标题：国产全AI游戏来了？！大模型直出开放世界游戏，有声可交互

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，国产游戏AI团队也加入并推动了新的高度。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。

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。YingGame是一个面向开放世界游戏的视频生成大模型，首次实现了角色多样动作的交互控制和自定义游戏角色，具备更好的游戏物理仿真特性。从生成的视频中，无论是汽车碰撞、火焰燃烧，还是水中慢走、障碍物自动绕行，都表现出出色的物理规律遵循能力。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。YingGame还支持输入一张角色图片，实现角色自定义生成，并对角色主体实现精细化控制。

此外，YingGame还生成了第一人称视角的游戏画面，具有很强的游戏沉浸感。技术上，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，以及构建高效、高质量游戏视频训练数据管线，实现内容的可交互能力。在交互性实现上，YingGame结合了多个Interactive Network模块，包括MMIN、IMN和ICN。

除了YingGame，巨人网络还发布了YingSound，用于视频配音场景的多模态音效生成大模型。YingSound能够给无声视频配音效，实现音画同步，具备超强的时间对齐和视频语义理解能力。通过示例可以看到，模型能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。在动漫场景中，模型展示了对复杂剧情的理解能力。在真实世界场景中，模型能够精准生成每次击球产生的音效，甚至包括球员跑动时鞋底与地面摩擦的声音。

研究团队公开了YingSound的核心模块，包括基于DiT的Flow-Matching构建的音效生成模块和多模态思维链控制模块。这些模块确保了音效生成的精准支持。团队精心构建了符合行业标准的V2A数据集，为后续研究与开发提供了坚实基础。通过客观指标测评，YingSound在整体效果、时间对齐和视频语义理解等客观测评上均达到业界领先水平。

长期来看，视频生成技术因其展现出的取代游戏引擎的潜力，势必会对游戏行业带来颠覆式创新。通过文字描述就能创作一个游戏，不再是异想天开。AI将带来游戏创作平权，未来游戏创作的唯一限制可能只是创作者们的想象力。