豆包视频生成模型于 9 月 24 日在火山引擎 AI 创新巡展深圳站发布。该模型采用高效的 DiT 融合计算单元，可更充分压缩编码视频与文本，全新设计的扩散模型训练方法带来了一致性多镜头生成能力，深度优化的 Transformer 结构大幅提升视频生成的泛化性。

现场还发布了豆包音乐模型、豆包同声传译模型，另有豆包大模型家族升级。本文介绍了活动发布的核心亮点。

9 月 24 日，2024 火山引擎 AI 创新巡展深圳站带来了豆包大模型最新进展。

现场重点发布了豆包视频生成模型、豆包音乐模型、豆包同声传译模型。

此外，豆包通用模型 pro 和文生图模型、语音合成模型等垂类模型也迎来升级。

1. 两款视频生成模型重磅发布，提供影视级视觉感受

本次活动带来豆包视频生成-PixelDance 、豆包视频生成-Seaweed 两款大模型，现已面向企业市场开启邀测。

豆包大模型团队

，赞23

高效的 DiT 融合计算单元，可更充分地压缩编码视频与文本，加之全新设计的扩散模型训练方法，带来了多镜头切换保持一致能力。在此基础上，团队还优化了扩散模型训练框架和 Transformer 结构，大幅提升视频生成的泛化性。

上述技术优势具体表现在如下方面：

豆包视频生成模型可以遵从复杂的用户提示词，精确理解语义关系，解锁时序性多拍动作指令与多个主体间的交互能力。

，时长00:10

提示词：一名中国男子端起咖啡喝了一口， 一名女子走到了他身后

，时长00:10

提示词：一对长头发的外国男子和女子在骑马驰骋

运镜是视频语言的关键之一。豆包视频生成模型可以让视频在主体的大动态与镜头中炫酷切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头话语言能力，灵活控制视角，带来真实世界的体验。

，时长00:10

提示词：一名亚洲男子带着护目镜游泳，身后是另一名穿潜水服的男子

，时长00:10

提示词：一位女性喝了一口咖啡，然后端着咖啡，带着伞走了出去

一致性多镜头生成是豆包视频生成模型的一项特色能力。在一句提示词内，实现多个镜头切换，同时保持主体、风格和氛围的一致性。

，时长00:10

提示词：一个女孩儿从汽车上下来，远处是夕阳

，时长00:10

提示词：一名外国男子在冲浪，对着镜头竖起大拇指

豆包视频生成模型支持丰富多样的题材类型，以及包括黑白、3D动画、2D动画、国画、水彩、水粉等多种风格。同时，模型涵盖1:1、3:4、4:3、16:9、9:16、21:9 六个比例，充分适配电影、电视、电脑、手机等多种场景。

，时长00:10

提示词：梦幻场景，一只白色的绵羊，带着弯弯的角

，时长00:05

提示词：水墨风格的鸟，比例 16:9

2. 全新音乐模型、同声传译模型，满足多样需求

豆包视频生成模型之外，本次活动还发布了豆包音乐模型以及豆包同声传译模型。

豆包音乐模型采用独特的技术方案，实现了音乐生成的通用架构，从词曲唱三个方面来生成高质量的音乐作品。

仅需要输入几个字，就能生成情感表达精准的歌词，并且提供 10 余种不同的音乐风格和情绪表达，让旋律的演绎更丰富。

模型还支持图片成曲、灵感成曲、写词成曲多种创作方式，降低创作门槛，让人人都能“玩”音乐，不再是一句口号。

，时长00:27

豆包同声传译模型采用端到端的模型架构，让翻译高精准、高质量，时延更低，还支持音色克隆，媲美真人同传效果，在很多专业场景上甚至比真人表现更好。

，时长00:21

赤壁赋同声传译能力展示

3. 多个模型升级，综合表现大提升，细分场景更强劲

全新模型发布之外，豆包大模型家族也迎来升级。

其中，主力模型“豆包通用模型 pro ”在 8 月底完成升级，面向 MMLU-pro 数据集综合能力提升 25% ，在各个维度均处于国内领先。

特别是数学能力和专业知识方面提升超过 35% ，指令遵循、代码等能力也在持续提升。面对复杂工作和生产场景，豆包的表现更加游刃有余。

值得一提的是，豆包通用模型 pro 的上下文窗口也进行了升级。原 pro 4k 版本将直接升级到 32k ，原来的 128k 版本将升级至达到 256k 。新窗口大小能处理约 40 万汉字，可将《三体》一口气读完。

语音合成模型也同样进行升级，上线了超强混音能力。

该能力基于 Seed-TTS ，可将不同角色和特征的声音进行混合，最终呈现效果非常自然，在连贯性、音质、韵律、气口等各方面表现媲美真人，可应用于沉浸式听书、陪伴式 AI 交互、语音导航等场景。

文生图模型也进行了迭代。

该版本模型采用了更高效的 DiT 架构，显著提升模型的推理效率和整体性能。尤其在复杂图文匹配、中国文化理解、极速模型出图方面表现突出。

具体来说，新模型能够精确呈现各类复杂场景的图文匹配关系。

面向现实场景，可实现多数量、多属性、大小、高矮、胖瘦和运动 6 类图文生成难点的精准匹配，生成内容更符合物理世界规律。

提示词：一个满脸胡须的男人拿着笔记本电脑，一个红色卷发的女人拿着平板电脑。

面向想象场景，模型在概念组合、角色创造和虚拟空间塑造方面展现出更强能力，尤其擅长生成奇幻小说和创意设计中的视觉画面。

提示词：卡通风格插图，二哈头上戴着一顶淡蓝色的棒球帽，戴着墨镜，一手拿着咖啡一手插兜。翘着二郎腿，坐在咖啡店前。

在中国古代绘画艺术的理解和呈现方面，模型也进行了升级，可更好地表现不同技法，如工笔画、写意画等。

提示词：画一幅山水画，千里江山风格。

至于工程方面，团队进行了工程全链路优化。同等参数下，推理消耗是 Flux 的 67% ，模型最快能做到 3 秒出图。

4. 写在最后

截至 9 月，豆包大模型的日均 tokens 调用量超过 1.3 万亿，4 个月的时间，整体增长超过 10 倍。

回顾本次发布，从视频生成模型、音乐模型及同声传译模型的发布，到文生图、语音合成方面的升级，豆包大模型家族成员更加丰富，模型能力持续升级，为多模态、多元化方面的落地应用打下了良好的基础。

其背后，是豆包大模型团队基于字节跳动丰富的业务场景，在基础模型研发上全面投入和发力。

豆包大模型团队将继续推进模型能力的不断升级与迭代，为产业界带来更多惊喜，敬请期待。