主要观点总结
本文主要介绍了Pika 2.0模型在AI视频生成方面的应用，包括上传多张图片生成视频、场景元素参考等功能。同时，文章也提到了其他AI视频模型如Google Veo、OpenAI Sora以及Vidu的表现，并强调了AI视频生成中保持主体一致性的重要性。文章还讨论了Pika模型的特点和优势，以及它在整活和创意方面的表现。
关键观点总结
关键观点1: Pika 2.0模型能够实现上传多张图片生成视频的功能。
通过使用Pika的「Scene Ingredients」功能，用户可以上传多张图片，让Pika参考这些元素生成视频。这个功能让广告制作更加灵活，能够根据需求生成具有一致性的广告视频。
关键观点2: AI视频生成中保持主体一致性是个难题。
虽然Pika 2.0模型在场景、服装、物品上的一致性表现较好，但在人物脸部表现上还有待提高。此外，模型的基础能力也有待进步，在物体运动方面会出现问题。
关键观点3: Pika模型在整活和创意方面表现出色。
通过照片+AI图片+Pika 2.0+提示词的方式，可以生成很多好玩的画面。Pika模型在整活短视频方面具有较高需求，能够吸引大量用户。
正文
AI 视频的多主体一致性，向来是个难题。让 AI 凭空生成模特和衣服不难，但如果甲方要求，必须要让马斯克代言，穿上毛绒大衣，AI 可能就办不到了。Pika 最近更新的 2.0 模型，提出了一种很有趣的解决方式——我们上传多张图片，Pika 会精准参考图片中的元素，生成视频。集齐人物、商品、场景的照片，一个非常基础的广告片就出炉了，而且这些素材在视频里长得都和照片里一样。这是否意味着，AI 视频的一致性难题解决了，广告行业的朋友们又要焦虑了？其实并没有，经过实测，Pika 的可玩性很高，但论实用，道行还不够。关注 AI 第一新媒体，率先获取 AI 前沿资讯和洞察
马斯克和奥特曼看电影，名画吃薯条，同框从未如此简单Pika 上传多张参考图片的功能，叫作「Scene Ingredients」（场景成分）。使用起来很简单：1.点击「+」上传图片，上限 6 张；2.在文本框里，写上简单的提示词。接下来就进入实操——让闹得水深火热的马斯克和奥特曼，化干戈为玉帛，在一起看电影。提示词：两个人坐在漆黑的观众席中。他们手捧一桶爆米花，一把放到嘴里嚼着，全神贯注地看着眼前的场景。他们睁大眼睛的表情传达出热切的期待或着迷，仿佛他们完全沉浸在正在展开的戏剧或场景中。周围的环境表明人群拥挤，但焦点仍然集中在他们的反应上对于马斯克，AI 的发挥很稳定。但奥特曼看起来是地主家的傻儿子，吃相恐怖就不说了，眼睛大得要掉出来。所以，我们可以让马斯克和奥特曼过把模特瘾。只上传一张服装图片，然后通过提示词，让他们穿着一样的绿色大衣，拍个时尚大片。提示词：两名男子在壮丽的冬日风景中站在一起自拍。两人都穿着相同的绿色长外套。全身照，从头到脚展现他们。他们摆出专业模特般的姿势，脸上挂着自信的微笑。电影灯光突出了他们的脸庞和外套的奢华质感。高端时尚摄影风格，专业相机品质，时尚杂志美学两人的照片都找了现成的，绿色的大衣和冰天雪地的背景是另外用 AI 生成的，衣服上的「AIGC」，算是考验 Pika 的附加题。结果，场景和大衣的一致性保持得不错，「AIGC」的字样依稀可以辨认，两位模特的动作也遵循了提示词。但最大的问题是，这两人是谁？视频的人脸和照片，不能说一模一样，可以说是毫不相干。这次，我们请出扎克伯格，照例先用 AI 图片工具生成衣服，上面写着「I was human」（我曾是人类），呼应经典的机器人梗。然后，再找一张扎克伯格的图片，和一把尤克里里的图片，让小扎玩个音乐。提示词：一位身穿黑色 T 恤的男子站在温馨的房间里，弹奏着尤克里里琴。