视频生成

Bernini

由 ByteDance 提供

字节跳动开源视频模型。
基于指令编辑,保留主体身份。

Bernini

核心功能

技术规格

Planner + DiT

Qwen2.5-VL 规划器,14B Wan2.2 渲染器

Edit, Generate, R2V

编辑、生成、主体到视频

480p / 16fps

默认渲染设置

Apache 2.0

开源权重,可自托管

应用场景

增强实拍素材

无需重拍即可在片段中添加或移除道具、修正某个细节,或重新风格化某个元素。一致性锁定让镜头其余部分保持一致,编辑看起来浑然天成。

复现角色与数字人

在多集内容、广告或数字人系列中保持同一张面孔。主体到视频能从几张参考图保留人物身份,让其穿行于新场景之中。

虚拟试穿与产品植入

依据参考图将服装换到运动中的模特身上,或将产品或屏幕内视频置入镜头,用于需要保留源片段的时尚与广告制作。

重新设计动作

改变某人在一条镜头中正在做的事,例如从站立变为蹲下,而无需重拍。动作编辑改变行为,同时身份、构图和光照保持固定。

提示词示例

一致性编辑

一致性编辑

在雪地小路上的狗旁边加一个雪人,并让狗、道路和树木保持不变

Edit prompt
锁定身份的主体

锁定身份的主体

将这个人置于夜晚的霓虹城市天台,缓缓转向镜头,保留其面部和夹克

Edit prompt
参考替换

参考替换

将外衣换成参考图中的那件,姿态、光照和动作完全保持不变

Edit prompt
物体移除

物体移除

把巷子里停放的自行车移除,墙面、光线和阴影都保持原样

Edit prompt
动作改向

动作改向

把动作改成园丁跪下栽种,而不是站着

Edit prompt
视频插入

视频插入

把参考片段嵌进笔记本电脑屏幕,让它随运镜一起移动

Edit prompt

概述

Bernini 是字节跳动用于 AI 视频生成与编辑的开源框架,于 2026 年 6 月以 Apache 2.0 协议发布。它的设计将任务一分为二:基于 MLLM 的规划器(Qwen2.5-VL)决定结果的语义,再由基于 DiT、构建于 Wan2.2 之上的渲染器绘制像素。由于规划与渲染是分开的两个阶段,Bernini 在多数视频模型力不从心的方面表现尤为出色,即编辑一段真实片段,同时让你没有要求改动的一切保持原样。它涵盖文本到图像、图像编辑、文本到视频、基于指令的视频编辑、参考引导编辑(如服装替换与视频插入),以及主体到视频,其中最突出的表现就是在人物穿行于新场景时保留其身份。

简单定价

今天就免费开始,随时可以升级或取消。

Basic

$19/ 月
账单金额为 $228 每年

2400 每月 信用

1 个用户

所有模型

工作流

Standard

$24/ 月
账单金额为 $288 每年

3625 每月 信用

1 个用户

所有模型

工作流

Pro

$45/ 月
账单金额为 $540 每年

6350 共享 每月 信用

1 用户

+ 最多 4 人额外付费可增加

所有模型

工作流

Max

$170/ 月
账单金额为 $2040 每年

24650 共享 每月 信用

1 用户

+ 最多 9 人额外付费可增加

所有模型

工作流

Enterprise

更高的限制

自定义

定价和账单条款

大容量信用
自定义席位限制
所有模型
工作流
Pricing Gradient

Free

供随意体验

$0

永久免费

最多 20 积分
仅1个用户
部分模型
工作流

常见问题

Bernini 是什么?
Bernini 是字节跳动用于视频生成与编辑的开源统一框架。它将基于 MLLM 的语义规划器与基于 DiT、构建于 Wan2.2 之上的渲染器相结合,于 2026 年 6 月以 Apache 2.0 协议发布。
Bernini 能做什么?
它支持文本到图像、图像编辑、文本到视频、基于指令的视频编辑、参考引导编辑(如服装替换与视频插入),以及将人物或角色置入新场景的主体到视频。
Bernini 与标准视频模型有何不同?
大多数视频模型从零生成。Bernini 将工作拆分:MLLM 规划器决定语义,渲染器再绘制像素。这种设计带来了强大的编辑一致性,片段中未改动的部分保持冻结,以及主体到视频中强大的身份保留。
Bernini 是开源的吗?
是的。推理代码和渲染器权重以 Apache 2.0 协议公开发布在 GitHub 和 Hugging Face 上。你可以在自己的硬件上运行;建议使用 Hopper 级 GPU,视频则建议使用多块 GPU。
Bernini 保留主体身份的效果如何?
身份保留是它的突出表现。在 ByteDance 的 subject-to-video 评测中,它在面部相似度上领先于同类系统,在主体移动时保持可辨认的面孔,因此适合数字人、角色制作以及需要同一张面孔反复出现的连续剧集内容。
Bernini 输出什么分辨率?
默认渲染设置为 480p / 16fps。该版本将编辑保真度和一致性置于最高分辨率之上,更高的设置在更大算力成本下也可实现。