Waver 1.0— 字节跳动推出的AI视频生成模型

Waver 1.0是什么

waver 1.0 是由字节跳动发布的一款前沿视频生成模型，基于修正流 transformer 架构打造，具备文本生成视频（t2v）、图像生成视频（i2v）以及文本生成图像（t2i）的多模态能力，所有功能集成于统一框架，无需切换不同模型即可完成任务。该模型支持最高达 1080p 的高清输出，并可生成时长在 2 至 10 秒之间的视频内容，灵活适配多种分辨率与宽高比。其在复杂动态捕捉方面表现优异，生成视频的动作幅度自然、时间连贯性强。在 waver-bench 1.0 和 hermes 运动评估基准上，waver 1.0 超越了当前主流的开源与闭源方案。同时支持多种艺术风格创作，涵盖极致写实、卡通动画、黏土风、毛绒质感等多样化视觉呈现。

灵云AI开放平台

灵云AI开放平台

下载

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

Waver 1.0的主要功能

• 统一多模态生成：在一个模型中实现文本到视频、图像到视频和文本到图像的生成，无需切换架构。
• 高清晰度与灵活时长：支持最高 1080p 分辨率输出，视频长度可在 2–10 秒之间自由调节，宽高比也可自定义。
• 精准运动建模：擅长处理复杂动作序列，确保生成视频在动态范围和帧间一致性上的高质量表现。
• 多镜头叙事能力：能够生成包含多个镜头转换的连贯故事视频，保持主题、风格与情绪的一致性。
• 丰富艺术风格支持：涵盖写实、动漫、黏土、毛绒等多种视觉风格，满足多样化创意需求。
• 领先性能表现：在 Waver-Bench 1.0 与 Hermes 动态测试集中，综合表现优于现有公开及闭源模型。
• 推理过程优化：引入 APG 技术，有效减少生成伪影，增强画面真实感。
• 渐进式训练策略：从低分辨率视频开始训练，逐步提升至高分辨率，强化运动细节学习。
• 提示标签机制：通过风格与质量标签区分训练数据，在推理阶段利用负提示规避低质输出。

Waver 1.0的技术原理

• 核心架构设计：采用混合流 DiT（Hybrid Stream DiT）结构，使用 Wan-VAE 编码器提取视频潜在表示，结合 flan-t5-xxl 与 Qwen2.5-32B-Instruct 模型提取文本语义特征，构建基于修正流的 Transformer 模型。视频与文本信息通过双流与单流融合方式实现跨模态对齐。
• 1080p高清生成机制：借助 Waver-Refiner 模块，基于 DiT 架构并采用流匹配训练方法。先将 480p 或 720p 视频上采样至 1080p，加入噪声后作为输入，模型输出去噪后的高质量 1080p 视频。引入窗口注意力机制，降低计算负担，加快推理速度。
• 分阶段训练流程：初始阶段在 192p 低分辨率视频上进行大规模训练以强化运动学习，随后逐步提升至 480p 和 720p。遵循 SD3 的流匹配设置，在训练过程中动态调整 sigma shift 参数，优化动态建模能力。
• 提示标签应用：为训练数据标注风格与质量标签，风格描述前置至文本提示，质量描述后置；推理时将“低清”“慢动作”等负面标签纳入负提示，提升输出质量。
• APG推理增强：将 APG（Adaptive Prompt Guidance）技术扩展至视频生成领域，分解 CFG 更新项为平行与正交分量，降低平行分量权重，避免过度饱和，提升画面真实度与稳定性。

Waver 1.0的项目地址

• 官方网站：https://www.php.cn/link/0ca43fa93984fe2501a08c50e7b72d36
• GitHub开源库：https://www.php.cn/link/99f77070702c32e5a8eaba3c38801bec
• 技术论文链接：https://www.php.cn/link/d13d62b286a371638640a3f4638f1629

Waver 1.0的应用场景

• 创意内容生产：适用于短视频创作、广告制作、微短剧生成，将文字脚本快速转化为可视化视频。
• 商品动态展示：可将静态产品图转化为动态演示视频，广泛应用于电商直播、商品详情页与虚拟试穿场景。
• 教育与培训辅助：将教材或培训资料转化为互动式教学视频，增强知识传递效果。
• 社交平台内容生成：高效产出适合抖音、Instagram、YouTube Shorts 等平台传播的短视频内容。
• 动画内容创作：支持将静态插画转换为动画片段，适用于角色动画、故事板制作与特效设计。
• 游戏内容开发：用于生成游戏过场动画、角色动作序列与场景过渡，提升游戏沉浸体验。