港中文与快手可灵提出ShotStream，实现实时流式多镜头长视频生成
首个实时流式多镜头长视频生成框架，用户可边生成边调整情节，速度较传统方法提升25倍。
传统的多镜头长视频生成需要一次性输入所有分镜提示词，等待半小时，还无法交互。ShotStream将多镜头生成视为基于历史上下文的下一镜头预测，用户可在生成过程中动态指导叙事。在单张H200 GPU上达到16FPS推理速度，比双向模型快25倍以上，已被ECCV 2026接收并开源。
正文摘录
- title: ECCV 2026 | 实时导演多镜头长视频！港中文&快手可灵发布 ShotStream - sourcecompany: 机器之心 - bodymarkdown: .jpg)  本文第一作者罗亚文，香港中文大学 MMLab 博士一年级在读，研究方向为视频生成，导师为薛天帆教授。 个人主页：https://luo0207.github.io/yawenluo/ 作为 AI 视频创作者，你是否曾梦想拥有属于自己的监视器，真正体验一把实时导演的爽感？ 现在，生成几秒的单镜头已经不是难事。但是，一旦涉及到生成 多镜头长视频 ，往往就像是在开盲盒：用户写好几百字的剧本，把所有分镜的提示词一次性喂给大模型，然后苦等半小时。哪怕中间只崩了一个镜头，也只能硬着头皮全部推倒重来， 缺乏交互性 且延迟极高。 为了打破多镜头长视频面临的高延迟、零交互困境，香港中文大学与快手可灵团队联合提出了首个实时流式多镜头长视频生成框架——ShotStream。 该研究打破了传统双向架构的限制，将多镜头合成定义为基于历史上下文的下一镜头生成任务，用户可以通过动态流式提示词在运行时动态指导叙事走向！