型，5 秒視頻生成耗時僅 2 分鐘，支持 720p 清晰度，覆蓋大多數創作場景；Lite 版面向成本敏感用戶，同樣支持 720p 清晰度，但具有極速生成速度和極低價格；Pro 版則是 1080p 高清版本，具有更高畫質和更細膩的審美表現，適合專業影視級創作。
在技術創新方面，MuseSteamer 最突出的特點是其音視頻一體化生成能力，這使其成為國內首個實現聲畫同步的視頻生成模型。劉林在演講中強調：" 傳統 AIGC 視頻創作實踐中，往往是先生成視頻，再進行配音和配音效。割裂的創作環節不僅消耗大量時間，更會削弱作品的完整藝術表達。MuseSteamer 創新性支持一體化生成帶有音效和人物臺詞的視頻。"
這種技術突破不僅高效滿足了商業需求，也為更廣泛的 C 端場景提供了全新可能。在電影拍攝領域，MuseSteamer 的 " 鏡頭平權 " 理念正在重新定義創作門檻。劉林提到：" 運鏡能力也是考驗影視創作業余與專業的分水嶺，MuseSteamer 為每個創作者提供了 ' 鏡頭平權 ' 的可能性。試想當每個創作者都能調用塔可夫斯基的鏡頭詩意，我們將見證怎樣的創意爆發？"
對于獨立電影制作者和內容創作者而言，MuseSteamer 提供了前所未有的制作可能性。" 不需要復雜的片場布景、不需要專業的特效后期，MuseSteamer 僅僅依靠 18 張圖片，就能完成在傳統影視行業百萬級的專業制作效果。" 這種能力對于預算有限的創作者來說具有革命性意義。
從更廣闊的視角來看，AIGC 行業正在經歷從 " 技術驅動 " 向 " 應用驅動 " 的轉變。MuseSteamer 的成功在于驗證了一種可能性：當技術服務于明確的商業需求時，產品的實用性和市場接受度會顯著提升。同時，這種在商業場景中錘煉出的技術能力，反過來也為 C 端用戶提供了更強大、更實用的創作工具。
而這種變化，最終將推動整個行業從技術展示走向價值創造，從概念驗證走向規模化應用。
