想进Kimi创作空间，挺简单。

这个功能在哪儿呢？就在聊天界面下面，有个不太显眼的按钮，上面写着：Kimi创作空间。

点进去后，会看到一个全新的创作界面，上面写着：你喜欢的歌都有它的视频。我们可以简称这个功能为：文生视频。

有没有拿到内测名额呢？快去看看。这个功能怎么用？进了创作空间，它有13个模板，比如：末日风格、赛博朋克、情书风格、哈利波特黑谷风格、摇滚风格等等。

操作步骤就两步：一，输入提示词；二，选择风格。然后等着生成就可以了。

如果你是新手，可能会问：怎么写音视频的提示词？别担心。在内容描述后面，有一个选项叫做“帮我写XX风格的提示词”。

点击这个选项，它会自动生成一两句描述相关内容风格的内容；整个过程不需要太多理解成本，只要会用AI，基本都会操作。

我试了三种风格：情书、末日和黑白复古。生成速度挺快的，随机点开一个生成的作品，是个14秒的音视频。

从视频人物来看，一眼就能看出是AI生成的，和真实人物修图后的质感不一样，模拟感比较重，这也是现在大多数模型的共同问题，不用太惊讶。

不过，好在它没有出现「恐怖谷脸」的情况。动作、表情和皮肤纹理都挺流畅，眼睛大小、牙齿排列和耳朵形状都没有问题，在人物呈现上整体很协调，这绝对是模型的一个进步。

再来说说场景。

我对近景、远景、特写和空镜都做了测试。我觉得远景效果最好，因为视角大，给人的整体感觉不一样。

我给远景设定的是音乐会现场，就像我们平时想的那样，能看到所有人举着手，还有灯光营造出的氛围，这方面它做得确实不错。

中景上，我给Kimi的提示词是这样：我告诉它，“秋天的公园，一对情侣在落叶中散步，女孩轻轻踢着地上的落叶，男孩伸手接住一片，然后笑着递给她”。

它生成的结果画面整体感觉挺秋天的，情侣之间的互动也表现出来了，但是，落叶的形状，情侣的表情动作这些细节没那么完美，还得再改进。

近景的效果一般，特写就不一样了，感觉挺真实的，甚至还有让人眼前一亮的地方。

我给近景的提示词是：

一张泛黄的情书静静地摊在古老书桌上，周围都是旧书和一支钢笔，自然光洒进来，情书纸页微微颤动，像是在讲过去的事。

它生成的画面挺清晰，把描述的场景呈现得不错，虽然和真实场景比起来还有点差距，但在特写上的表现已经超出了预期，让我看到了它在特定镜头上的潜力。

所以，在没有人物的特写场景上，Kimi还不错。

图示：Kimi创作空间作品直接生成画面

看到这，你也许会有疑问：为什么每个页面还能编辑呢？没错，在Kimi 创作空间里，音视频生成好了之后，有不满意的地方，可以针对每一帧进行单独创作。

比如：

你做了个14秒的视频，系统大概会分成12帧或13帧，每帧旁边都能单独写提示词，写完后，就能用新的提示词重新生成这一帧。这是个功能亮点。

如果你觉得模板里的音乐不好听，或者系统自带的音乐不合心意，可以输入链接，系统能提取音乐，还能上传自己的音乐，我看它现在能处理抖音的链接，挺方便。

对了，上传完音乐，选好模板，如果不知道怎么写提示词，也不用担心，只要输入几个关键词就行。

我选了“开始懂了”这首歌，在内容描述里写了恋人、公园、牵手、失落这些词，接着点“帮我写”的按钮，它就能生成一段话，省了不少事。

还有个好处，如果觉得生成慢，可以回到聊天界面，过一两分钟再回来，你的内容还在，不会影响生成。Kimi生成完内容后，会发短信通知你，这点挺方便的。

有优势总有劣势，我的感受有五点：

一，每次生成的视频时长有限，只能生成十几秒的视频；二，在个性化方面比较欠缺，如果想调整声音的语调之类的，系统不支持。

不过，也有个解决办法，是可以自己先录一段音频，把语调都调整好，然后再上传上去，这样就能弥补一些不足，但总归还是没有系统直接支持方便。

三，生成的视频质量有时不稳定。就像我之前说的，人物看起来和场景细节有时不够完美，不是每次都能达到最好的效果，而且风格模板虽然多，但有些风格比较笼统，不够细致。

比如：我想要特定年代或者情感的氛围，就很难精确做到。这对于对于细分场景下想用音视频的人来说，反而非常重要。

四，对于新手来说，即使有帮忙生成提示词的功能，有时生成的提示词还是挺模糊的，让人搞不清楚到底能做出什么样的视频，如果是专业视频制作人，他们可能也会有同样的烦恼。

还有一点，现在还不能分享作品，只能下载。我不知道这算不算一个很重要的功能。不过，根据使用其他平台的经验，好像这个功能也不是那么关键。

你也可以亲自体验下，看看感受如何？

不得不说，文生视频发展挺快，GIR报告说，2023年全球文生视频的市场收入大概有720万美元，预计到2030年能涨到22.19亿美元。这表示从2024年到2030年，每年的增长率可能会有56.6%。

