|
AI圈，时不时来点惊喜。 上周五中午，腾讯发布一款新的图像生成模型，名字叫腾讯混元图像 2.0 (Hunyuan Image 2.0)。 大家都知道，文生图AI 已经不少了；但腾讯这次发布的模型，功能上有点新东西。 不仅能用文字生成图片，还能直接用嘴巴说图。你只要说出想要的图片内容，它就能给你生成出来。 更厉害的是，上传一张照片，或者随便涂鸦两笔，它也能根据这些生成新的图像。是不是挺有意思？这个全新混元 2.0 模型，到底和以前用的图像生成工具有什么不同？
我拿到体验资格后，马上试了试。第一感觉是：快。 也没想好要做什么图，就试着输入「一条狗」。结果，几乎零延迟，一个毛茸茸的小家伙头像就出现在屏幕上。 这还没完。 我又想试试，它是不是只能理解简单的物体。于是，输入了一个更有意思的描述：一只颜色很奇怪的，抽象的狗。 它居然准确地理解了「抽象」和「颜色奇怪」这两个关键词，生成了一张色彩斑斓、形状也很有艺术感的狗狗图像，完全不是那种生硬的扭曲变形，而是带着一种设计感。  后来，我开始「脑洞大开」，想看看它对天马行空的指令会作何反应。我输入了「一个宇航员在月球上遛着一只巨大的粉红色兔子」。 说实话，我真没指望它能生成什么靠谱的东西，结果它竟然真的给「画」出来了；虽然场景设定有点科幻加无厘头，但宇航员的细节、那粉色兔子的轮廓感都还在，甚至连月球表面的纹理都挺像那么回事儿。 这让我觉得，它对于不合常理的描述，也能进行理解和一定的想象创作，这里面还蕴含着一些艺术性。 最让我印象深刻的，还是它对细节的把握。 我特意试着生成人像，想看看效果如何。就输入了一些非常细致的描述，比如：一个年轻女孩的侧脸，夕阳的柔和光晕洒在她的脸上，她的眼神带着一丝淡淡的犹豫，嘴角微微上扬。 结果出来的照片，光影的过渡非常自然，脸部轮廓在夕阳的映衬下显得柔和，眼神里那种细腻的情绪，甚至连嘴角的细微纹路都基本能捕捉到。 我又尝试添加更细节的描述，比如：黑色的卷发，有几缕随意地散落在脸颊旁。 它也能精准地呈现出来。这种对光线、表情、发丝等细节的细腻刻画，确实让生成的图像看起来更有质感，非常逼真。  除了这些，它还支持上传参考图，调整生成图像的尺寸等；上传参考图后，它提供了两个参考模式，一个是参考整个图片的风格和构图，另一个是仅参考图片主体的轮廓。 更强大的是，上传参考图同时，我还可以输入提示词，然后实时生成图片；这意味着它可以做到「实时的提示词 + 参考图结合生成」，这在创作上提供了更大的灵活性。 还有，界面右边巨大的语音输入按钮，我体验了一下，感觉确实非常丝滑流畅，识别率也很高。 它还提供一个“实时画板”功能，我觉得这个功能对于有一定设计基础的用户来说会很有帮助，它能实时上色、调整光影和材质，支持图层叠加和局部调整。 简单来说，直接从一个草图开始，快速合成最终图像，有点打破传统绘制后等待修改的步骤。 说完这么多优点，也要客观地谈谈它的不足之处。 它有时的理解能力很强，但理解的可能并不完全精准，最终生成的图像和最初的想法可能会有一些偏差。 第二，生成的人像整体风格偏西方化，对于东方人物的呈现可能还稍显不足，有时候会显得有些抽象感；所以，整体看，腾讯混元图像 2.0 的体验，在速度、细节性能上都非常不错。
体验完之后，我一直在想，这种“快”的背后，到底藏着什么技术优势？ 腾讯混元官方说，他们用一个超厉害的图像编解码器，这东西像一个超级“瘦身大师”。 你可以想象一下，把一件厚厚的棉袄压缩成一件轻薄的T恤，这样一来，图片数据量就大大减少了，数据量小，传输和处理起来自然就更快了。 所以，当我们让模型生成一张图片时，速度自然上去了。 更重要的是，为了让模型快速又准确地理解我们想要什么样的图片，混元图像2.0又用了一个特别聪明的「大脑」多模态大语言模型（MLLM）作为文本编码器。 你可以把“大脑”想象成一个超级厉害的「翻译官」，它能迅速理解输入的文字或语音指令的字面意思，还能准确把握我们语言中的「感觉」和「意图」。 这样，模型就能在极短的时间内，生成出更符合我们要求的图片。