百度蒸汽机2.0 上线：首次实现多人有声视频一体化生成

百度正式发布 MuseSteamer 2.0 —— 其音视频一体化生成模型的重大升级版本，在行业内首次实现多人有声视频的端到端联合生成。

这意味着，用户只需输入一段文字描述，系统即可自动生成包含多个角色、同步语音、自然表情与动作、复杂运镜的完整视频内容，无需后期配音、剪辑或合成。

此次升级标志着国内AIGC在多模态生成领域迈出关键一步，也为影视、教育、广告等行业的内容生产提供了新的自动化路径。

核心能力：从“单人无声”到“多人有声”的跨越

相比此前主流视频生成模型多集中于单人场景、无声或后期配声的局限，MuseSteamer 2.0 实现了多项突破：

✅ 多人音视频一体化生成

• 支持多个角色在同一场景中对话或互动；
• 每个角色的语音、口型、表情、动作均与文本指令同步生成；
• 语音与画面严格对齐，无须后期配音或调整时序。

示例：输入“两位主持人在一档科技节目中讨论AI进展”，模型可生成两人交替发言、眼神交流、手势配合、语音同步的完整片段。

✅ 电影级表演与细腻表达

• 角色具备自然微表情（眨眼、皱眉、微笑等）；
• 动作流畅，支持站立、走动、手势等常见行为；
• 面部口型精准匹配语音内容，提升真实感。

✅ 复杂运镜与镜头语言

• 支持推拉、摇移、切换视角等运镜指令；
• 可指定“特写”“全景”“跟拍”等镜头类型；
• 镜头切换逻辑合理，增强叙事表现力。

✅ 流畅画质与稳定输出

• 输出分辨率高，动作连贯无抖动；
• 时序一致性强，长视频生成稳定性提升。

技术底座：三大核心能力支撑

MuseSteamer 2.0 的突破建立在三项关键技术之上：

1. 多模态时空规划架构
   统一建模文本、音频、图像、运动的时空关系，确保语音、动作、镜头变化在时间轴上精确对齐。
2. 中文场景深度优化
   针对中文语境下的表达习惯、语音节奏、文化场景进行专项训练，提升生成内容的本土适配性。
3. 音视端到端联合建模
   不再将音频与视频分离生成，而是通过统一模型同时输出音轨与画面，从根本上解决音画不同步问题。

产品矩阵全面开放

为满足不同用户需求，MuseSteamer 推出多个版本，现已全面开放：

如何体验？

• 个人用户：百度搜索“百度蒸汽机”或访问“绘想”平台直接使用；
• 企业用户：可通过“千帆大模型平台”调用高性能API服务，支持定制化部署与批量生成。

安全提示：警惕假冒网站

8月19日，百度发布安全声明：近期海外出现大量仿冒“百度蒸汽机（MuseSteamer）”的虚假网站，宣称提供下载、训练或付费服务。

百度强调：

• MuseSteamer 为百度自主研发模型；
• 所有官方服务均通过百度官网、绘想平台、千帆平台提供；
• 未授权任何第三方发布模型或收取费用。

请广大用户注意甄别，谨防受骗。