IT之家 1月31日消息，快手今天正式宣布推出新一代视频生成模型“可灵 3.0”系列，该系列目前正处于超前内测阶段。此次发布的系列包含了图片3.0、视频3.0以及视频3.0 Omni三款模型，它们在原有技术基础上实现了多项核心能力的突破与升级。

据了解，图片3.0模型的升级主要集中在以下四大功能板块：

新增了组图生成能力，支持用户通过上传单张或多张输入图像，批量生成逻辑连贯、叙事流畅的系列化画面；

输出分辨率显著提升，最高可支持生成2K与4K级别的高清图像，更好地满足了影视预演、场景设定等专业视觉创作需求；

大幅增强了画面细节的一致性，优化了纹理、光影的呈现效果，有效降低了图像中的“AI感”，使生成结果更加自然逼真；

强化了对构图、视角等画面元素的控制精度，提升了模型在影视类创作场景中的实用性与可控性。

据介绍，此次模型升级采用了视觉思维链技术，辅助生成前的场景解构与推理，并通过Deep-Stack视觉信息流机制增强了模型的细粒度感知能力。在模型训练过程中，研究团队引入了强化学习框架，并融合真实感与电影质感的双重评估标准，持续优化模型的最终输出效果。

此外，新一代视频模型采用了统一的多模态训练框架，支持文本、图像、视频片段等多种输入形式。单次视频生成时长最高可达15秒，并支持用户灵活设置3到15秒的目标时长。其功能改进主要包括：

新增了智能分镜系统，能够根据文本指令自动调度不同的景别与机位，实现更富动态的视觉叙事；

增强了生成主体的身份一致性控制，允许用户通过多张参考图或视频来锚定特定的人物或视觉元素；

升级了音画同步能力，不仅支持中、英、日、韩、西五种语言及多种方言的精准口型匹配，还能实现多人场景下的角色定向发声；

提升了文字生成的清晰度，确保画面中的招牌、字幕等文字信息清晰可辨，细节处理更加到位。

全新推出的视频3.0 Omni版本，额外支持创建视频主体特征库功能。用户只需提供一段包含人物的3到8秒视频，模型即可提取该角色的形象与音色特征，并应用于后续的生成任务中。相关技术文档显示，此次升级在多模态指令解析架构优化、音频采样区间调整以及特征解耦重组方案等方面均取得了进展。