Bernini - 字节跳动开源的统一视频生成与编辑框架

当视频生成遇见“先理解、再动手”

视频生成与编辑领域，最近出现了一个值得关注的新框架——Bernini。它来自字节跳动的开源项目，核心思路其实很简单：把“理解指令”和“生成画面”这两件事分开做。要知道，过去很多视频模型之所以让人头疼，恰恰是因为它们经常“听不懂人话”——你说往左，它偏往右；你说改背景，它把整个画面都换了。

Bernini采用了一种两阶段解耦架构：多模态大模型（MLLM）负责语义规划，Diffusion Transformer（DiT）负责视觉渲染。通俗点说，就是先让模型想清楚“要拍什么”，再让它动手“画出来”。目前，它的推理代码和权重已经全部开源，支持文本/图像生成视频、环境编辑、视角调整、动作编辑，甚至还能把多张互不相关的参考图组合成同一个视频角色。

主要功能：从生成到编辑，一个框架全搞定

• 文本/图像生成视频
  ：支持从文本提示或参考图像直接生成视频，单图、多元素组合图、多角度参考图都能处理。

• 视频编辑
  ：环境、视角、焦点、动作——四种编辑方向全覆盖。

• 参考引导编辑
  ：把指定的物体、纹理或风格精准融入视频——主体参考图、材质参考图、风格参考图都可以作为“引子”。

• 图像/视频植入
  ：把海报或视频填入画面中的屏幕、招牌等区域，且能跟随镜头移动，保持透视和时序稳定。这就好比在实拍画面里“贴”上一块虚拟屏幕，看起来还挺自然的。

• 多元素组合
  ：把几张完全不搭边的参考图整合成同一个视频角色，或者基于同一场景的关键帧生成连续平移镜头。

技术原理：解耦，才是关键

Bernini的技术架构，最值得关注的就是那个“两阶段解耦”。

第一阶段，多模态大语言模型（MLLM）充当“语义规划器”（Semantic Planner）。它会在ViT嵌入空间中预测目标语义表示——说白了，就是负责理解文本指令、分析源视频和参考素材，然后规划出“最终画面应该长什么样”。

第二阶段，Diffusion Transformer（DiT）充当“渲染器”（Renderer）。它在VAE潜在空间里执行流匹配去噪，把规划好的语义转化成高质量的视频帧。值得一提的是，在编辑任务中，源视频的VAE特征会被注入进来，这样非编辑区域的细节就能保留下来，避免“一改全改”。

此外，还有两个设计亮点值得一提：

• Segment-Aware 3D RoPE（SA-3D RoPE）
  ：当多张参考图、源视频和目标输出被串联成一个统一序列时，不同片段的token可能共享相同的时空坐标。如果直接处理，模型就会“晕”——分不清哪个token来自哪个来源。SA-3D RoPE的做法是为每个视觉片段分配一个segment索引，整合到旋转位置编码中，让模型既能区分不同来源，又能保留原始的时空建模特性。

• 思维链推理与三阶段训练
  ：Planner会在潜在空间中进行思维链推理，增强复杂编辑场景下的语义保真度。训练分三阶段进行——Planner预训练、Renderer预训练、最后两者轻度联合训练，既保留了各模块的预训练优势，又维持了整体效率。

如何使用：开源项目，门槛并不高

如果你打算动手试试，流程很直接：

• 克隆仓库
  ：从GitHub把Bernini项目拉到本地。

• 安装依赖
  ：pip安装requirements.txt里的依赖包就行。

• 下载模型
  ：通过HuggingFace下载Bernini-R-Diffusers权重。

• 配置环境
  ：Python建议用3.11.2，CUDA至少12.4+，推荐Hopper架构GPU（比如H100/H800）。

• 运行生成
  ：用torchrun执行多GPU推理脚本，指定配置文件和测试用例。

• 配置提示增强
  ：如果想让生成质量更高，可以设置OpenAI兼容的API端点来增强文本提示。

核心优势：为什么值得关注？

• 先理解再生成
  ：MLLM负责语义规划，DiT负责视觉渲染——这才是真正的“先想清楚再动手”。传统视频模型“听不懂人话”的痛点，在这里得到了缓解。

• 统一框架
  ：生成、编辑、参考引导……单一架构覆盖多种任务，不用在不同模型之间来回切换。

• 多参考输入
  ：文本、图像、视频可以同时输入，SA-3D RoPE保证不会出现时空混淆。

• 细节保留
  ：编辑时会注入源视频VAE特征，非编辑区域的细节能完整保留，而不是“一改全改”。

• 完全开源
  ：推理代码与权重全部开放，大大降低了研究与开发的门槛。

• 强泛化能力
  ：即使在训练时没有明确覆盖的指令——比如因果推理、动作变化——它依然表现得相当不错。

项目地址

• 项目官网
  ：https://bernini-ai.github.io

• GitHub仓库
  ：https://github.com/bytedance/Bernini

• HuggingFace模型库
  ：https://huggingface.co/ByteDance/Bernini

• arXiv技术论文
  ：https://arxiv.org/pdf/2605.22344

与同类竞品的对比：Bernini vs Runway Gen-4

对比维度	Bernini	Runway Gen-4
开发方	字节跳动（开源）	Runway（闭源）
核心架构	MLLM Planner + DiT Renderer	专有视频生成模型
任务覆盖	生成+编辑统一框架	生成+编辑
可控编辑	★★★★★ 强（语义规划+多参考）	★★★★☆ 较强
参考图支持	★★★★★ 多元素/多角度/材质/风格	★★★★☆ 支持
开源程度	★★★★★ 权重+代码开源	★☆☆☆☆ 闭源
硬件要求	推荐 H100/H800（8卡视频）	云端 API
视频编辑	★★★★★ 保留非编辑区域细节	★★★★☆
视觉质量	★★★★☆ 优秀（480p/16fps）	★★★★★ 顶尖

可以看到，Bernini在可控编辑、参考图支持和开源程度上具备明显优势。如果团队有硬件条件且需要深度定制，它是目前最具性价比的选择。而Gen-4在视觉质量和部署便利性上依然领先，适合追求“即开即用”的团队。值得注意的是，两者在实际使用中并非完全替代关系——一个更开放、更灵活，一个更成熟、更稳定。

应用场景：在哪里能落地？

• 广告创意
  ：快速生成产品展示视频，支持产品图植入与风格调整——对于需要快速出片的广告团队来说，这能节省大量人力。

• 电商展示
  ：基于商品多角度参考图，生成一致性高的动态展示视频。想象一下，电商详情页里不再是静态图，而是自动生成的、360°无死角的商品演示。

• 影视预演
  ：通过关键帧生成连续镜头，辅助虚拟漫游与场景构建。导演和美术指导可以快速验证镜头设计，降低实际拍摄成本。

• 二次创作
  ：风格迁移、天气变换、动作编辑——这些操作的门槛被大幅降低了。内容创作者不再需要昂贵的后期软件。

• 虚拟拍摄
  ：把海报或视频精准填入画面中的屏幕或招牌，实现虚实融合。在影视后期和虚拟制片领域，这个能力相当实用。

话说回来，Bernini目前生成的视频分辨率在480p左右，帧率16fps，与Gen-4的顶尖画质相比还有差距。但对于场景探索、创意验证和轻量级内容生产来说，这个易用性+开源特性已经很难得。业内关注这个方向的朋友，不妨亲自上手试试——开源的世界里，能用起来的才是真优势。