立即试用 Bernini AI
输入文本提示词或上传图片，即可在浏览器中生成 AI 视频。你可以在同一界面切换 Bernini AI 的生成、编辑能力和其他引擎，无需 GPU，无需安装。
0 / 5000
什么是 Bernini AI？
Bernini AI 是 ByteDance 的统一 AI 视频生成与编辑框架，以 Apache 2.0 开源（论文："Bernini: Latent Semantic Planning for Video Diffusion"）。它不是单一用途的生成器，而是用一个模型覆盖完整任务范围：文生视频、参考图生视频、基于提示词的视频编辑、参考引导编辑和内容插入，并支持图像生成与编辑。它由 MLLM 语义规划器和 DiT 渲染器组成，让同一个系统既能理解场景，也能在像素层面完成渲染。
Bernini AI 的独特之处在于分工方式。基于 Qwen2.5-VL 的 MLLM 规划器会以语义表示预测结果应该是什么样，并在复杂指令中使用 chain-of-thought 推理；基于 Wan2.2 的 DiT 渲染器再把这个计划转换成视频帧，并在编辑任务中利用源视频自身特征保留细节。Segment-Aware 3D 位置编码（SA-3D RoPE）帮助模型清晰区分多个输入，例如源片段和多张参考图片。在 ByteDance 自有基准中，Bernini 在视频编辑上达到领先闭源模型的第一梯队，并在主体一致性上领先；但团队也指出，原始文生视频视觉质量仍落后于最强闭源系统。
自行运行 Bernini 需要 H100 这类 Hopper 架构 GPU 和多 GPU 配置，对大多数创作者来说门槛很高。Bernini AI 移除了这道门槛，把工作流带到线上：你可以在浏览器中通过文本提示词生成视频、用文字描述编辑现有片段，或通过最多 5 张参考图片驱动新视频。除了 Bernini，平台还提供其他视频和图像引擎，方便你为每个任务匹配合适工具；但 Bernini AI 的核心价值，是把生成和编辑放在同一个地方，无需管理 GPU，也无需安装任何软件。
可在线使用的其他 AI 引擎
Bernini AI 领衔视频生成与编辑工作区。这些额外引擎覆盖 Bernini 之外的格式和任务，包括其他视频模型、高分辨率图像生成和后期视频编辑。
Seedance
视频ByteDance 的商业视频引擎，可在这里用于文生视频和图生视频，并生成同步音频。当你需要从单条提示词得到高完成度、可直接发布的片段时，它是很强的替代选择。
Kling
视频快手的 Kling 可在标准和 Pro 模式下生成多镜头视频，并在单条提示词中处理场景转场。它也支持 Motion Control，可把参考片段中的全身动作迁移到角色图片上。
Veo
视频Google DeepMind 的 Veo 可生成带内置音频的短篇电影级片段，并具备强环境真实感。它支持首帧与尾帧控制，方便精确限定场景起点和终点。
GPT Image
图片OpenAI 的图像模型，针对图片中的文字准确性做了优化。当提示词包含必须清晰可读的标签、Logo 或标牌时，它是合适选择。
Flux Pro
图片Black Forest Labs 的图像引擎，面向速度和吞吐量，可覆盖多种宽高比，适合产品图、社交内容和快速迭代。
Nano Banana
图片Google 的角色一致性图像引擎。它可以接收多张参考图片，在一组作品中保持面部、服装或品牌标识稳定。
Seedream
图片ByteDance 的原生 4K 图像引擎，可生成覆盖宽比例的超高分辨率静态图，并通过逐步视觉推理提升复杂场景的连贯性和细节。
一个模型，同时生成与编辑
Bernini AI 将文生视频、视频编辑和参考驱动生成统一在一个模型中。专用图像引擎则补足设计、文字排版和高分辨率静态图工作流。
AI 视频生成
Bernini AI 可在同一工作区中从文本提示词生成视频，也能编辑现有素材，例如重塑片段、替换或插入物体、改变天气或风格。参考图生视频可由最多 5 张图片驱动新片段；Kling 和 Veo 也可用于多镜头序列和电影级输出。
创建视频AI 图像生成
在 Bernini AI 视频能力之外，使用高分辨率图像生成与编辑。GPT Image 适合准确生成图片内文字，Seedream 支持多种宽高比下的原生 4K，Flux 适合快速迭代，Nano Banana 适合在系列作品中保持角色一致。文生图和图生图并排可用。
创建图片为什么使用 Bernini AI
Bernini AI 将 ByteDance 的视频生成与编辑模型带到线上，在一个地方完成创作、编辑和参考驱动生成，无需多 GPU 设备。
一个模型，同时生成与编辑
Bernini AI 是一个统一框架，可用同一个模型处理文生视频、参考图生视频和基于提示词的视频编辑，无需把生成和编辑拆成不同工具。同一个 Bernini AI 工作区即可从空白提示词推进到完成编辑的视频。
多模态参考控制
Bernini AI 可同时理解文本、源图片和源视频。参考图生视频最多可接收 5 张参考图片，用于锁定主体、物体或风格；参考引导编辑则可在现有片段中替换服装、替换物体，或改变材质、天气和整体视觉效果。
语义规划架构
Bernini AI 将 MLLM 语义规划器与 DiT 渲染器结合。基于 Qwen2.5-VL 的规划器会在嵌入空间中推理编辑或场景的目标结果；基于 Wan2.2 的渲染器再合成像素，并使用源视频特征在编辑过程中保留细节。
强编辑一致性
在 ByteDance 自有评测中，Bernini 在视频编辑上达到领先闭源模型的第一梯队，尤其擅长保持未编辑区域稳定并保留主体身份。因此，当你只想做局部修改、而其他内容必须保持不变时，Bernini AI 很适合。