镜头从中远景开始，展现他的整个身体，逐渐拉近，最后聚焦在 T 恤上的字迹上Pika 对提示词的遵循和镜头的运动都挺好，衣服也丝滑地穿上了，但右手，尤其大拇指，还是不完美。相较 Google Veo、OpenAI Sora 等，Pika 的模型能力不算顶尖，一个问题解决了，还有更多的 bug 被发现。尝试了写实的，再来试试二次元画风，为了让坂田银时和漩涡鸣人同框，我特意挑选了两张背景都是蓝天白云的图片。提示词：动漫风格的场景，镜头聚焦在两个年轻男子的脸上，背景是蔚蓝的天空和白云。他们一边聊天一边眼神交流，保留了原有的动漫艺术风格背景融合得很自然，两位正面的表情发挥不错，吹动头发和衣服的风也恰到好处。然而，转身实在太可怕了。银时是死鱼眼，不是真的翻白眼啊喂。次元壁都打破了，当然也可以让名画跨年代互动——蒙娜丽莎和戴珍珠耳环的少女在麦当劳餐厅吃薯条。提示词：蒙娜丽莎和戴珍珠耳环的少女正在麦当劳餐厅用餐。她们相对而坐，桌上摆着薯条。她们边聊天边品尝薯条，摄像机从侧面捕捉她们，两位角色偶尔看向镜头，营造出一种随意而友好的氛围效果一言难尽，看到蒙娜丽莎，不知道达芬奇想不想掀棺材板。两位好像贴图一样，被放在了视频里，头部也运动得非常诡异。提示词：特写镜头，池塘表面出现气泡，然后咖啡杯从水中浮出上传一张星巴克的图片，一幅莫奈的睡莲，就可以得到一个「清水出芙蓉」的咖啡杯。一定程度上，Pika 提高了视频的可控性。话不说满，因为从实践看来，Pika 在场景、服装、物品上的一致性保持地较好，人物的脸容易崩，不管是什么次元。同时，模型的基础能力，Pika 也有待进步，吃东西、弹琴等物体运动，仍然会出现问题。这些问题，能不能通过抽卡缓解呢？Pika 2.0 目前仅对 Pro 和 Fancy 用户开放，如果按月订阅，每月至少花 35 美元，连免费试用的额度都没有。而且，Pro 用户每月只有 2000 积分，但使用 Scene Ingredients 功能，一个视频就要花掉 100 积分。其实，国产 AI 视频模型 Vidu，比 Pika 更早地实现了「多图参考」的功能。更拿捏用户的是，它有免费体验的积分。Pika 的几个案例，我也在 Vidu 跑了一下。蒙娜丽莎和戴珍珠耳环的少女吃薯条，两位像刚出土，但蒙娜丽莎的还原度比 Pika 高。马斯克和奥特曼一起看电影，马斯克的脸像了七八成，奥特曼的脸依旧灾难。坂田银时和漩涡鸣人同框，Vidu 居然能基于正脸生成侧脸，但画风和原图不太一样。另外，在功能上，Vidu 有一点不如 Pika——最多只能上传三张图片。所以，让 Vidu 给马斯克和奥特曼拍时尚大片，我就没有上传背景，只上传了两位的照片和绿色的大衣。两位给人的感觉很陌生。可以看出，人脸的稳定性，仍然是个难题。和 Pika 相比，Vidu 效果如何，可以见仁见智。Pika 用的是 Pro 版，Vidu 用的是免费版，客观上也会导致两者的差异。但 Pika 和 Vidu 的思路是相似的——仅靠几个图片素材、一段简单的提示词，就生成相对稳定的物体。在 AI 视频生成中，保持主体一致性，目前相对可靠的是 LoRA 方案，用一定数量的、特定主体的素材，对模型进行微调。通过适量的素材和训练，模型能逐渐掌握这个角色的样貌特征。但为了让 AI 视频被更多人用起来，有更广阔的商业价值，门槛就要降低。至少，从 Vidu 和 Pika 身上，我们看到了可能性。Pika 的 2.0 模型发了没几天，海外网友已经玩疯了。拿自己的照片，反复生成不同场景的视频，就可以实现「瞬息全宇宙」。通过 AI 一键试衣，模特和衣服如流水，场景都不带换的，实拍的钱省下来了。玩着玩着，Pika 给了我一种玩「QQ 秀」和模拟人生的感觉，怎么打扮视频里的角色，我们来决定。如果让马斯克「圆梦」，很容易，先用其他 AI 工具，生成了一件「占领火星」的 T 恤、一个写着「MAGA」的红色帽子。
