可灵2.0文生视频发布：10块钱5秒，但效果值得_风闻

就在今天下午两点，快手正式发布了可灵 2.0。

作为国内文生视频的口碑一哥，可灵生成的 AI 视频在各大视频平台都被创作者们广泛应用，这次的升级发布会吸引到了很大的关注。

从昨天官方发出的预告片就基本可以猜出，可灵 2.0 主打运动能力。

果不其然，在可灵 2.0 更新后，官方也如此解释：可灵 2.0 的优势在于高质量运动和指令响应。

于是，知危编辑部速速搞了一个黄金会员来试玩。

一开始，编辑部真的被可灵 2.0 的费用惊到了：一个 5s 的片段，竟然就要 100 灵感值。要知道，可灵文生图最高清的只需要 1 个灵感值一张，可灵 1.6 的 5s 视频只需要 35 灵感值，新版足足贵了 2 倍。换算成人民币，可灵 2.0 一个 5s 视频大概 10 块钱。

当然，贵不一定是它的问题，如果生成结果足够好，也就值了。

参考可灵 2.0 发布会中强调的重点，我们主要测试了可灵 2.0 的这些特点：运动速度、运动幅度、复杂运动、时序响应、多模态编辑。

我们根据每个特点测试了 1 到 2 个视频，然后看每个视频能不能体现这些基础特性：指令遵循、电影美学、精准风格化等。

首先是运动速度和运动幅度，我们来测试一个跑车场景。

参考图：

提示词：

跑车在蜿蜒道路上高速行驶，偶尔过弯时轮胎打滑，摄像机从空中移动到车辆后方追踪沿海公路上行驶的跑车。

相机从空中持续追踪跑车，与车辆背后保持 5 米距离，保持车辆在画面中心。

道路两侧景观快速后退，海面波光粼粼。

汽车广告电影风格，景色壮观，色彩鲜明，动感强烈。

生成结果如下：

这个生成结果不算差，但在这么卷的 AI 视频赛道里，这个结果也就中规中矩，跑车速度不够快，没有高速行驶的动态感，像是飘在公路上，背景变化幅度小，汽车表面的光影效果也一般，最后是没有按照提示词第一句将镜头做转移。

有可能是提示词过于复杂了，让 AI 手忙脚乱。我们换一个场景，测试第一人称视角的过山车场景。

参考图：

这次把提示词写得简单些：

过山车列车先爬上高点，然后从高点开始急速下降，车厢随轨道高速移动。

第一人称视角，相机飞行在半空中，跟随过山车后方全程运动。

刺激游乐设施体验风格，色彩鲜艳，画面快速运动感强，高清晰度，阳光照射产生闪光效果。

生成结果如下：

这次的结果很不错！不仅实现了先升再下降的高速大幅度运动，远处的景观比如比如蓝色海盗船、红色屋顶小房子、摩天轮都以合理的方式拉近了物理距离。当然手稍微有点小崩，可以理解，瑕不掩瑜。

我们再换一个场景，测试电影中常见的追逐场景。

参考图：

提示词：

主角穿越赛博朋克世界的闹市进行追逐，背景环境不断变化。

主角奔跑速度均匀，不时回头，表情紧张。

相机保持与主角相同速度跟随，略微摇晃增加紧张感。

场景从拥挤市场变为狭窄小巷，再到开阔广场，人群散开。

动作电影风格，节奏紧凑，色调对比强烈，光影变化明显。

生成结果如下：

这个效果也很棒，除了主角运动速度很快之外，还展了背景运动的大幅度变化。在主角回头和转身瞬间的背景模糊，和回头后的场景的切换，都很有电影的感觉。不过有个有些滑稽的小缺点是，提示词中只是让主角 “ 不时回头 ”，结果他却直接转身了。

