該論文由大連理工大學(xué)、快手可靈團隊、香港中文大學(xué)聯(lián)合完成，第一作者王清和是大連理工大學(xué)在讀三年級博士，研究方向為視頻生成，師從盧湖川、賈旭教授，目前在快手可靈團隊實習(xí)。個人主頁：https://qinghew.github.io/

近期，可靈 3.0、Seedance 2.0 等產(chǎn)品的多鏡頭敘事能力相繼爆火，可支持一次生成多個導(dǎo)演級鏡頭，標(biāo)志著視頻生成領(lǐng)域已經(jīng)從傳統(tǒng)的單鏡頭生成邁入了多鏡頭視頻生成的時代。然而，對于預(yù)算有限的開發(fā)者，10B 參數(shù)量以上的大模型開發(fā)成本較高，100B 以上的大模型更令人望而卻步。

近期，大連理工與快手可靈團隊推出了MultiShotMaster——一個高度可控的多鏡頭視頻生成框架，該論文向研究社區(qū)展示了即使在 1B 左右的小參數(shù)量級模型上，也可以實現(xiàn)導(dǎo)演級的鏡頭調(diào)度和連貫敘事，且支持多圖參考、主體運動控制。

目前，該論文已錄用至CVPR 2026，基于 Wan 1.3B 和 14B 的多鏡頭模型的訓(xùn)練和推理代碼已開源：

• 項目主頁：https://qinghew.github.io/MultiShotMaster/
• 代碼鏈接：https://github.com/KlingAIResearch/MultiShotMaster
• 論文鏈接：https://arxiv.org/abs/2512.03041

開源版 MultiShotMaster 能力展示

MultiShotMaster-14B 720p 效果

MultiShotMaster-1.3B 480p 效果

值得一提的是，開源版 MultiShotMaster 斬獲了AAAI CVM Workshop 競賽冠軍。該競賽由北大等高校舉辦、華為贊助，重點考核世界知識一致性、相機移動一致性、跨鏡頭 ID 一致性三個層面，充分印證了該模型在多鏡頭生成與連貫敘事方面的卓越性能。

MultiShotMaster 框架

“單鏡頭” 到 “多鏡頭” 的進化

MultiShotMaster 首先調(diào)整了傳統(tǒng)的單鏡頭文生視頻模型架構(gòu)，使之能夠生成多鏡頭視頻。

具體而言，考慮到鏡頭間的內(nèi)容突變，每個鏡頭需單獨通過 3DVAE 編碼，然后在時序上級聯(lián)起來，并在 Temporal Attention 處融合。由于鏡頭之間不僅存在內(nèi)容突變，還需保證敘事的先后順序，作者提出多鏡頭敘事 RoPE，即基于原始的 3D RoPE 在鏡頭切換處施加相位偏移：

這顯式地標(biāo)記了鏡頭邊界且維持了原鏡頭間的敘事順序，讓模型能夠精準(zhǔn)識別鏡頭邊界，從而支持用戶自由設(shè)定鏡頭的數(shù)量和時長。此外，構(gòu)建了總分式提示詞結(jié)構(gòu)，全局提示詞描述角色外觀、環(huán)境及風(fēng)格，鏡頭級提示詞描述角色交互、場景布局、相機運鏡。在鏡頭級 Cross Attention 中，每個鏡頭的視頻只與全局提示詞、對應(yīng)鏡頭的提示詞交互，從而防止跨鏡頭信息泄露。

時空位置感知的參考注入

用戶通常期望視頻生成模型具有更多的可控性，例如使用參考圖、控制主體運動布局等能力。為此，作者用 VAE 編碼參考圖像，使之與視頻 tokens 落入同一特征空間。

考慮到 3D-RoPE 會使時空距離更近的 tokens 在 Attention 中增強交互，作者設(shè)計了時空位置感知的 RoPE，將指定時空區(qū)域的 RoPE 重采樣為更細(xì)粒度的 RoPE 分配給參考 tokens。

在時序注意力中，干凈的參考 tokens 會將視覺信息傳遞給噪聲視頻 tokens 以實現(xiàn)參考圖像（主體/背景）指定時空位置的注入。當(dāng)用戶期望控制同一主體的運動軌跡時，可以通過復(fù)制多次同一角色的 Token 并分配不同的時空 RoPE。

此外，為了管理上下文信息流，防止不必要的 token 交互，作者設(shè)計了多鏡頭-多主體 Attention Mask，允許跨鏡頭的視頻 tokens 交互，限制每個鏡頭的視頻 tokens 僅能與視頻內(nèi)的參考 tokens 交互。

值得注意的是，MultiShotMaster 沒有引入外部參數(shù)，而是利用、改進視頻生成模型原有的 3D-RoPE，從而實現(xiàn)了可控的多鏡頭視頻生成，支持文本驅(qū)動的鏡頭間一致性、可靈活配置的鏡頭數(shù)量和時長、運動可控的主體定制化、背景可定制的場景一致性。這一多功能框架為多樣化多鏡頭視頻內(nèi)容創(chuàng)作提供了新的可能性，使用戶能夠打造高度定制化的視頻敘事。

MultiShotMaster - 實驗版 1B 模型（384×672）效果

MultiShotMaster 訓(xùn)練數(shù)據(jù)構(gòu)建流程

數(shù)據(jù)構(gòu)建流程：

1. 采用鏡頭切換檢測模型 TransNet V2 將長視頻裁切成短片段，使用場景分割模型 SceneSeg 將同一場景內(nèi)的片段聚合到一起，然后從中采樣多鏡頭視頻。
2. 引入總分式提示詞結(jié)構(gòu)，使用 Gemini-2.5-Flash 生成全局描述和每個鏡頭的描述。
3. 整合 YOLOv11、ByteTrack 和 SAM 來檢測、追蹤和分割主體圖像，然后利用 Gemini-2.5-Flash 根據(jù)主體外觀合并跨鏡頭的跟蹤結(jié)果。
4. 使用 OmniEraser 獲得干凈的背景參考圖。

實驗結(jié)果

除了對比現(xiàn)有的 SOTA 多鏡頭視頻生成模型之外，由于目前沒有支持參考圖輸入的多鏡頭視頻生成模型，作者對比了支持參考圖輸入的單鏡頭模型 Phantom、VACE，拼接他們逐個生成的鏡頭用于比較。

可以看出，在定量和定性的比較中，MultiShotMaster 在鏡頭間一致性、切鏡準(zhǔn)確性、敘事連貫性、參考圖一致性上都展現(xiàn)出了卓越的性能。

定性實驗結(jié)果：

定量實驗結(jié)果：

總結(jié)

MultiShotMaster 通過對 RoPE 的創(chuàng)新性改進，實現(xiàn)了高度可控的多鏡頭視頻生成。其引入的多鏡頭敘事 RoPE 與時空位置感知 RoPE，在無需引入額外參數(shù)的情況下，實現(xiàn)了對鏡頭邊界、角色一致性及運動軌跡的精細(xì)化操控。在僅約 1B 參數(shù)的模型規(guī)模下即可展現(xiàn)出了卓越的敘事連貫性與跨鏡頭一致性，驗證了其實現(xiàn)導(dǎo)演級控制的巨大潛力。

同時，自動化的多鏡頭數(shù)據(jù)標(biāo)注流程及開源模型也將為社區(qū)的研究提供強力支持，有望推動 AI 視頻創(chuàng)作進入一個敘事更連貫、表達更自由的新階段。

更多細(xì)節(jié)請參閱原論文。