譯者 | 張哲剛

審校 | 重樓

熱門人工智能圖像生成服務商Midjourney 發布其首款人工智能（AI）視頻生成模型 V1，這標志著該公司從圖像生成服務向全方位多媒體內容創作的重大轉變。

從現在開始，Midjourney 的近2000萬用戶可以通過該網站將圖像制作成動畫，將他們生成或上傳的靜態圖像轉換成5秒鐘長的視頻片段。用戶還可以選擇將視頻生成時間延長至最多20秒（每5秒為一個片段），并且可以通過文字對視頻生成進行引導。

隨著此次視頻模型的推出，這家起步不久名為“Midjourney”的小型初創公司已經成功躋身于當下炙手可熱的人工智能視頻賽道之上。但與此同時，比較不幸的是，它剛啟動就面臨著來自兩家全球超大型娛樂公司的嚴峻法律挑戰。

對于那些希望可以利用最新的創意技術，來開展廣告和營銷或用戶互動的人工智能（AI）創作者和企業而言，這意味著什么呢？與眾多不斷涌現的人工智能（AI）視頻模型競爭對手相比，Midjourney表現如何？它如何與競爭對手抗衡？請繼續閱讀，答案會水落石出。

直接構建于Midjourney熱門人工智能圖像生成技術之上的新產品

Midjourney公司的新產品延續了其一貫的基于圖像的工作流程，并新增了v7 版本的文本轉圖像模型。

用戶可以在Midjourney平臺上直接生成靜態圖像，也可以通過上傳外部文件來完成，然后點擊“制作動畫”按鈕，就可以將圖像轉換為視頻。

該模型有兩種主要運作模式：一種是模型完全自動完成合成；另一種是用戶可以編寫自定義動作提示，通過文本指示元素在場景中的移動方式。因此，Midjourney視頻模型具備圖像到視頻以及文本到視頻這兩項的編輯與修改功能。

從創意角度來看，系統有兩種運動設置供用戶選擇。一種是低運動模式，此模式針對環境或很簡單的運動進行了優化，例如角色眨眼睛或有微風吹過時景物細微的變化；另一種是高運動模式，此模式會嘗試對主體和攝像機進行更動態的動畫處理，不過這有可能會增加產生視覺錯誤的幾率。

在Midjourney網站頁面上，這些選項位于生成或上傳的圖像下方右側選項窗格中，標注為“動態圖像”的字段下方，如下所示：

每個視頻任務默認會生成四個不同的5秒時長的視頻片段，用戶可以選擇將每個片段延長4秒，最多每個片段可延長至 20 秒。

雖然目前視頻時長還較短，但該公司已經表示，未來下一步的更新中，視頻時長和功能都將會得到擴展。

Midjourney公司于2022 年夏季面世，得益于其產品更新相對頻繁且具有情景逼真、創作選項多樣化的優點，在人工智能圖像生成領域至今仍被奉為圭皋，人們對其進入人工智能視頻領域寄予厚望。

就我們目前所能看到的，用戶的初步反映總體上是比較滿意的，例如Perplexity AI設計師 Phi Hoang（X用戶@apostraphi）在X上的一篇帖子中評論道：“我覺得，它遠超預期?！?/p>

下面是我使用我的個人Midjourney帳戶生成的一個示例：

實惠的價格

現有訂閱計劃已經開始包含視頻服務，起價為每月10美元。

該公司表示，每項視頻生成制作任務的成本大約是圖像生成任務的 8 倍。不過由于每項視頻任務能生成20秒時長的內容，因此每秒視頻任務的成本與生成一張靜態圖片大致相當——較之眾多競爭對手，Midjourney這種價格體系看起來具備一些優勢。

針對專業版及以上層次訂閱用戶，Midjourney推出測試版“放松模式（video relax mode）”。這種模式與圖像生成中的對應模式一樣，延遲處理任務，來換取降低任務的計算成本。而快速生成模式則仍然根據分層的不同訂閱計劃以GPU分鐘數為單位計量任務。

社區評論員對這一定價普遍持積極態度。人工智能領域內容創作者 @BLVCKLIGHTai 在社交媒體上強調，此價格體系下，用戶為提升內容視覺質量所支付的費用大體上剛剛覆蓋成本，對于以短視頻方面應用為主的用戶來說，該價格相當親民。

