字节跳动商业化技术团队开源统一视频生成与编辑框架Bernini，通过“语义规划+视觉渲染”双阶段机制重构AI视频工作流。系统先由多模态大模型解析文本、图像与视频输入，生成语义表示，再由基于Diffusion Transformer的渲染器输出稳定连续画面，有效缓解画面失控与闪烁问题。该框架支持对天气、风格、镜头与动作的精细控制，并兼容图像与视频参考以提升一致性。同时引入SA-3D RoPE编码优化多片段识别。相关推理代码及Bernini-R已开放，完整版本将进一步发布。
字节跳动商业化技术团队开源统一视频生成与编辑框架Bernini，通过“语义规划+视觉渲染”双阶段机制重构AI视频工作流。系统先由多模态大模型解析文本、图像与视频输入，生成语义表示，再由基于Diffusion Transformer的渲染器输出稳定连续画面，有效缓解画面失控与闪烁问题。该框架支持对天气、风格、镜头与动作的精细控制，并兼容图像与视频参考以提升一致性。同时引入SA-3D RoPE编码优化多片段识别。相关推理代码及Bernini-R已开放，完整版本将进一步发布。