清影AI

定义

清影AI是北京智谱华章科技有限公司（智谱AI）推出的视频生成工具，英文名 Ying，隶属于生成式AI助手智谱清言。它以视频生成大模型为底座，把用户输入的文字或图片转化为动态视频片段，属于文生视频与图生视频两类生成式AI应用的范畴^[1]。用户既可以在清言的PC端、移动端和小程序端调用该功能，也可以通过大模型开放平台以接口方式调用其文生视频、图生视频能力^[2]。

清影的底层模型为智谱自研的 CogVideoX。智谱方面表示，CogVideoX 将文本、时间、空间三个维度融合起来，参考了 Sora 的算法设计，同属 DiT 架构，相比前代 CogVideo 推理速度提升 6 倍^[1]。

原理

清影的核心是扩散式视频生成模型 CogVideoX。扩散模型先在训练数据上学习如何把视频逐步加入噪声，再学习如何从噪声中还原视频，从而在推理阶段由随机噪声出发，逐步去噪得到目标视频^[3]。文生视频时，文本提示词经编码后作为条件参与去噪过程；图生视频时，输入图片同样作为条件约束生成结果^[2]。

在模型架构上，CogVideoX 采用 DiT 加 Transformer 的方案。据智谱介绍，研发团队自研了高效三维变分自编码器结构（3D VAE）对视频做压缩，压缩后的体积约为原视频的 2%，并在输入阶段就把文本嵌入与视频嵌入连接起来，舍弃了传统的交叉注意力模块，以便两种模态交互得更充分^[3]。此外，模型还使用了三维位置编码等模块，用于提升视频帧之间的连贯性，推理速度较前代提升 6 倍。

数据层面，训练素材的收集借助了视频理解模型 CogVLM2-Video 的处理，将大量原始视频转化为适合文生视频训练的数据。智谱AI 首席执行官 张鹏 提到，视频生成模型的训练数据主要来自公开数据集以及哔哩哔哩等合作伙伴^[3]。

发展历程

2024年7月26日，智谱AI 正式发布视频生成模型清影，并同步上线清言App，面向所有用户开放文生视频和图生视频功能，30秒可生成6秒视频，输出清晰度为1440×960^[1]。同日，基于清影的「照片动起来」小程序上线，可将静态照片处理为动态画面；清影的 API 也在大模型开放平台上线，供企业和开发者调用^[2]。

2024年11月，清影完成一次升级，支持生成10秒时长、4K分辨率、60帧率的视频，并增加了 AI 音效生成功能。有报道称，同期智谱还上线了支持4K/60帧的新版本，并将其底层模型 CogVideoX v1.5 开源。

2025年1月21日，智谱发布清影 2.0 并全量上线。据智谱方面介绍，2.0 版本对模型结构、训练方法和数据工程做了全面更新，图生视频基础模型能力大幅提升 38%，画面主体的运动幅度和指令遵从能力都有改善，同时保持画面稳定性^[4]。清影 2.0 已嵌入智谱清言，普通用户可以免费试用。

应用

清影最常见的用法是文生视频与图生视频。文生视频面向创意短片、广告制作等场景，用户输入文字描述后选择卡通3D、黑白、油画、电影感等风格，并配上模型自带或生成的音乐^[2]。图生视频则被用于表情包梗图、广告制作、剧情创作和短视频创作，早期的「照片动起来」功能可把旧照片转化为动态画面^[1]。

在行业合作方面，哔哩哔哩作为合作伙伴参与了清影的研发过程，华策影视参与了模型共建，相关应用场景处于探索阶段^[1]。清影的算力支持来自北京亦庄人工智能公共算力平台，该平台聚焦「大模型＋大数据＋大算力」的产业底座建设^[1]。

面向企业与开发者，清影通过开放平台的接口提供视频生成能力，可用于定制化的行业视频生产^[2]。张鹏在发布时表示，从技术发展角度，视频生成对影视行业具有积极意义，但当时把它直接用于面向最终观众的生产环节还不够，用于辅助性工作更为现实^[3]。

局限

发布之初，清影生成的视频时长与清晰度都有限，仅支持6秒以内的片段，清晰度为1440×960，后续才逐步扩展到更长时长和4K分辨率^[1]。智谱AI 方面也承认，清影与世界顶级水平存在差距，是初步的阶段性成果，在效果和视频长度上尚未达到同期部分国际产品的演示水平^[3]。

从商业化角度看，张鹏在发布时提到，无论是面向个人用户还是面向企业，纯大规模商业化仍处于较早阶段^[3]。在直接用于最终成片生产方面，张鹏认为当时的技术水平还不足以支撑，更适合承担辅助性工作^[3]。

技术层面，视频生成对数据依赖较强，而视频数据的积累难度高于文本数据，这是同类模型面临的共同问题^[3]。此外，视频生成模型的算法只占整体工作的一部分，还需要大量系统工程与优化工作，受限于技术细节不透明，许多环节需要研发团队自行摸索^[3]。

参见

• 智谱AI —— 清影的研发与发布方。

• 智谱清言 —— 清影所嵌入的生成式AI助手产品。

• CogVideoX —— 清影底座的视频生成模型。

• Sora —— 清影在算法设计上参考的同类视频生成模型。

• 扩散模型 —— 视频生成所依赖的生成式建模方法。

• 文生视频 —— 清影所实现的核心功能类别。