追逐戏只有一个人怎么够刺激，再加一个。

参考图：

提示词：

两名未来战士在霓虹长廊里前后追逐。

前方战士快步疾跑，后方战士穷追不舍，动作紧张有序。

镜头不断变换焦点：先对准前方逃跑者，再聚焦后方追击者。

环境光线闪烁，节奏感强烈，但场景本身保持相对稳定。

写实电影质感，展示快速视角切换带来的逼真动感。

生成结果如下：

这回真的翻车了，没有实现焦点的切换，可灵 2.0 还给前面的战士赋予了 “ 电子穿梭 ” 的能力，穿梭的战士又从后方的战士出现，一时间不知道谁在追谁。可能模型对 “ 未来战士 ” 的理解就是会有这样的超能力，视频乍一看有些怪，细看你别说还有点像某种刻意的设定……

要体现速度，也许只靠人工动力还是太渺小了，得借助万有引力的力量。

我们再换一个测试场景，看一下山坡能带来多大的速度感。

参考图：

提示词：

专业滑雪者从雪山顶峰滑下陡峭斜坡，速度超级快。

滑雪者身体前倾，双腿灵活控制方向。

相机从滑雪者后方跟随下滑，保持适当距离，偶尔切换到侧面。

滑雪道两侧雪松轻微摇晃，雪花随风飘动。

冬季运动广告风格，明亮雪景，蓝白色调为主，阳光反射效果。

生成结果如下：

效果还是不错的，滑雪的速度有逐渐变快，雪橇踩过的雪花飞溅效果挺合理，远景变化也没毛病。遗憾的是，知危没舍得花 200 灵感值来生成 10s 的视频，不然速度肯定能更快。

山坡释放的万有引力势能还是有限，我们到天上去。

参考图：

提示词：

跳伞者从高空飞机跳出并自由落体。

相机从跳伞者视角转为外部观察视角，跟随自由落体过程穿过云层。

云层迅速接近，地面景观从模糊变得清晰，风吹动衣物。

极限运动纪录片风格，高清晰度，大场景展示，视觉冲击力强。

生成结果如下：

非常神奇，跳伞运动员先是消失，然后在穿过一朵云之后又出现，疑似发生了 “ 量子隧穿 ” 现象。

不过，这里要中肯的说一句，编辑部内部反思了一下，我们的提示词可能表述的不够好，让模型误以为 “ 最开始画面看跳伞者的人，也是一个跳伞者 ”，这样生成的视频的状态就可以合理解释了。

测试完了运动速度和运动幅度，接下来我们看一下复杂运动，这一维度主要针对主体本身的动作是否足够复杂多样。

比如，我们可以让这个小哥来跳一跳专业的机械舞，把动作都设定好。

参考图：

提示词：

一位街舞舞者站在城市广场上。

首先，他迅速做出一个机械舞的定格动作，关节锁定；然后立即过渡到一个波浪式的胸部和手臂律动；最后马上完成一个下蹲后弹跳并做出定格手势的动作。

保持Hip-Hop节奏感和街舞特有的力量感。

相机初始保持中景拍摄，随后在波浪动作时轻微环绕舞者，最后在弹跳动作时切换为微慢动作并适当拉近，捕捉定格瞬间。

色彩对比鲜明，舞者动作线条清晰，重要动作环节有轻微强调效果，整体节奏感强。

生成结果如下：

小哥确实展现了很多个街舞动作，主要在后半部分，比如提示词提到的手臂律动、下蹲后弹跳、定格手势，运镜上展现了先环绕再拉近然后慢动作的效果。缺点就是观感上和机械舞没啥关系，甚至也不怎么像街舞。可能给主体安排了过多的动作，AI 也见招拆招学会 “ 偷工减料 ” 了。

我们再加大动作难度，安排两个舞者来跳探戈舞。

参考图：

提示词：

一对专业舞者在舞台上表演激情探戈舞。

舞者从静止姿势开始，展开一系列协调精准的舞步。

相机在舞者周围环绕，时而靠近时而远离，捕捉动作细节。

舞台灯光随舞蹈节奏变化，背景灯光闪烁。

舞蹈电影风格，动作流畅精准，情感表达强烈，灯光戏剧化。

生成结果如下：

虽然看起来会有很多槽点，但忽略女舞者在转身的时候有点过于 “ 着急 ”，总体来看舞者的动作还是很优美而专业的，运镜也没毛病。通常来说存在两个主体交互的场景出错概率都很大，至少这个案例中要接近完美已经不远了。

