国产全AI游戏来了一段文字、一张图就能生成模拟开放世界游戏视频

距离普通人凭想法就能做出游戏的时代，又近了一步。

AI 游戏生成天花板今年以来不断突破，就在昨天，国产游戏 AI 团队也加入卷出了新高度。

巨人网络发布了 " 千影 QianYing" 有声游戏生成大模型，其中包括游戏视频生成大模型 YingGame、视频配音大模型 YingSound。

先来感受一段 1 分 26 秒的生成样片：

用一段文字、一张图，就能生成模拟开放世界游戏的视频，并且有声、可交互，可操控角色的多种动作。

面向开放世界游戏，无需游戏引擎

概括来说，YingGame 是一个面向开放世界游戏的视频生成大模型，研究团队来自巨人网络 AI Lab、清华大学 SATLab，首次实现角色多样动作的交互控制、自定义游戏角色，同时具备更好的游戏物理仿真特性。

精确的物理规律仿真

从生成的视频中看，无论是汽车碰撞、火焰燃烧这类大场面，还是水中慢走、障碍物自动绕行这种人物行进，都表现出了出色的遵循物理规律能力。

多样动作控制

交互对游戏至关重要，YingGame 能够理解用户的输入交互，包括文本、图像或鼠标、键盘按键等操作信号，从而让用户能够操控游戏角色的多样动作。

视频中展示了角色在开枪、变身、施法、使用道具、攀爬、匍匐、跑跳等肢体动作的交互，相比同类模型更加丰富、丝滑。

角色个性化与精细主体控制

YingGame 还支持输入一张角色图片，实现角色自定义生成，同时对角色主体实现精细化控制，从过去的 AI 捏脸跨越到现在的 AI 捏人。

第一人称视角

此外，还看到模型生成的第一人称视角的游戏画面，不得不说，这个视角有很足的游戏沉浸感。

怎么实现的？

从技术上看，YingGame 通过融合跨模态特征、细粒度角色表征、运动增强与多阶段训练策略，以及所构建的高效、高质量游戏视频训练数据生产管线，使得生成内容具备可交互能力的多样动作控制、角色自定义与精细主体控制、复杂运动与动作连续性等特性。

在交互性实现上，YingGame 结合了多个 Interactive Network 模块：理解用户输入的多模态交互方式，实现多样动作控制的多模态交互网络 — MMIN ( Multi-Modal Interactive Network ) ；实现复杂与连续角色动作生成的动作网络 — IMN ( Interactive Motion Network ) ；自定义角色生成与提高角色生成质量的角色网络 — ICN ( Interactive Character Network ) 。

此外，为实现高质量训练数据构建，巨人 AI 团队设计了一条高效的游戏视频数据处理管线：

基于场景与高光产出高质量视频片段，其中对高光视频片段进行音频信息提取，作为 V2A 训练集；

基于运动得分、美学评分等进行视频过滤；

vLLM-based video caption 流程，并对结果进行 clip score 文本视频对齐评分过滤；

多任务数据处理，如分割、主体检测、姿势估计、深度估计、相机运动估计等。

让 AI 游戏进入有声时代

除了 YingGame 之外，巨人还发布了针对视频配音场景的多模态音效生成大模型 YingSound。

这是在此之前 AI 游戏生成领域没有实现的，而 " 声音 " 是游戏的基本要素。

YingSound 由巨人网络 AI Lab、西工大 ASLP Lab 和浙江大学等联合研发，它最重要的技能是：给无声视频配音效，实现音画同步。

直接听听 YingSound 生成的效果：

YingSound 有超强的时间对齐和视频语义理解能力，支持多种类型的高精细度音效生成，并且具备多样化应用场景泛化能力，包括游戏视频、动漫视频、真实世界视频、AI 生成视频等。

理解各种视频画面能力一绝

来一段游戏的配音示例，通过演示视频可以清晰看到，这个模型能够精确地生成与场景高度匹配的音效，包括开镜、炮轰、射击等声音，完美还原坦克进攻与士兵防守射击的声音，创造了沉浸式的游戏体验。

△视频源自《战地游戏》录屏

在动漫场景中，模型展示了对复杂剧情的理解能力。例如，在一段鸟儿互相扔蛋的动画中，模型生成了从惊讶到扔蛋、蛋飞行轨迹、接住蛋等一系列卡点且高度符合视频内容的音效。

△视频源自动画《Boom》片段

再来看看以下小球快速移动的画面，模型生成的声音能够精准匹配画面的动态变化，并针对小球不同状态生成相应的场景音效，充分展现了其对动画内容的深度理解。

△视频源自 3D 动画短片《The Marble》片段

在真实世界场景中，通过一段激烈的乒乓球对战视频，模型能够精准地生成每次击球所产生的音效，甚至还生成了球员跑动时鞋底与地面摩擦的声音，这充分展现 YingSound 对视频整体语义的深刻理解和出色的音效生成能力。

△视频源自乒乓球比赛测评结果领先

研究团队公开了 YingSound 的两个核心模块：基于 DiT 的 Flow-Matching 构建的音效生成模块，以及多模态思维链（Multi-modal CoT）控制模块，为音效生成提供精准支持。

在音效生成模块中，团队基于 DiT 的 Flow-Matching 框架，提出了创新的音频 – 视觉融合结构（Audio-Vision Aggregator, AVA）。该模块通过动态融合高分辨率视觉与音频特征，确保跨模态对齐效果。通过多阶段训练策略，逐步从 T2A 过渡到 V2A，并采用不同数据配比训练，使模型具备从文本、视频或二者结合生成高质量音效的能力。

同时，团队设计了多模态视频 – 音频链式思维结构（Multi-modal CoT），结合强化学习实现对少样本情况下音效生成的精细控制，可广泛适用于短视频、动漫及游戏等配音场景。

团队精心构建了符合行业标准的 V2A（video-to-audio）数据集，覆盖了电影、游戏、广告等多场景、多时长的音视频内容。为确保数据质量，研究团队还设计了一套完善的数据处理流程，涵盖数据收集、标注、过滤和剪辑。针对不同视频类型的复杂性与差异性，团队基于多模态大语言模型（MLLMs）及人工标注，完成时间戳和声音事件的高质量标注。同时，通过严格筛选，过滤掉背景音乐干扰及音视频不同步的内容，最终生成符合行业标准要求的训练数据，为后续研究与开发提供了坚实基础。