此價格與競爭對手Luma AI的“簡易網絡方案”（每月9.99美元）相當，低于Runway的“標準用戶”訂閱計劃（每月15美元）。

以下是其他一些可供選擇的服務：

目前還沒有聲音效果，并且內置編輯器的功能也比不上諸如 Runway、Sora、Luma 這樣的 AI 視頻工具，功能較為有限。

該模型目前最明顯的缺陷是缺乏音效。

與谷歌的Veo 3以及Luma Labs的Dream Machine等競爭對手的產品不同，Midjourney的系統并不生成配套的音頻軌道或環境音效。

就目前而言，任何音效都需要在后期制作階段，通過使用單獨的工具手動添加進去。

此外，Midjourney的輸出內容仍然較短，最長為20秒。目前尚不支持對時間軸、場景過渡以及片段之間的連貫性進行編輯。

Midjourney表示這只是個開始，此次首發的初始版本重在具備探索性、易用性以及可擴展性。

人工智能視頻市場競爭激烈，競爭壓力不斷增大

Midjourney的此次發布，正值人工智能視頻生成技術迅速成為生成式人工智能領域中最具競爭力的領域之際。

科技巨頭、風險投資支持的初創公司以及開源項目都在迅速發展。

本周，中國初創公司MiniMax發布了Hailuo 02，這一版本是其先前視頻模型的升級版。早期用戶反饋對其逼真程度、動作和提示的契合程度以及原生1080p分辨率的評價甚高，不過也有一些評論者認為其渲染時間仍然相對較慢。

該模型在解析復雜動作以及電影拍攝角度方面表現尤為出色，與西方科技公司同類產品（如Runway的Gen-3 Alpha以及谷歌的Veo系列）相比毫不遜色。

與此同時，Luma Labs的“夢想機器（Dream Machine）”由于能夠同時生成音頻和高保真視頻而備受關注，而這一功能恰恰是 Midjourney 的新產品所欠缺的。與Runway一樣，夢想機器（Dream Machine）還提供了一項名為“修改視頻”的新功能，允許用戶對視頻進行風格重塑或“重新裝扮”。

谷歌的Veo 3和OpenAI即將推出的Sora模型同樣都在致力于能夠實現更廣泛的多模態合成，將文本、圖像、視頻和聲音整合到連貫且可編輯的場景之中。

Midjourney 的應對策略似乎是追求簡潔和成本效益——這也算一種“盡善盡美”的解決方案，制定適合規模化應用的價格體系，但這同時也意味著它發布的產品并未標準配備一眾高端人工智能視頻服務中常見的高級功能。

來自迪士尼和環球影業的知識產權侵權訴訟陰影

就在產品發布前的幾天，Midjourney公司卻意外卷入了一場由迪士尼和環球影業共同向美國聯邦地區法院提起的大規模版權侵權訴訟。

這份長達100多頁的訴訟文件指控Midjourney公司未經許可使用包括漫威、星球大戰、辛普森一家和怪物史萊克等諸多受版權保護角色作為其模型訓練數據，并且允許用戶生成衍生內容。

控方聲稱，Midjourney 制造了一個“無底線剽竊”，故意讓用戶能夠毫不費力毫無障礙地生成包含諸如達斯·維達、艾爾莎、鋼鐵俠、巴特·辛普森、史萊克和無牙仔等角色的可下載圖像。

控方進一步指出，Midjourney使用數據抓取工具和網絡爬蟲來獲取受版權保護的內容，并且沒用采取技術措施來阻止此類受保護知識產權內容的輸出。

特別值得注意的是：該訴訟先發制人地將 Midjourney的視頻服務列為未來可能產生侵權行為的潛在源頭，并指出該公司在發布產品前就已經開始訓練該模型，并且其訓練動作可能已經涉及復制這些受保護的角色。

根據該投訴，Midjourney在2024年的營收達到了3億美元，并擁有近2100萬用戶?？胤秸J為，這種規模使該平臺通過無償竊取創意活動而取得商業優勢。

迪士尼的法律總顧問奧拉西奧·古鐵雷斯 （Horacio Gutierrez） 直言不諱地表示：“盜版就是盜版。即便這是由一家人工智能公司實施的盜版行為，也不意味著其性質就會有所改變，更不會因此就不構成侵權?！?/p>

這場訴訟大概率會考驗美國版權法在人工智能訓練數據及輸出控制方面的適用限度，進而可能會影響諸如Midjourney、OpenAI等此類平臺將來在內容過濾機制或許可協議方面的思路。

對于那些擔心侵權風險的企業來說，選擇像OpenAI的Sora或者Adobe的 Firefly Video這類內置補償機制的服務進行人工智能視頻創作，可能更好一些。

“構建一個‘世界模型’并實現世界實時生成”是我們的目標。

盡管存在即時的直接風險，但Midjourney的長期規劃卻路線清晰且雄心勃勃。在關于視頻模型發布的公開聲明中，該公司表示其目標是最終將靜態圖像生成、動態動作、3D空間導航以及實時渲染整合為一個統一的系統，該系統被稱為“世界模型”。

這些系統旨在使用戶能夠在動態生成的環境中自由穿梭——在這些環境中，視覺效果、角色以及用戶操作都會實時變化，類似置身于沉浸式視頻游戲或虛擬現實體驗之中。

他們設想這樣一個未來場景：用戶可以發出諸如“夕陽時分漫步于摩洛哥的市場之中”這樣的指令，而系統則會給出一個可探索可互動的模擬場景作為回應——其中包含著不斷變化發展的視覺效果，將來最終可能還會加入生成的音效。

