Midjourney 近期发布了其视频模型，令人瞩目。此次它不刻意追求高分辨率，而是将重点放在了画面的质量和惊艳效果上。当视频展现在网友眼前时，大家纷纷直呼惊艳。那细腻的光影变化、逼真的色彩呈现，仿佛将人带入了一个全新的世界。无论是精致的细节还是流畅的动态，都展现出了 Midjourney 在视频领域的卓越实力。它用实际行动证明，并非只有高分辨率才能带来震撼，独特的画面表现同样能征服人心，引发了网友们的广泛关注和热议。

面对迪士尼和环球影业的版权诉讼，老牌文生图“独角兽”Midjourney没有放慢节奏，反而于今天凌晨顶着压力推出了首个视频模型V1。

调色精准、构图考究、情绪饱满，风格依旧在线。

不卷分辨率、不卷长镜头、Midjourney卷的，是一股独有的氛围感和审美辨识度。Midjourney是有野心的，目标剑指“世界模型”，但目前略显“粗糙”的功能设计，能否让其走得更远，恐怕还是一个未知数。

省流版如下：

• 上传或生成图像后点击“Animate”即可，单次任务默认输出4段5秒视频，最长可扩展至21秒；

• 支持手动和自动两种模式，用户可通过提示词设定画面生成效果；提供低运动和高运动选项，分别适合静态氛围或强动态场景；

• 视频功能包含在现有订阅中（10美元/月），GPU资源消耗为图像任务的8倍；

• 不支持添加音效、时间轴编辑、片段过渡或API接入，分辨率仅为480p，长宽比自动适配图像，仍属早期版本；

• 视频模型是阶段成果，未来将继续推出3D模型与实时系统，最终剑指世界模型。

Midjourney官方宣传demo

开卷氛围感，Midjourney视频模型正式上线

你卷你的分辨率，我走我的超现实。

Midjourney一直以奇幻、超现实的视觉风格见长，而从目前用户实测的效果来看，其视频模型也延续了这一美学方向，风格稳定，辨识度高。

在@EccentrismArt博主分享的视频中，一个少年从高空垂直坠落。人物造型简洁，动态感强，像是跳跃、坠落或在梦境中自由落体，运动路径流畅，人物重心相对自然。

城市街区密集、灯光密布，建筑仿佛在空间中倾斜、旋转，形成一种空间扭曲的视觉错觉，但整体建筑动态无明显抖动或AI生成拼接断层。

在这段日式电车站场景视频中，电车离站，太阳将落未落，色温控制到位，光源自然，营造出一种静中带动、动中藏静的节奏。

Prompt:The train passing through the station.|@PJaccetturo

一位身穿衬衫、手抱文件或书本的女性剪影，在她背后，是一幅巨大的人类头部侧影，可以看到，多重曝光/层叠构图处理得非常干净，光晕勾边自然，没有过曝。也难怪Perplexity AI设计师Phi Hoang直呼画面超出预期。

知名X博主@nickfloats分享了一个女生走在一个光线明亮的火车站台上的视频，背景中有一列高速驶过的火车，光影分区明显，立体感强。

夜晚、极光、雪地、车灯、运动模糊等要素并存，对视频生成模型提出了极高挑战。但模型成功处理多重光源干扰；雪地粒子、车速模糊、轨迹光效一致性强。

Prompt：2022 World Rally blue Subaru，racing through snowy Finland at night，dramatic action shot，dynamic motion blur，snow flying，Northern lights in the sky，headlights illuminating the snow，high contrast，cinematic lighting|@JamianGerard

身穿经典的太空服，航天员身后延伸出大量彩色的光线轨迹，呈现出一种“穿越”或“高速运动”的错觉，视觉节奏感强。

Prompt：“Live a little，dropping acid，and I'm flying away I'm feeling like an astronaut in space I don't think that it'll do the damage they say Feeling like an astronaut in space”|@JamianGerard

高光、材质、液体运动等要素都是检测AI模型对静物表现力的重要试金石，而这则视频中，奶油动态自然，杯体旋转过程中标签未发生明显扭曲。

Prompt：A Starbucks drink，classic tall cup，iced caramel macchiato，swirling caramel drizzle，whipped cream on top，condensation on the cup，vibrant and appetizing，high-quality beverage photography，1:1 aspect ratio.|@JamianGerard

写实风格表现中规中矩，孩童左手多出来的部分看着就有些不太协调。

Prompt：Sitting in the middle of the jungle with lots of wild animals moving around S|@JamianGerard