在线运行 Bernini AI，无需 H100
Bernini 以 Apache 2.0 开源，但自托管需要 H100 这类 Hopper 架构 GPU。Bernini AI 将这个工作流放到浏览器中运行：无需租 GPU，无需安装软件，任何设备都可以生成和编辑视频。
如何使用 Bernini AI：三步完成
从提示词到成片只需三步，无需 GPU、无需安装，也不需要创作经验。
写提示词或上传参考素材
描述你想要的视频，或上传要使用的素材，例如用于编辑的源视频片段，或最多 5 张用于驱动主体或风格的参考图片。纯文生视频只需要提示词。Bernini AI 会同时读取文本、图片和视频输入。
使用 Bernini AI 生成或编辑
选择任务：文生视频、参考图生视频，或基于提示词编辑现有片段。Bernini AI 的语义规划器会推理目标结果，随后由渲染器生成画面。想换一种效果时，调整提示词或参考素材后再次生成即可。
下载你的视频
生成在云端运行，完成时间取决于片段长度和复杂度，通常需要几分钟。结果准备好后即可下载；付费方案支持商业用途，可用于社交媒体、广告、品牌内容和客户项目。
关于 Bernini AI 的常见问题
了解 Bernini AI 是什么、如何在线使用、可以生成和编辑什么，以及它与其他 AI 视频模型的区别。
Bernini AI 是一个可以在浏览器中直接使用 Bernini 的平台。Bernini 是 ByteDance 开放的 AI 视频生成与编辑模型。单个模型即可处理文生视频、参考图生视频、基于提示词的视频编辑、参考引导编辑和内容插入，同时也支持图像生成与编辑。底层架构将基于 Qwen2.5-VL 的 MLLM 语义规划器与基于 Wan2.2 的 DiT 渲染器结合，并以 Apache 2.0 许可证开源。在本站，你无需自行部署模型，就可以生成和编辑视频。
Bernini AI 用同一个模型覆盖生成和编辑两类任务。生成方面，它支持文生视频、图生视频，以及最多 5 张参考图片驱动的参考图生视频。编辑方面，它可以根据文本提示词重塑视频风格、改变主体动作、替换或插入物体、更换服装，并调整材质、天气或整体视觉效果，同时尽量保持其余画面一致。它也支持图像生成与图像编辑。这种覆盖范围正是 Bernini AI 区别于只从零生成视频的工具之处。
打开本站生成器，输入文本提示词或上传媒体素材，例如要编辑的视频片段，或用于参考的图片，然后选择任务即可。Bernini AI 在云端运行，因此无需租用 GPU，也无需安装软件；结果会在几分钟内返回到浏览器。自托管这个开源模型需要 H100 这类 Hopper 架构 GPU，而本平台正是为你省去这一步。
是。ByteDance 以 Apache 2.0 许可证发布了 Bernini，推理代码和渲染器权重已发布在 GitHub 和 Hugging Face。任何人都可以阅读论文、查看代码并运行模型；但实际运行需要 Hopper 架构 GPU（H100/H800/H200）和多 GPU 配置。Bernini AI 提供托管替代方案，让你无需这些硬件，也能在线使用同类生成与编辑工作流。
Bernini AI 将任务拆分给两个组件。基于 Qwen2.5-VL 的 MLLM 语义规划器会理解文本、图片和源视频，并在嵌入空间中预测目标语义表示；面对复杂编辑时，它还会使用 chain-of-thought 推理。随后，基于 Wan2.2 的 DiT 渲染器会根据这个计划合成实际帧，并在编辑时利用源视频特征保留细节。Segment-Aware 3D RoPE 让模型能够区分多个输入，因此可以分清源视频片段与参考图片。
参考图生视频让你用图片驱动新视频，而不是完全依赖文字描述。使用 Bernini AI 时，你可以提供最多 5 张参考图片，例如人物、物体或风格参考，模型会生成尽量保持这些参考一致的视频。它适合让特定角色或产品动起来，也适合在片段中稳定保持某种视觉风格，并且可以结合文本提示词做更细的控制。
可以，视频编辑是 Bernini AI 的核心能力之一。提供一个源视频片段和一段提示词，它可以重塑素材风格、改变主体动作、替换或插入物体、更换服装，或改变材质、天气和整体视觉效果。参考引导编辑还能通过额外图片来控制修改方向。在整个过程中，Bernini AI 的设计目标是让你没有要求修改的区域保持稳定，这也是它在 ByteDance 编辑基准中表现突出的地方。
Bernini AI 的主要优势是统一的生成与编辑能力，以及很强的编辑一致性：在 ByteDance 发布的基准中，它在视频编辑上达到领先闭源模型的第一梯队，并在主体身份保持方面领先。它的取舍也很明确，团队指出原始文生视频视觉质量仍落后于最强闭源系统，复杂编辑也更依赖详细提示词。Kling、Veo 等模型更专注于高完成度生成、更长片段或电影级画面。由于本平台提供多个引擎，你可以用同一个想法测试不同模型并保留最合适的结果；而 Bernini AI 的特点是用一个模型同时完成生成和编辑。
开源 Bernini 渲染器默认生成 480p、16fps 的短视频，示例中也展示了最高 720p、24fps 的输出。它更关注质量、一致性和编辑准确性，而不是长片段或超高分辨率。当你需要更高分辨率或更长的多镜头片段时，本平台也提供 Kling、Seedream 等引擎，方便你按任务选择合适工具。
可以，你可以将通过 Bernini AI 创建的视频和图片用于商业用途。付费方案输出不带水印，并可用于社交媒体、广告、品牌内容、产品视频和客户项目，且无需署名。Bernini 本身采用宽松的 Apache 2.0 许可证，因此底层模型也允许商业使用。