Step-Video V2 - 阶跃星辰推出的升级版视频生成模型

发布于 2025-01-23 · Step-Video V2 是上海阶跃星辰智能科技发布的升级版视频生成模型。该版本在多个核心技术领域进行了优化和创新，采用了更高压缩比的VAE模型以及深度优化的DiT架构，引入强化学习算法。能生成复杂的动态场景，如芭蕾舞、空手道等，同时支持丰富的镜头语言和基础文字生成。

Step-Video V2是什么

Step-Video V2 是上海阶跃星辰智能科技发布的视频生成模型升级版，用了压缩比更高的 VAE、深度优化过的 DiT 架构，还引入了强化学习。芭蕾舞、空手道这类复杂动态场景都能生成，镜头语言丰富，也支持基础文字生成。Step-Video V2 对人物表情的捕捉很细，光影效果也到位。

Step-Video V2的主要功能

复杂运动生成：芭蕾舞、空手道、羽毛球这类复杂的运动场景，都能流畅生成。
人物细节刻画：人物表情、神态、光影都处理得细，真实人物和虚构角色一视同仁。
丰富镜头语言：支持推、拉、摇、移等镜头运动，也能在不同景别之间切换。
基础文字生成：文字可以自然地融进画面，成片效果比前代模型强不少。
语义理解与指令遵循：配上自研的多模态理解大模型和视频知识库，对视频内容和镜头语言的理解更准，生成的视频也更贴近真实世界。
中英双语输入：支持中英双语输入，能用上的场景更多。

Step-Video V2的技术原理

高效压缩的 VAE 模型：Step-Video V2 用了压缩比更高的变分自编码器（VAE），空间和时间都压得狠，视频重构质量不掉，计算复杂度降下来，生成效率自然上去了。
深度优化的 DiT 架构与强化学习：这一版深度优化了扩散模型和 Transformer 架构（DiT），又引入强化学习算法。视频里的运动更流畅自然，细节也更经得起看，复杂动态场景和细腻的人物表情都呈现得很逼真。
多模态理解与视频知识库的结合：Step-Video V2 把自研多模态理解大模型和视频知识库结合起来，对视频内容和镜头语言的描述更准，生成的视频也更贴近真实世界。

如何使用Step-Video V2

申请试用：Step-Video V2 已在跃问网页端开放试用申请，用户可以通过访问跃问网页端，选择跃问视频提交申请。
使用方法：
- 输入指令：用中文或英文写具体的生成指令就行，场景描述、人物动作、镜头语言都可以指定。
- 基础文字生成：Step-Video V2 支持将文字自然融入视频内容，用户可以在指令中添加文字需求。
- 镜头语言：镜头运动可以指定，推、拉、摇、移都行，模型会按指令给出对应的镜头效果。
注意事项：目前仅支持网络视频链接，暂不支持本地视频文件上传。视频内容需符合平台规范，避免涉及违规或敏感内容。