这就是，有效提升模型的语义理解和匹配能力，实现快速理解实时生图的原因。 简单讲，高效的数据压缩保证速度，聪明的“大脑”保证理解的准确性，这才让腾讯混元图像2.0能够做到又快又好的实时生成图像。 这个技术到底效果怎么样呢？官方也给出了一大堆数据评测。说实话，我也不是技术从业者，也很难从各家技术差异上给出答案。 从体感上，明显不同。 现在AI生成图像领域基本上百花齐放了，OpenAI 前段时间刚调整了文生图的技术架构，把 DALL-E 模型升级成了非自回归模型。 这种架构有点像学生做题，先听完题目再动笔。它先勾勒出图像的轮廓，再一点点填充细节。 它的编码器负责理解文字提示，解码器负责根据文字生成图像。这种模型最大的好处是对复杂场景里多个人物关系的理解更到位。 我之前体验过，生成的图片确实不错。 table Diffusion的厉害之处在于开源。因为开源，所以吸引了好多开发者，大家开发出了各种插件和模型。它的定制性和灵活性特别高，生成的效果很不错，适合开发者。 我觉得Midjourney的核心竞争力是审美能力特别强。在生成抽象或者特别有创意的图片方面，它表现得很棒，很多艺术爱好者都喜欢用它。 国内产品，我觉得最早在市场上让人印象最深的是即梦、可灵。 豆包大模型用在了即梦、抖音、剪映、豆包这些产品里，可灵是快手的生态里；它们一开始模型不多，但最近两年发展很快，现在也能生成人物和各种场景的图像了。 比如： 最近比较火的豆包，提示词生图功能特别好玩，尤其生成有点朦胧感、超真实氛围的照片，给人很大惊喜，这种有点模糊的艺术效果，反而成了它独特的用户体验。 我认为，C 端用户体验非常重要，因为用户的反馈可以直接反哺到模型训练上，从而让模型得到更好的迭代，用户用得多了，反而可能在更广泛的市场中占据更大的心智。 这次腾讯的混元图像 2.0 最让人关注的地方，是它的实时生成能力和多模态输入的创新，特别是「嘴生图」，让人机交互有了更多的想象空间。
所以，这种强大的图像生成能力在特定商业场景下，究竟会释放出什么样的潜力？它会不会带来一些让人眼前一亮的变化？ 我接触电商、营销领域比较多。我认为： 以前，广告营销的流程特别复杂。创意团队得花好多时间，从最开始的想法构思，到拍摄素材，再到后期修改调整，整个过程特别漫长。 混元图像 2.0 这个模型，说不定能在整个流程里，大大提高效率。 现在，好多产品都在往「产品 + AI」的方向发展。要把混元图像 2.0 这样的模型加进去，广告营销的团队在做广告时，就不需要花那么多时间和精力去搞抽象的概念设计了。 他们可以直接用嘴巴说，或者用文字写，快速搭起一个最基础的视觉框架。这是大变革。 再说说它的快速生成能力。这就意味着营销人员能更快地把想法变成实实在在的图片。 比如，要策划一个新的广告活动，创意人员可以直接用文字描述，或者直接说出口，一下子能生成好几个不同的视觉概念稿，这些稿子可以拿去内部讨论，或者给客户看。 这种几乎能实时反馈的能力，能大大缩短创意周期，让团队更快地验证想法，做出决定。 还有，它的多模态交互能力也很有价值。 手里已经有一个产品的实物图，我们只要把图上传上去，然后用文字描述，加上不同的场景、背景或者人物，就能快速生成更多符合不同营销需求的宣传素材。 以前拍一个易拉罐，还得抠图，再放到海报背景上，现在，只要上传易拉罐的照片，然后通过语音或者文字指令，让 AI 帮我们去掉背景，加上一些设计元素，这得多方便。 更进一步来说，再加上它强大的细节把控能力，更能为营销人员提供高质量的素材。 其实，能想到的应用场景可不止这些，这只是一个模型，只要把它集成到各种产品里，就会冒出更多用法。比如电影视觉、游戏开发、影视制作等等。 所以，潜力并不完全取决于模型本身，在于接入模型的产品，产品能大大提升工作效率，还能激发更多创造力。 我觉得，每家都有自己的优势。 未来竞争，不仅在单一的技术突破，更在于怎么在保持自身模型优势同时，不断延伸到各种场景中，满足用户各种各样、细小入微的需求。你怎么看？ 抽空，去体验下：https://hunyuan.tencent.com/ |
|
|
