AI生成视频用文字难以描述需求，如何破？

　　用户在用AI工具生成图片尤其是视频时，普遍会遇到用文字难以描述的情况。

　　快手高级副总裁、社区科学线负责人盖坤15日在北京表示，AI在辅助创意表达上拥有巨大潜力，但当前的行业发展现状还远远无法满足用户需求，在AI生成内容的稳定性以及用户复杂创意的精确传达上仍有“很多挑战”。

　　“大家应该很自然地会感受到文字在表达影像信息时，是不完备的。我们需要有新的方式，能让人真正精准地表达出心中所想。”盖坤说。

　　当日，快手发布可灵AI全新2.0模型，包括可灵2.0视频生成模型及可图2.0图像生成模型。其中，在本次2.0模型的迭代中，可灵AI发布AI视频生成的全新交互理念Multi-modal Visual Language(MVL)，让用户能够结合图像参考、视频片段等多模态信息，将脑海中包含身份、外观、风格、场景、动作、表情、运镜在内的多维度复杂创意，直接高效地传达给AI。

　　盖坤介绍，MVL由TXT(Pure Text，语义骨架)和MMW(Multi-modal-document as a Word，多模态描述子)组成，能从视频生成设定的基础方向以及精细控制这两个层面，精准实现AI创作者们的创意表达。

　　基于MVL理念，可灵AI推出多模态编辑功能。“用户可以在可灵AI的平台上体验多模态编辑能力。用户可以非常直接地把自己的想法用图像等方式作为输入，生成符合自己想法的创意视频。”盖坤介绍，MMW将不只局限于图片和视频，也可以引入其他模态的信息，例如声音、运动轨迹等，让用户实现更加丰富的表达。

　　快手副总裁、可灵AI负责人张迪介绍，当前，图生视频约占到可灵AI视频创作量的85%，图片质量也对视频的生成效果产生重要作用。

　　据快手方面介绍，截至目前，可灵AI全球用户规模已突破2200万，累计生成1.68亿个视频及3.44亿张图片素材。自2024年6月上线至今的10个月时间里，可灵AI已累计完成超20次迭代，月活用户数量增长25倍。