在文生视频的可控性测试集（附 Luma Dream Machine 测试结果）中，我给出了一个测试文生视频可控性的，包含10个基本测试用例的测试集，还用Luma Dream Machine做了初步测试。今天，我用快手可灵（通过“快影”工具）测试了同样的10个基本测试用例，然后把快手可灵的结果与Luma Dream Machine的结果拼接起来（可灵在上，Luma在下）。大家自行对比、判断快手可灵与Luma Dream Machine孰强孰弱。
测试方法：
快手可灵使用中文提示词，Luma Dream Machine使用英文提示词；
除提示词外，两个工具均使用缺省配置；
快手可灵选择1280x720画幅，Luma Dream Machine使用缺省的1360x752画幅，合并以下SxS视频时，将Luma Dream Machine的结果缩放到与快手可灵结果等宽（1280像素），以便对比；
快手对某些提示词元素的内容审查较严格，有疑问的均拒绝生成。因此，第9条原来的中文提示词“一个日本小姑娘把一只手表藏进橱柜，警察随即闯入并逮捕了小姑娘”，实际在快手可灵中生成时，不得已修改成“一个小姑娘把一只手表藏进橱柜，厨师随即进入并拉住了小姑娘”。
测试结果对比：
#01
测试目标：单场景，单主体，单一常见动作
中文提示：一位女孩在漂亮晚霞掩映的沙滩上跳芭蕾。
英文提示：A young girl is dancing ballet on the beach under a beautiful sunset.
#02
测试目标：单场景，单主体，两个常见动作衔接
中文提示：一只狐狸跳过一把椅子，然后再跳回来。
英文提示：A fox jumped over a chair then jumped back.
#03
测试目标：单场景，单主体，常见动作，主体的一部分拥有单独动作
中文提示：一辆高速行驶的汽车的左前轮脱落。
英文提示：A car's left front wheel came off while it was speeding.
#04
测试目标：单场景，单主体，常见动作，近景特写
中文提示：一只劳力士手表的秒针突然停止，特写镜头。
英文提示：The second hand of a Rolex watch suddenly stopped moving, close-view.
#05
测试目标：单场景，双主体，常见动作，有虚构成分
中文提示：一只红色狐狸与一个女孩握手。
英文提示：A red fox and a young girl shake hands.
#06
测试目标：单场景，单主体，常见动作，精确的位置描述
中文提示：在自顶向下的俯视镜头里，一只狐狸从麦田左上角跑到右下角。
英文提示：A fox runs from the upper left corner to the lower right corner of a wheat field in a top-down shot.
#07
测试目标：单场景，双主体，连续两个常见动作，双主体间的位置关系
中文提示：一个男人越过一只奔跑的狐狸，然后跑进小木屋。
英文提示：A man jumped over a running fox then ran into a hut.
#08
测试目标：单场景，单主体（虚构人物），常见动作，精确道具控制
中文提示：一个外星人在白板上画出两个正方形。
英文提示：An alien draws two squares on a whiteboard.
#09
测试目标：单场景，多主体，多个常见动作，精确的动作目标和动作顺序
中文提示：一个日本小姑娘把一只手表藏进橱柜，警察随即闯入并逮捕了小姑娘。（为适应可灵的内容过滤，不得已改成了“一个小姑娘把一只手表藏进橱柜，厨师随即进入并拉住了小姑娘”）
英文提示：A young Japanese girl hides a watch in a closet, whereupon the police, who break in, quickly arrest the girl.
#10
测试目标：单场景，多主体，虚构动作，复杂位置关系
中文提示：一辆无人骑行的自行车缓缓穿越道路，路边的旁观者纷纷露出惊讶、诧异的神情。
英文提示：A riderless bicycle slowly rides across the road, while the onlookers at the roadside show expressions of surprise and astonishment.
小结
不知道大家如何判断。我个人的简单总结（仅供参考）：
单一主体，单一动作时，快手可灵对中文提示的理解准确度，好于Luma Dream Machine对英文提示的理解，个别具体测试用例里，快手可灵表现出来明显的质量优势。
多动作、较复杂动作衔接、组合，较复杂逻辑或交互，目前快手可灵与Luma Dream Machine都很难支持。
想单通过提示词就对生成结果的时间、空间关系做精确控制，目前还比较困难。无论是快手可灵还是Luma Dream Machine，都还没有做到文生视频里的精确可控。
文生图、文生视频里的常见质量缺陷（比如三条腿、人体扭曲等），在二者的生成结果中，都不难找到。
2024年，AI视频生成技术进步极大，但还没有大到突破应用边界的地步。
AI同行们，大家一起加油！