感受不到数字带来的冲击也没关系，我们换个角度想。

现在广告、影视、教育领域对短视频的内容需求蛮大，大家都说行业不好做，裁员也多，其实公司大部分可重复、不用人力的工种的确在进一步被AI、或者会用AI的人替代。

2023年麦当劳就发布了一个全AI制作的广告。

这个广告把麦当劳的品牌元素巧妙地融入到生活场景里，比如动作细节、情绪状态等等，这种制作方式不仅让内容制作更快，还显示了AI在大量生产商业内容上的潜力。

还有伊利的《千年江南》和《伊笑过龙年》，这些视频用AI技术快速变换场景和面部表情，给广告增加了特别的情绪和视觉效果。

案例还有很多，不逐一列举。所以，这种尝试大大降低了广告制作成本，也说明了，AI生成视频已经成为广告创意的一个有效工具；它可能还不能直接做出一个完整的广告视频，但至少成了一个有用的辅助工具。

一说生成、我也很好奇，到底哪些人会用文生音视频？

AI技术发展先有技术，再逐步找到应用场景。但是推广的时候，就得反过来，得先有人愿意用，用的人多了，大家才会开始关注。

这个过程就像是PMF（Product Market Fit），就是产品和市场要匹配，需要不断调整。

我觉得，最开始用文生音视频的可能是自己做视频的人。比如：拍短视频的博主、做内容的创作者，或者是给客户服务的团队，这些人用了之后，提高了工作效率，慢慢就会吸引更多的服务公司来用。

而且，这项技术也可能会用在游戏、电影、电商这些地方。比如网易的《逆水寒》，里面很多角色是AI做的。还有像天猫、京东这样的电商平台，也开始用AI来做创意内容了。

从公司的角度来看，他们要功能很强的AI模型，能和他们的业务很好地结合，个人用户呢？希望模型操作简单，用起来方便，能快速帮他们解决问题。

这两者并不冲突，反而是相辅相成的。因为只有更多个人用户使用并反馈，模型才能不断优化，经过多次迭代，最终为企业客户提供更强大的服务。

可以说，个人用户的广泛使用为模型的成长打下基础，模型越成熟，就越能满足企业的需求，推动整个行业向前发展。

我看到Kimi最近在不断发力，比如：推出了数学版k0-math，悄悄测试文生音视频。这些动作其实展现了Kimi在向多模态技术发展的过程中，迈出的一些关键步骤。

为什么说这是关键一步呢？

先了解一下什么是多模态（Multimodal）。简单来说，就是让AI能同时处理文字、图片、声音、视频这些不同形式的数据。这样就能打破只处理一种数据的限制，给用户提供更全面的解决方案。

它之所以重要，是因为从市场角度看，当前许多大模型厂商都在围绕自己的核心业务，深耕多模态技术，这种依托业务根基的发展方式让模型更具竞争力。

比如：

阿里推出通义大模型系列，针对金融、医疗、娱乐这些行业进行定制；还有Qwen系列模型，Qwen-Math搞数学，Qwen-Coder为编程设计，Qwen-VL理解图片视频内容。

阿里还有个M6模型，专门针对电商场景设计商品、写文案、创作虚拟主播剧本等等，这些模型在适应不同场景和细分领域上都很强。

再看看豆包大家族，更是大力出奇迹。

它有两个主要的模型，一个叫 Pro，针对大规模文本创作的；另一个叫Lite，满足轻量化定制应用需求。

除此之外，还有音乐语音模型、声音复刻模型、文生图模型、图生图模型、视频模型，甚至角色扮演和同声传译的模型都有。他们把模型应用到了各种工作场景，到处都能看到他们的身影。

所以，Kimi肯定要通过多模态布局来核心竞争力。

话说回来，像字节和阿里这样的公司，在商业化大模型时有个特点：他们会将模型能力封装成具体产品，通过产品来验证市场需求，再利用产品实现商业化。

字节的豆包，它不仅是一个大模型的框架，还衍生出很多具体的产品，比如“即梦”。

主要用于文生图、文生视频、图生图、图生视频等领域，而且它已经进一步商业化，直接和市场上的可灵等产品进行对标和竞争。

但Kimi的产品包装能力还比较弱，虽然推出了一些功能不错的模型，但商业化的速度和市场验证的效率显得更慢一些。

这也导致Kimi在发展过程中可能更多依赖资本推动，这种模式比起快速形成产品闭环的路径，市场吸引力可能不够。

相比之下，Kimi在这一点上还有很大的进步空间。

如果能把模型能力包装成独立的产品推向市场，用产品来快速测试市场反馈，那么发展速度可能会更快。

因为，用户不是傻子，真正要让一个人付费时，反而会衍生出诸多真需求，而满足这些真需求，才是走向垂直细分更重要的一步。

因此，商业化和技术发展并不冲突，有能力不代表有用，这些问题，可能要Kimi进一步思考。