港中文 & 快手可灵联合开源 ShotStream，首个实时流式多镜头长视频生成框架，生成速度提升 25 倍，支持边生成边调整情节。
港中文 & 快手可灵联合开源 ShotStream，首个实时流式多镜头长视频生成框架，生成速度提升 25 倍，支持边生成边调整情节。
Netflix 高级工程师开发的开源工具 Headroom，在指令到达大模型之前精简冗余词元，可逆压缩、无损上下文，已为用户省下 70 万美元。
让 AI 生成一段连贯的多镜头长视频，传统做法是：把所有分镜提示词一次性塞给模型，等大约半小时出片，过程中完全不能调整。ShotStream 打破了这个僵局——它是首个实时流式多镜头长视频生成框架，由香港中文大学 MMLab 与快手可灵团队联合发布，已被 ECCV 2026 接收，模型、训练代码、测试代码全部开源，生成速度较传统方法提升约 25 倍。
ShotStream 解决的核心问题是：多镜头长视频生成的"高延迟 + 零交互"困境。
传统方法（基于双向扩散架构）的工作流：
ShotStream 的思路完全不同——把多镜头合成建模为基于历史的自回归过程，每个镜头基于已生成的前序镜头流式生成，从而支持：
自回归流式生成 = 每个新镜头都"看着"前面的镜头生成，既能保证连贯，又能让你随时插入新的情节指令。
不再需要等半小时。ShotStream 像直播推流一样，逐镜头输出：
对创作者来说，这意味着真正可以"导演"AI 视频，而不是写完所有提示词祈祷一次出片。
多镜头长视频最大的技术难点是镜头间一致性——同一个角色在镜头 1 穿红衣服，到镜头 2 不能变成蓝衣服；同一个场景的光线方向也要一致。
ShotStream 通过自回归历史建模解决：每个新镜头都以前序镜头为条件，自然继承人物外观、场景设定、镜头语言。
对比传统一次性生成的多镜头视频模型，ShotStream 的速度提升约 25 倍。核心原因：
ShotStream 的关键创新：
这种架构天然适配互动叙事——观众的每一次选择都可以即时影响下一个镜头。
ShotStream 或访问港中文 MMLab / 快手可灵的官方 GitHub输入第一个镜头的描述，例如：
"镜头 1：俯视镜头，夜晚的城市天台，主角穿着风衣站在边缘，风吹动衣角。"
ShotStream 生成第 1 个镜头并展示。
看到第 1 个镜头后，输入下一个指令：
"镜头 2：切换到正面特写，主角转头看向镜头，表情坚毅。"
ShotStream 基于第 1 个镜头生成第 2 个镜头，保持人物外观、夜景光线一致。
如果第 2 个镜头不满意，或想改情节走向：
"镜头 2 改为：主角抬头看天，一架无人机飞过。"
模型会基于第 1 个镜头和新的指令重新生成第 2 个镜头。
所有镜头生成完毕后，ShotStream 自动拼接为连贯的多镜头长视频，导出为 mp4。
提示：流式生成时，建议每个镜头生成完先快速预览，不满意立刻改，比全部生成完再改更省时间。
| 场景 | 是否推荐 | 原因 |
|---|---|---|
| 互动叙事/互动视频 | 强推 | 实时调整是核心卖点 |
| 短视频/广告多镜头脚本 | 强推 | 速度快 + 镜头连贯 |
| 影视前期分镜预览 | 推荐 | 导演可以实时调整镜头 |
| 单镜头短视频 | 一般 | 单镜头优势不明显 |
| 直播实时生成 | 谨慎 | 25 倍提速后仍有延迟，需进一步优化 |
| 方案 | 实时交互 | 多镜头一致性 | 开源 | 适合 |
|---|---|---|---|---|
| ShotStream | 是 | 强（自回归） | 是 | 互动/流式创作 |
| 传统多镜头模型 | 否 | 强（双向） | 部分 | 一次性成片 |
| 单镜头生成（如可灵、Sora） | N/A | 需手动拼接 | 否 | 单镜头场景 |
相关链接