字节开源AI视频编辑框架Bernini权威评测

人工智能视频生成与编辑的底层逻辑正在发生根本性转变。字节跳动商业化技术团队近期开源的统一框架Bernini，专为视频生成与编辑任务设计。该框架的核心思路极其简洁：先深度理解内容，再精准生成内容。传统模型在处理复杂文本指令时，往往陷入画面失控、帧间闪烁等长期存在的行业痛点，根本原因在于对指令的理解停留在表层——而Bernini正是针对这一核心缺陷设计的解决方案。

以往视频编辑面临的最大障碍包括主体变形、背景漂移和动作断裂。Bernini为这些棘手问题提供了一种全新的处理路径，将工作流拆解为两大模块：语义规划与视觉渲染。具体而言，系统中的多模态大模型规划器首先对输入素材进行深度解析——无论是文本、视频还是参考图像，都会在特征空间内预测出目标语义表示，相当于绘制一张不限定分辨率的“语义草图”；随后，基于Diffusion Transformer的渲染器将这张草图转化为稳定且连续的动态画面。

正是这种分工架构，让Bernini在可控编辑方面展现出扎实的实用价值。用户仅凭一条指令，即可让画面中的天气、季节、材质或视觉风格发生逼真自然的演变，同时还能对镜头视角、焦点及主体动作进行精确的语义控制。举例来说，在保持环境和镜头高度稳定的前提下，系统能够使视频中动物的动作产生自然变化——这意味着AI视频编辑在精准度上已逐步逼近传统后期软件的水准。

除了文本操控，Bernini还支持图片和视频作为视觉参考，这对创作一致性的提升效果显著。在视频编辑场景中，它能将特定材质、主体甚至广告海报精准嵌入目标区域，边缘不穿帮、透视不变形；而在新视频生成场景中，模型支持单图参考生成、多角度参考生成、关键帧到连续镜头的演进，甚至能将几张看似毫不相关的单品图像完美组合到同一个视频角色身上。

另一个值得关注的技术细节是，为解决多视觉片段串联时模型容易混淆的问题，团队引入了SA-3D RoPE位置编码机制。该机制的核心在于为不同视觉片段打好专属标记，使模型在保留时空位置关系的同时，清晰区分参考素材与输出目标。根据字节跳动自建的测试结果，该框架的表现已稳居行业第一梯队。目前，Bernini的推理代码与第二阶段模型Bernini-R的权限已正式开放，包含完整MLLM规划器的全版本也将在近期解禁——值得持续跟踪。

来源：互联网