TikTok 的 AI 视频革命：Vidi2 发布
中国科技巨头TikTok最近推出了一款名为Vidi2的人工智能视频编辑器，以其革命性的视频理解和创作能力震惊了业界。根据最新的技术评估，Vidi2在视频理解深度上超越了谷歌的Gemini 3 Pro，成为目前最先进的视频多模态模型。该模型专为长时Delta视频设计，能够处理数小时的庞大素材，并根据简单提示自动生成剧本、TikTok短视频或完整版电影，大大降低了视频创作的门槛。
Vidi2的发布标志着TikTok在AI多模态技术领域的一个关键进展。作为抖音和抖音的母公司，抖音长期专注于短视频生态系统。该工具的推出将进一步赋能全球内容创作者，推动人工智能从辅助工具转变为核心生产力。
核心技术突破：时空定位与端到端编辑
Vidi2的核心在于其细粒度的时空定位能力，能够准确捕捉视频中特定动作和物体的位置和时间段。传统的视频AI常常难以“阅读”完整的长视频，导致活动起止点及参与者的准确识别不准确。然而，Vidi2 通过多模编码器和语言模型骨干，集成了文本、视觉帧和音频输入，实现像素级分析。
具体来说，用户只需输入文本查询，模型就会返回精确的起点和结束时间戳，以及目标对象边界框的轨迹。例如，在一部数小时的纪录片中，查询“猫跳跃场景”不仅能找到第二层片段，还会自动提取并剪辑成独立短片。该模型采用自适应视觉令牌压缩技术，确保高效的内存使用，即使在极短或极长的编辑中也能保持密钥上下文的完整性。
在基准测试中，Vidi2在VUE-STG（时空基准）和VUE-TR-V2（时间检索基准）上显著优于Gemini 3 Pro和GPT-5等商业模型。在视频问答任务中，其准确性显著提升，尤其是在叙事感知的自动编辑、支持一键裁剪、添加字幕和重建故事地图方面。TikTok团队表示，模型的训练数据结合了合成剪辑和大量真实视频，确保生成内容的保真和自然。
应用场景创新：从材料搜索到智能脚本生成
Vidi2 不仅仅是一个编辑器;它也是一款智能创意助理。其端到端工作流程将视频制作从手动拉取轨道转向自然语言驱动：输入主题提示，模型自动输出标题、钩子、拍摄脚本并生成最终视频。创作者可以轻松将长篇内容转换为TikTok竖屏短视频，或扩展为电影级别的叙事，适用于新闻、广告和娱乐等领域。
想象一下，一位纪录片导演上传数小时的原始素材，并简单提示“聚焦一个关于环境保护的励志故事”，Vidi2 就会生成完整的剧本和剪辑大纲。这不仅加快了迭代过程，也增强了创意表达的包容性。即使是非专业用户，也能通过简单的对话获得专业水平的产出。
行业影响与未来展望
Vidi2的发布加剧了全球AI视频市场的竞争。TikTok因此巩固了其在多模态AI前沿的地位。此前，其MagicVideo系列在文本转视频生成方面展现了潜力，而Vidi2则专注于理解和编辑循环。专家预测，该工具将重塑内容行业生态系统，降低制作成本，并推动短视频向更长格式发展。
