Goku基于校正流Transformer架构的多模态AI视频生成模型

声明：该文章由作者（饼干姐姐）发表，转载此文章须经作者同意并请附上出处(0XUCN)及本页链接。。

Goku是由香港大学与字节跳动联合研发的多模态视频生成模型，基于校正流Transformer架构（Rectified Flow Transformer） ，专为图像与视频的联合生成优化。该模型于2025年2月正式发布技术报告，其核心目标是通过低成本、高效率的生成能力，革新数字内容创作流程，尤其在广告营销、电商展示等领域展现出颠覆性潜力。

Goku功能特征：

多模态生成能力

文本到视频（Text-to-Video） ：通过自然语言描述直接生成动态视频，支持复杂场景与人物交互，例如根据“夏日海滩饮品广告”生成包含人物动作、产品特写的完整短片。

图像到视频（Image-to-Video） ：以单张商品图或场景图为输入，生成动态展示视频，例如将静态服装图转化为模特试穿效果的连贯镜头。

文本到图像（Text-to-Image） ：生成高分辨率图像，支持细节控制，如光照、材质等参数调整。

技术架构创新

校正流框架：Goku采用了校正流（Rectified Flow）Transformer，结合图像-视频联合VAE（变分自编码器），以及全注意力Transformer，这使得模型能够统一处理图像和视频生成任务，通过优化生成路径的连续性，减少传统扩散模型的迭代步骤，提升生成效率。

多阶段训练策略：通过图文语义对齐预训练、图像-视频联合训练以及针对不同模态的微调，分阶段提升模型能力，初期聚焦基础特征学习，后期强化时序连贯性与细节精度。

大规模数据集支撑：研究人员构建了约3600万视频和1.6亿图像的大规模数据集，并采用了多种数据过滤和增强技术来提高数据质量。

成本与性能优势

Goku+商业版本：作为视频广告专用基础模型，其生成成本仅为传统拍摄制作的1/100，且支持个性化定制（如品牌Logo植入、多语言配音等）。

SOTA性能：在MSR-VTT和UCF-101等基准测试中，文本到视频生成任务刷新行业记录，视频连贯性与语义对齐度领先同类模型20%以上。

Goku使用方法：

模型选择与部署

提供三种规模模型：轻量版（移动端适配）、标准版（通用场景）、企业版（支持4K分辨率与长视频生成）。

支持云端API调用与本地化部署，企业用户可通过字节跳动火山引擎平台接入。

输入与参数配置

输入格式：文本提示需遵循结构化描述（如“主体-动作-场景-风格”），图像输入支持PNG/JPG及透明背景格式。

控制参数：包括视频时长（默认5秒，可扩展至60秒）、帧率（24/30/60fps）、分辨率（最高4096×2160）及风格化滤镜（如“写实风”“卡通渲染”）。

交互式编辑

支持生成后逐帧微调，例如修改局部动作、替换背景元素，或通过文本指令追加特效（如“添加雨滴效果”）。

Goku产品应用：

电商与广告营销

商品动态展示：仅需一张产品图，即可生成包含虚拟主播讲解、多角度展示的广告视频，适用于淘宝、抖音等平台的商品详情页。

低成本本地化广告：针对不同地区市场，快速生成适配语言与文化背景的广告内容，显著降低跨国营销成本。

社交媒体内容创作

吃播/教程视频生成：输入食材列表与步骤描述，自动生成烹饪过程视频，支持添加互动字幕与背景音乐。

UGC辅助工具：为创作者提供“文案转视频”功能，将图文内容自动转化为短视频，提升内容产出效率。

影视与游戏预制作

分镜预览：通过文本快速生成剧情分镜，辅助导演与编剧可视化叙事节奏。

NPC动作库构建：为游戏开发提供批量角色动作生成，减少手动建模工作量。

Goku的发布标志着ai视频生成从“辅助工具”向“生产级应用”的跨越。其低成本特性已吸引多家国际快消品牌进行试点合作，据估算可减少80%的广告制作周期。未来，结合实时渲染与3D建模技术，Goku有望进一步拓展至虚拟现实、元宇宙等场景。当前技术局限主要体现为长视频的情节逻辑控制，但团队表示将通过引入强化学习机制持续优化。

GitHub：https://github.com/Saiyan-World/goku

项目地址：https://saiyan-world.github.io/goku/

论文：https://arxiv.org/abs/2502.04896

[超站]友情链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
关注数据与安全，洞悉企业级服务市场：https://www.ijiandao.com/