Kimi 内测的最新功能「创作音乐视频」，就是奔着当 MV 导演去的。长文本领先的 Kimi，默不作声地「跨界」了。APPSO 也受邀首批体验了这一新功能。给 Kimi 一首歌，然后等待几首歌的时间，它就还你一个短视频，能踩点，懂分镜，审美也不错。关注 AI 第一新媒体，率先获取 AI 前沿资讯和洞察
懂王入场曲、川普战歌《YMCA》，谁上头了？每当音乐响起，特朗普握紧双拳，上下挥动，没有人比他更懂怎么搓澡。不妨试试拿 Kimi 做个同款。我上传了一段 11 秒的《YMCA》片段，并用提示词描述了视频的画面和分镜。其中有个高难度的要求：帽子写上「MAGA」，应援的牌子更是要写一整个句子：「Make America Great Again」。Kimi 理解了，它为每个镜头扩写了提示词，短短的 11 秒，有 6 个片段，同时符合我的提示词里的镜头切换逻辑。接下来，打开音量，或者戴上耳机，欣赏一下完整视频。特朗普的脸偶尔会崩，至于文字，缩写很稳，单词也不容易拼错，但就是没有生成符合要求的句子。不过，舞王的感觉对了，胸前的红领带很鲜艳，特写尤其传神。除了迪斯科神曲，《青花瓷》这样的经典中国风歌曲，Kimi 也能 hold 住。近景切全景，特写切远景，有人物，也有空镜，每个镜头都是按照提示词的要求设计的，烟雨江南的意境到位了。可惜人物的稳定性不够好，这位女主角从头到尾长得都不一样，手指的动作也比较诡异，一眼看出，这是个 AI。以及 Kimi 可以解释一下吗，为什么她的手上还戴了戒指？为什么青花瓷瓶自己会滑动？以后一键 get 同款抖音热歌，变得不费吹灰之力了。我选择了周传雄在抖音的一段 800 万点赞的吉他弹唱视频，Kimi 可以提取出音乐，画面的提示词还是我们自己来写。让 AI 也来弹唱一段吧，虽然音乐里包含了歌词，但实践表明，对口型什么的就别想了。这次主要都是室内的中近景，人物的一致性保持得不错，帽子和 T 恤都不带变的，但场景就不那么完美了。毕竟，音乐视频还是一个 Kimi 的内测功能，至少从每个片段扩写的提示词来看，这位 AI 导演挺擅长写分镜，将我粗略的指令，细化成了具体的镜头语言，又不偏离原意。以后我们听歌时脑海里的大致画面，都可以描述给 AI，让它帮我们「剪辑」。自定义的趣味性比较强，因为我们可以自己上传音乐、抖音链接，或者选择 Kimi 提供的背景音乐，创作更加自由。同时，Kimi 有很多模板可以体验，音乐是固定好的，并且会附加一些文字和特效，对于新手来说更加友好，只需要描述画面。《哈利波特》重映，经典归来仍是大热 IP，Kimi 也提供了一个哈利波特风格的模板。那就试试生成哈利·波特和马尔福·德拉科的针锋相对名场面，主要包括，魔法比试、禁林探险、魁地奇球场。视频的特效和转场酷炫，不过，两位的颜值不太稳定，马尔福有个瞬间特别像他爸，哈利波特的脸时而青春美少年时而方脸大叔。而且，视频中也有一些错误，让人犯恐怖谷效应，六个手指就不说了，金色飞贼看着像个发光的甲虫，甚至中途冒出一个诡异的人头。但不得不说，这个模板下有不少漂亮的画面，Kimi 的审美还是可以的。「布达佩斯大饭店」的模板，则洋溢着对称美学和梦幻色彩。韦斯·安德森或许也没想过，因为 AI 和我的异想天开，他的风格可以和古典的中国风融合，画面切换还能与音乐节奏完美同步。不过，舞者的面部和腿部动作看起来有些怪异，像是伪人。怎么把握人体结构，Kimi 还得练习。不局限在三次元，让 Kimi 这位剪刀手将动漫人物放进好莱坞歌舞电影之中，也未尝不可。比如，让《火影忍者》的鸣人和佐助，出演一段《爱乐之城》风格的 MV。出现的问题就比较多了，上一秒，两人的脸部特写都很不错，下一秒，切换到跳舞，鸣人的舞伴莫名其妙地变成了女生。不用担心，不必从头再来，Kimi 支持片段的微调，哪个片段不满意，就可以针对性地重新生成，或者说，抽卡。我对不满意的片段重新生成了几次，得到了以下的结果，明明是同一个人，前后的画风仿佛有次元壁。
可以说，差强人意——没有用错成语，大体上还可让人满意。至少，空镜和特写是好看的。
人人生成一段简单的 MV，难度基本等于零。当然，如果模板的选择更多，那就更方便开脑洞，也不担心撞风格了。我们可以为熟悉的音乐创作 MV、基于喜欢的模板创作 MV，但从头开始，完全创作独一无二的作品，也不是不行。方法是，走 AI 一条龙服务——为 AI 音乐，生成 AI 视频。我之前用一张工作群回复收到的图片，让 Suno 图生音乐，生成了一段 30 秒的 k-pop 风格《收到之歌》。用这首歌，让 Kimi 生成一段打工人的写实视频，会如何呢？30 秒的 MV，Kimi 生成用了 15 分钟左右，平心而论，速度不算太慢，毕竟，我们自己把素材一个个搜罗起来再剪辑，时间可能要按小时甚至按天计算。首先，它给这支 MV 取的名字就够伤人了——《打工人的不眠夜》，凄凄惨惨戚戚。视频展现了打工人的群像，场景有些复杂，从早上切换到晚上，最后一段旋律的踩点丝滑。更重要的是，Kimi 把打工人疲惫的精神面貌表现出来了，咖啡不离身，一天对着电脑，在凌乱的工位吃饭，这不就是世另我吗。音乐视频，可以说是 Kimi 对外公布的第一个多模态功能。
11 月 16 日，Kimi 正式发布新一代数学推理模型 k0-math，对标 OpenAI o1 系列，月之暗面创始人杨植麟在现场回答了媒体提问。
被问到 Kimi 怎么不做多模态，杨植麟表示，「我们也做，几个多模态的能力在内测」。
在他看来，AI 接下来最重要的是思考和交互这两个能力，多模态肯定是必要的，但思考决定了它的上限。
未来，Kimi 的多模态会怎样迭代，把一致性做得更好，还是很值得期待一下的。
每次创作，Kimi 会先欣赏音乐，想象搭配音乐的故事，再根据故事生成画面，然后根据画面剪辑成视频。从前，这个流程让人类来做，可能要花好几天，甚至需要一个项目组。AI 让任何人都可以讲述自己的故事，围绕我们的生活经验和兴趣爱好，生成非常个人化的内容，虽然现在问题还挺多，但未来可期。不是所有歌曲都有精心拍摄的 MV，不是每个人都懂剪辑，但有了 AI 之后，我们喜欢的每首歌，或者自己生成的歌，都可以拥有一个专属视频。一瞬的闪念，私人的心情，美妙的创意，都有了安放之处，和变成现实的权利。问题可以慢慢解决，但我们要先让可能性存在。