在末日感拉满的纽约街头，火光、残垣断壁等细节充足，根据提示词的要求，生成的视频需要以35mm胶片质感推进，整体来看也略带颗粒感。

Prompt：A city street in the early morning，with burning cars and debris scattered everywhere.The scene evokes 1990s New York，captured in the style of photographer Jeff Wall，with the grainy texture of 35mm film.|@JamianGerard

水晶球悬停缓旋，考验场景稳定性，好在摄像机运动也相当平稳。

Prompt：crystalline sphere hovering and spinning slowly above a calm colorful field，steady cam shot|@JamianGerard

值得注意的是，以上展示的案例生成结果可能经过多轮“抽卡”，但就最终效果来看，视觉完成度已经相当可观。

有野心的Midjourney，正在搭建“世界模型”的第二块积木

从今天起，Midjourney用户可以在官网（Midjourney.com）上传图像，或直接使用平台生成的图像，点击“Animate”按钮，即可将图像转为视频。

每次任务会生成4段5秒的视频，用户可对任意一段进行最多4次扩展，每次增加4秒，总时长最多21秒。当然，万步开头难，官方表示未来将在时长和功能方面进一步扩展。

操作逻辑门槛其实并不高，你可以像往常一样在Midjourney创建图像，只是现在多了一个画面动起来的步骤，此外，你还可以上传外部图片作为“起始帧”，再通过提示词描述希望呈现的动态效果。

V1提供了一些可调节的自定义设置，便于用户对画面内容做出更细致的控制。

在“手动模式”（Manual）下，你可以输入具体提示词，自动设定视频中元素的移动方式和场景，但如果你暂时对提示词没有头绪，可以选择“自动模式”（Auto），它会为你自动生成运动提示词，并让图像动起来。

在创意风格方面，你还可以选择两种运动设置：

• 低运动模式（Low motion）：适合大多保持静止的镜头，如人物眨眼、微风吹动景物等氛围感场景，缺点是，有时效果并不明显；

• 高运动模式（High motion）：适合需要镜头和主体都大量移动的场景，但缺点是，强烈的运动有时可能会导致画面错误或不稳定；

价格方面，视频功能被直接纳入Midjourney的订阅体系，起价依旧是每月10美元。

根据官方博客的说法，Midjourney每段视频的GPU耗时约为图像任务的8倍，但在生成长视频的情况下，平均每秒的成本几乎与图像生成持平。相较竞品，性价比可以排进第一梯队。

我们也用AI搜索引擎简单梳理了一些主流视频模型的订阅费用，供大家参考：

另外，Midjourney正在面向Pro及以上等级的订阅者测试“Relax Mode”模式，该模式将会以较慢的速度完成生成任务，从而降低对算力资源的消耗。至于其他等级的用户，依然按照GPU时间和会员等级计费。

目前来看，Midjourney视频模型存在不少值得吐槽的点，最典型的特征就是缺乏一些面向专业创作的关键能力。

首先，Midjourney视频模型只能生成“哑剧”，暂不支持自动添加背景音乐或环境音效。若需音频，仍需使用其他第三方工具手动添加。

其次，Midjourney视频模型不支持编辑时间轴、生成的视频片段之间是“跳切”的，无法做到故事连续、画面自然衔接，也就很难控制剧情节奏或情绪铺垫。

再者，Midjourney视频模型暂时也不提供API。

更重要的是，Midjourney默认输出24fps、480p的视频，视频长宽比会自动适配图像原尺寸，上传至其他平台时也会标注为480p。

注：Midjourney可能会对长宽比稍作调整，最终输出视频的比例可能与起始图像略有不同。

Midjourney官方也坦言，当前版本仍属早期探索阶段，重在可访问、易上手、可扩展。

视频模型只是切口，Midjourney想要的，是更完整的内容生产体系。

其最终目标是构建一个“世界模型”，也就是将图像生成、动画控制、三维空间导航和实时渲染整合为一体。

你可以理解为，在一个能够实时生成画面的AI系统中，输入一句话，可以命令AI主角在3D空间中移动，环境场景也会随之变化，而且你可以与一切进行互动。

如同搭积木，要实现这个目标，就需要图像模型（生成静态画面）→视频模型（让画面动起来）→3D模型（实现空间导航与镜头运动）→实时模型（保证每一帧都能同步响应）。

按照Midjourney的产品规划，这四块技术“积木”将陆续交付，最终整合成一个统一的系统。而作为阶段性成果的V1视频模型，是这个终极目标的第二步。