一张照片生成环绕运镜视频：小米 WorldCast 把「相机轨迹」也虚拟出来了

从相册里选一张静态人像，几秒钟后，镜头开始绕着人物转动：先侧移，再推近，然后微微仰拍。人物的五官、发型和衣服没有跟着镜头变形，背景却产生了真实的透视变化，看起来像有人拿着一台稳定器在现场拍摄。

这是小米 REDMI K100 上线的「3D 运镜」功能。手机于 10 月 27 日正式发布，小米技术官方近日介绍了这项影像玩法背后的视觉生成框架 WorldCast：它通过解读画面的深度结构，把平面照片还原成三维场景，并在其中虚拟出一条真实相机轨迹，让镜头像被真实拍摄一样运动。

一分钟速览

• REDMI K100 上线 3D 运镜：一张静态照片可生成大角度环绕、推拉、倾斜视频。
• 核心是小米视觉生成框架 WorldCast：深度结构→三维场景→虚拟相机轨迹。
• 采用轨迹对齐的几何引导与几何对齐的多视角角色记忆，保持主角外观一致。
• 小米称将沉淀方法、数据集与评测方式，后续探索更长连续生成与可控 4D 视频。

和「图生视频」差在哪

常见的图生视频模型，是把一张图当作第一帧，然后预测后续像素。这样做出来的视频往往有两个毛病：镜头一动，人脸就变；动作一大，背景就糊。原因是模型并没有真正理解画面的三维结构，只是在二维平面上「猜」接下来会发生什么。

WorldCast 的思路是先重建再拍摄。模型先从单张照片推断深度、物体边界和空间关系，把平面图像还原成可以放置虚拟相机的三维场景；然后按照设定的轨迹移动相机，重新渲染每个视角。因为相机运动有明确的几何约束，背景透视变化会更自然；因为角色有独立的多视角记忆，五官和衣着不会随着角度变化而漂移。

一致性是最难的部分

在 3D 运镜里，人物一致性比背景更难。背景可以靠深度图大致糊弄，人物却会被用户一眼看出问题：眼睛大小变了、发际线偏移了、衣服纹理接不上。小米提到的「几何对齐的多视角角色记忆」，本质上是在不同视角之间共享同一套角色特征，让模型在转动镜头时始终参考同一个「人」的表达。

这套方法也有边界。单张照片能提供的三维信息有限，被遮挡的部分需要模型补全；复杂姿态、强反光、透明材质和多人场景，都会增加出错概率。因此这项功能更适合人像、静物和半身构图，而不是任意照片都能一键出片。

手机端落地，意味着什么

把这样一套框架放进手机相册，挑战不只是算法，还有算力、功耗和存储。用户希望点一下就能看到结果，而不是上传云端等几分钟；厂商则要在画质、速度和发热之间做取舍。小米目前没有公布具体的端侧推理时延和模型规模，实际体验还要看量产版本。

但从产品方向看，这个功能补上了手机影像的一块空白：过去我们拍的是「一个瞬间」，现在可以从这个瞬间延伸出「一段镜头」。对普通用户来说，它降低了运镜门槛；对内容创作者来说，它提供了一种低成本的分镜预演工具；对手机厂商来说，这是把 AI 从「修图」推进到「重新组织空间」的一步。

趋势洞察

2026 年的影像竞争，正在从「拍得清楚」转向「拍完之后还能怎么用」。深度估计、三维重建、可微渲染和视频生成逐渐汇合，手机相册可能变成一个轻量的 3D 内容工作台。真正的分水岭不是能不能生成一段环绕视频，而是能不能保证人物不变形、镜头不穿帮、结果可反复编辑。

WorldCast 目前展示的是方法上的可行性。接下来要看的是：它能否覆盖更多场景，能否在端侧稳定运行，以及小米是否真的会把数据集和评测方式开放出来。如果这三点都能做到，这项功能就不只是一个发布会上的演示，而会成为手机影像的新基础设施。