复杂运动测试完，我们再看看可灵 2.0 的时序响应能力如何，时序响应即按照指令一个接一个地执行的能力，知危主要测试了做饭的场景，并直接进行了文生视频的操作。

提示词：

一位女厨师站在现代化厨房的料理台前，料理台上放着西红柿，鸡蛋，调料瓶，平底锅，油，炉子等，平底锅已经放置在炉子上加热。

她迅速拿起一个西红柿开始切片；

然后立即将切好的西红柿倒入平底锅中；

最后她马上拿起旁边的调料瓶往锅中撒调料。

整个动作序列必须在5秒内流畅完成，没有中断或停顿，动作之间的转换自然连贯。

生成结果如下：

额，看起来厨师拿起西红柿没有切，而是当成鸡蛋一样敲碎了放进去，然后在放调料的时候因为瓶盖太紧了没来得及打开时间就结束了。

或许我们的要求太苛刻了，要完成这些动作只用 5s 还是太紧张了，那就咬咬牙，给厨师 10s 的时间吧。我们来看看结果如何：

比之前好了一些，但是手撕番茄的毛病还是没改，那调料瓶的时候调料瓶抽搐了一下，但是时序上的遵循确实是没毛病。不过我们认为可能是我们短时间内要求的动作太多了。为了让可灵 2.0 更好地完成顺序指令，建议动作还是少一些，简单一些。

最后，我们测试一下新版中比较有趣的多模态编辑功能。这个功能类似于 Gemini Flash 2.0 和 GPT-4o 的局部编辑功能，只不过这一次是视频，复杂度更高。多模态编辑不支持使用可灵  2.0，我们用可灵 1.6 来测试。

借用推特网友的现成视频（ 基于可灵 2.0 ），我们来做个微调。

首先是这个网友制作的摩托车越野的场景：

我们用下图中的摩托车来替换原来的摩托车：

在 “ 替换元素 ” 选项下，先标记你需要替换的区域，基本上点击一个摩托车的关键点，可灵就能识别出你要修改的是摩托车。

另外，多模态编辑的提示词格式也很有趣，为了让指代更加精准，提示词已经不是纯文本的形式了，而是结合了图像和文本元素的语句。

生成结果如下：

动作一致性是很高的，就是 AI 顺道把头盔和衣服也换过来了。

我们再换一个视频，这次采用 “ 增加元素 ” 的编辑方式。

这次是一个摩托车极限跑酷的场景：

视频有 10s，但多模态编辑只支持 5s 视频，就裁剪为一半，然后融入这个元素：

提示词：

生成结果如下：

头盔完美地戴上了，整体一致性也很强，就是运动员身体动作和背景动态都有些收敛了。

好了，测试完毕。

总体来看，可灵 2.0 还是有很多可圈点之处的，特别是运动效果和多模态编辑。比如背景变化能保证合理性和大幅度，单主体运动成功率比较高。指令遵循虽然不会 100% 成功，但实现的指令密度还是挺高的。也带来了不少的意外惊喜，比如追逐戏中小哥的回头瞬间，探戈舞的动作标准度。

双主体乃至多主体运动是很有潜力的，只是失败率太大的话，会很费钱。多模态编辑倒是能给你省省钱，毕竟一次只需要 50 灵感值，而且提示词的设置精准度很高，这一点值得给个大赞。

多模态编辑生成结果的运动、动态、外观有较高的一致性，细节上的偏差在所难免。至于时序响应，他的确遵循了时序，但是动作翻车了，不知道是不是我们短时间安排的动作太多了，导致有些翻车。

对了强调一下，知危的测试不代表可灵 2.0 的平均水平，本次整体安排的测试案提示词给的都比较复杂，相机的变化幅度太大。你可以理解为针对新特性的一种极限测试，如果你稍微降低一些要求，效果会好不少。

最后提醒一下，如果你在生成时发现 5s 视频能带来不错的效果，那么可以尝试再生成一个 10s 的，可能有惊喜。如果 5s 视频效果差，也可能是时长不够，AI 来不及完成，如果有 10s 完成概率就大得多，非常建议尝试。

总之，中肯地讲，10 块钱换这样的 5s 视频，还算是值得的。