目前，這個視頻模型只是朝著這個方向邁出的一小步。Midjourney 認為這是通往更復雜系統的一塊“技術墊腳石”。

不過，Midjourney絕非唯一一家正在雄心勃勃實施此類宏大計劃的人工智能研究機構。

Odyssey 是一家由自動駕駛技術資深人士奧利弗·卡梅隆（Oliver Cameron）和杰夫·哈克（Jeff Hawke）共同創立的初創公司。該公司最近推出了一個系統，該系統能夠以每秒30幀的速度傳輸視頻，并具備空間交互功能。他們的模型嘗試根據先前的狀態和動作來預測“世界的下一個狀態”，從而使用戶能夠環顧四周并探索場景，仿佛置身于一個三維空間一樣。

Odyssey將人工智能建模技術與自身的 360 度攝像頭硬件相結合，并正在尋求與諸如Unreal Engine和Blender等3D平臺的整合，以便進行后期編輯工作。然而，除了能夠移動攝像頭的位置，以及查看空間生成過程中模型所生成的隨機景象之外，它目前還無法讓用戶進行更多的操作控制。

同樣，長期致力于人工智能視頻生成領域的Runway公司也已經開始將世界建模納入其公開路線圖中。該公司的人工智能視頻模型（其最新Gen-4版本于2025年4月推出）支持先進的人工智能攝像機控制，使用戶能夠環繞拍攝對象，進行拉近和拉遠拍攝，或者在環境中平穩移動——這些功能已經開始模糊了視頻生成與場景模擬之間的界限。

在 2023 年的一篇博客文章中，Runway的首席技術官安納斯塔西斯·格雷米迪斯（Anastasis Germanidi）將通用世界模型定義為能夠深入理解環境、從而能夠模擬其中的未來事件并可以和它們互動的系統。換句話說，它們不僅能夠單純生成場景的外觀，還能夠預測場景的行為方式。

該領域內的其他重大人工智能項目以及重要人工智能模型如下：

• DeepMind，在機器人訓練和強化學習的世界建模方面進行了基礎性研究；
• World Labs，這是由人工智能研究者Fei-Fei Li領導的新項目，專注于以仿真為核心的模型；
• 微軟，致力于探索用于企業應用（如數字孿生和基于仿真的培訓）的世界模型；
• Decart，一家低調但資金雄厚的初創公司，致力于多智能體仿真模型的研究。

盡管Midjourney的策略一直是注重易用性和便捷性，但現在它也已開始朝著更復雜的仿真框架方向發展。該公司表示，要實現這一目標，首先必須構建必要的組件：靜態視覺效果（其原本的圖像模型）、動態效果（視頻模型）、空間控制（3D 定位）以及實時響應能力。這樣看來，它這個新的視頻模型只是這一漫長過程中的一個基礎組成部分。

這使得Midjourney公司將自己置身于一場全球性的競賽之中——不僅要創作出精美的媒體內容，還要構建出交互式的、人工智能所生成之世界的基礎設施。

這是一次經過深思熟慮精心策劃且充滿希望的跨越，進入了一個日益復雜且競爭激烈的領域

Midjourney公司進軍視頻生成領域，乃是其廣受歡迎的圖像平臺發展過程中的自然延伸。該平臺定價合理，便于廣泛使用，并降低了動態視頻的應用門檻。它為創作者提供了一條可以輕松實現其視覺效果的途徑——目前從其成本結構看起來既具競爭力又可持續。

但此次發布也使該公司直接面臨諸多挑戰。產品方面，它面臨著實力強勁且反應迅速的競爭對手，這些對手功能更多且沒有法律包袱；法律方面，它必須在正面臨的一場訴訟中為自身進行辯護，這場訴訟可能會重塑人工智能公司在美國的訓練和部署生成模型方式。

對于著眼于人工智能創意平臺的企業領導者而言，Midjourney這個產品的發布可謂是一把雙刃劍：它是一款成本低廉、發展迅速且用戶接受度很高的工具，但同時也存在尚未解決的監管和知識產權風險，這可能會影響企業部署的可靠性或持續性。

下一步需要解決的問題是：Midjourney是否能夠在不觸及法律紅線的前提下保持其發展速度？還是它最終將不得不對業務和技術進行重大調整，方能在日益成熟的人工智能內容生態系統中保持競爭力？

譯者介紹

張哲剛，51CTO社區編輯，系統運維工程師，國內較早一批硬件評測及互聯網從業者，曾入職阿里巴巴。

原文標題：‘Surpassing all my expectations’: Midjourney releases first AI video model amid Disney, Universal lawsuit，作者：Carl Franzen