百度推出 MuseSteamer 视频生成模型：单图秒变电影级有声视频，重塑 AIGC 创作逻辑

2025 年 7 月 2 日，百度商业研发团队正式发布自研 AI 视频生成模型 “MuseSteamer” 及配套创作平台 “绘想”，以全球首个中文音视频一体化生成技术，打破了传统 AIGC 视频创作中 “画面与声音割裂制作” 的行业痛点。这一技术突破不仅重新定义了 AI 视频生成的标准，更将创作门槛从专业设备降维至 “一张图片” 的极简输入。

在传统视频生成流程中，“先生成画面再匹配音效” 的模式常导致声画不同步、情感表达割裂等问题。MuseSteamer 通过三大核心技术实现突破：基于亿级中文多模态数据的清洗体系，构建了更贴合中文语境的语义理解能力；独创的视频结构化描述语言，将运镜逻辑、光影变化等影视要素转化为可计算的数字指令；多目标强化学习技术则实现了画面细节、音频韵律与叙事节奏的协同优化。

这一技术实力在权威榜单 VBench I2V 中得到验证 —— 模型以 89.38% 的总分登顶全球第一，支持单张图片生成 10 秒 1080p 电影级画质视频。实测显示，其生成的人物微表情细腻度达到电影特写标准，推拉摇移的运镜轨迹符合专业影视美学，而人声台词与背景音效的融合度已能满足短视频剧情创作需求。

MuseSteamer 以 “分层赋能” 策略构建模型家族：

同步启动的 “跨次元捏合” AI 视频创作大赛，更将技术趣味性推向大众 —— 用户只需上传一张静态插画，即可生成动态捏捏乐效果的趣味视频参赛，降低技术体验门槛的同时，也为 UGC 内容生态注入新活力。

此次发布标志着 AI 视频生成从 “像素级模仿” 迈向 “语义级创作”。百度通过中文多模态数据的深度训练，解决了以往 AI 模型在中文语境下语义理解偏差、文化符号误判等问题。例如，在生成古风场景时，模型能精准匹配古筝音律与水墨画运镜，而面对现代都市题材，又能自动适配电子音效与快节奏剪辑。

有业内人士分析，MuseSteamer 的音视频一体化技术或将重塑广告制作、影视前期预览、教育动画等领域的生产流程。当 “一张图生成一支广告片” 成为可能，内容创作的效率边界正被重新定义。随着 8 月全系列版本的开放，AI 视频生成赛道的技术竞争或将进入白热化阶段。

目前，用户可通过 “绘想” 平台体验 Turbo 版的免费公测，感受从静态图像到动态叙事的 “一键升级”，而这场由技术驱动的创作革命，显然才刚刚开始。