字节全新发布豆包AI视频模型，AI多模态有望迎来爆发期.pdfVIP

目目录录

01豆包全新AI视频模型发布

02AI多模态产业链梳理

03风险提示

资料来源：火山引擎发布会，国信证券研究所整理

请务必阅读正文之后的免责声明及其项下所有内容

11..11豆豆包包AAII视视频频模模型型全全新新发发布布

9月24日，字节跳动旗下火山引擎在深圳举办AI创新巡展，一举发布了豆包视频生成-PixelDance、豆包视频生成-

Seaweed两款大模型，面向企业市场开启邀测。

新的模型在语义理解能力、多个主体运动的复杂交互画面、多镜头切换的内容一致性方面均有着非常大的突破，大幅度

改善过去ai视频不够连贯真实的问题。火山引擎总裁谭待表示，视频生成有很多难关亟待突破。豆包两款模型会持续

演进，在解决关键问题上探索更多可能性，加速拓展AI视频的创作空间和应用落地。

图1：豆包AI视频模型发布现场

资料来源：火山引擎发布会，国信证券研究所整理

请务必阅读正文之后的免责声明及其项下所有内容

11..22三三大大全全新新特特点点————可可以以做做连连续续动动作作的的人人物物表表演演

Ø可以做连续动作的人物表演：解决过去AI视频人无法做复杂动作的难点

Ø过往，AI视频由于连贯性难点一直无法解决，看起来更像PPT动画。不管是Sora、runway等头部厂商，在展示中

只具有镜头幅度大的能力，无法展示人的复杂动作。

Ø本次豆包全新模型在AI生成人物表演视频方便迎来大幅度提升。

图2：连续动作的人物表演展示视频截图

资料来源：火山引擎发布会，国信证券研究所整理

请务必阅读正文之后的免责声明及其项下所有内容

11..22三三大大全全新新特特点点————多多镜镜头头组组合合视视频频

Ø多镜头组合视频：一张图+Prompt即可生成单视频多镜头

•据火山引擎介绍，豆包视频生成模型基于DiT架构，通过高效的DiT融合计算单元，让视频在大动态与运镜中自

由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。全新设计的扩散模型训练方法更是攻克

了多镜头切换的一致性难题，在镜头切换时可同时保持主体、风格、氛围的一致性。

图3：多镜头组合展示视频截图

资料来源：火山引擎发布会，国信证券研究所整理

请务必阅读正文之后的免责声明及其项下所有内容

11..22三三大大全全新新特特点点————极极致致的的运运镜镜控控制制

Ø极致的运镜控制：可以实现前后景变焦、摇摄、目标跟随、升降镜头等各种复杂的运镜能力

•当前AI视频在运镜控制方面，基本集中在摄像机+运动笔刷两个功能上，在大运镜和变焦能力有限。

•本次豆包PixelDance的发布，成功实现了各种360度围绕主体环绕、前后景变焦、摇摄、目标跟随、升降镜头等

各种复杂的运镜能力，AI视频在运镜控制方面迎来重大提升。

图4：运镜控制展示截图

资料来源：火山引擎发布会，国信证券研究所整理

请务必阅读正文之后的免责声明及其项下所有内容

11..33用用户户使使用用量量快快速速增增长长，，产产品品能能力力日日益益完完善善

Ø在产品能力日益完善的同时，豆包大模型的使用量也在极速增长。

•据火山引擎披露，截至9月，豆包语言模型的日均tokens使用量超过1.3万亿，相比5月首次发布时猛增十倍。

•多模态数据处理量也分别达到每天5000万张图片和85万小时语音。

Ø此前，豆包大模型公布低于行业99%的定价，引领国内大模型开启降价潮。火山引擎总裁谭待认为，大模

型价格已不再是阻碍创新的门槛，随着企业大规模应用，大模型支持更大的并发流量正在成为行业发展

的关键因素。

Ø据火山引擎总裁谭待介绍，业内多家大模型目前最高仅支持300K甚至100K的TPM(每分钟token数)，难以

承载企业生产环境流量。例如某科研机构的文献翻译场景，TPM峰值为360K，某汽车智能座舱的TPM峰值

为420K，某AI教育公司的TPM峰值更是达到630K。为此，豆包大模型默认支持800