文｜白 鴿

編｜王一粟

“生成的人物一轉身就變成老外，怎么解決呢？”

“沒有辦法，10s中動作大的，人物一致性有問題，只能抽卡，多刷幾個，選擇一個變化不大的。”

在一個以Ruanway學院爲主題的群中，不斷有各種針對AI視頻生成的問題產生，而群內有AI視頻生成使用經驗的，則也在積極分享自己的使用方法論，並解答相關問題。

這樣的AI視頻生成相關的群聊並不在少數，且每個群都相當活躍，大部分用戶對AI視頻生成工具都保持了相當高的興趣，並在各種平台上分享自己基於AI視頻生成工具所創造出的視頻內容。

國內用戶積極對AI視頻生成工具探索和使用的背後，是今年2月份Sora的發布，作爲行業發展風向標，徹底引爆了國內AI視頻大模型生成賽道。

3月字節跳動旗下剪映Dreamina（即夢）开放內測；4月，AI企業生數科技發布號稱首個國產自研視頻生成大模型Vidu；6月，快手可靈AI正式开放內測。

7月，商湯推出最新AI視頻模型 Vimi，阿裏達摩院也發布AI視頻創作平台“尋光”，愛詩科技則發布PixVerse V2，快手可靈宣布基礎模型再次升級，並全面开放內測，而智譜AI也宣布AI生成視頻模型清影（Ying）正式上线智譜清言。

同時，這些AI視頻大模型生成工具大部分都已經向公衆开放使用。7月30日，生數科技的AI視頻大模型Vidu也正式面向全球公衆开放使用。

歷經大半年，國內大模型賽道終於進入Sora時刻。從AI跳舞、火柴人，到5秒~16秒的高質量視頻生成，AI視頻大模型的生成能力整體都邁入了下一個階段。

不過，相比於至今仍未开放的Sora，中國的AI視頻大模型已然开啓加速模式。在技術能力不斷迭代升級的同時，還在持續進行技術應用和商業化落地探索。

事實上，相比於ChatGPT等聊天機器人，AI視頻生成大模型作爲一個具有工具屬性的產品，天然就具備商業化變現能力，現階段开放給公衆使用的AI視頻生成工具也皆採用付費模式。

如智譜清影上线的定價策略是：首發測試期間，所有用戶均可免費使用；付費5元，解鎖一天（24小時）的高速通道權益，付費199元，解鎖一年的付費高速通道權益。

不過，當前AI視頻生成賽道的商業化仍處於非常早期階段。

“說實話，我們也不知道未來商業策略會是什么樣，或什么形式最好，目前所謂的收費策略更多是一種早期嘗試，試試看市場和用戶反饋，後面會及時調整。”智譜AI CEO張鵬如此說道。

AIGC智能創意平台筷子科技創始人兼CEO陳萬鋒也表示：“目前C端用戶基於AI視頻大模型平台开發出的視頻應用指向型不強，這些平台也並不知道C端用戶將會如何使用這些視頻。”

從技術的迭代更新，到探尋技術的應用和商業化變現，國內AI視頻生成賽道玩家們無疑是在加足馬力狂奔。但從當前行業現狀來說，卻也仍存在諸多挑战。

AI視頻軍備競賽，都在“卷”什么

用AI生成視頻，並不是新物種，只不過此前AI視頻生成的時長一直卡在2s-4s，且整體視頻生成效果體驗並不足夠令人驚豔。

Sora一發布，則直接展示了其生成的1分鐘視頻，且其視頻所展示的畫面效果驚人，就算在視頻動態運動情況下，隨着空間的移動和旋轉，視頻中出現的人物和物體也會保持場景一致性移動。

Sora展示的視頻內容

這可以說震驚了整個AI屆。Sora背後的技術架構，也被業界所了解並跟進。

此前AI視頻生成的技術路线主要有2大類：

一類是Diffusion Model（擴散模型技術路线），主要玩家包括Runway、Pika Labs等。

一類是基於Transformer架構的大語言模型生成視頻技術路线。

去年12月底，谷歌發布了基於大語言模型的生成式AI視頻模型VideoPoet，這在當時被視爲生成視頻領域中，擴散模型之外的另外一種解法和出路。

Diffusion Model將一張圖片通過引入噪聲使其變成原始馬賽克，在通過引入“神經網絡”，如基於卷積神經網絡（CNN）的UNet結構，從某個時間點的畫面，減去預測的噪音，得到的就是最原始沒有噪音的畫面，也就是最終生成的畫面。

大語言模型則是通過視頻數據來對大模型進行訓練，使其能夠理解視頻數據中的基本Token詞匯以及所對應的視頻畫面。當用戶給予指令詞之後，其就能夠根據學習到的Token詞匯生成對應的視頻內容。

兩種技術路线都存在各自的優劣勢，單一模型所生成的視頻在時長和畫面效果上，都難以實現根本性突破。Sora則選擇了將擴散模型和Transformer模型結合的技術架構體系-DiT（Diffusion ＋ Transformer ）架構。

有業內觀點認爲，Sora是將Diffusion擴散模型中的U-Net架構替換成了Transformer架構。

兩者的結合效果，一個AI從業者形象的解釋爲：擴散模型就像是一個雕塑過程，將石料上不應該存在的部分去掉，創造出雕塑作品。而Transformer通過自注意力機制，理解時間线之間的關聯，則讓這尊雕塑從石座上走了下來。

AIGC創業者洋芋醬AIgen（藝名）也認爲：“視頻是一幀一幀的圖像，採用UNet結構的邏輯是按照生產圖像的方式做視頻，AI每生成一張圖像都是隨機的，所以整個畫面看起來很閃。而用視頻訓練的AI，其產出的畫面就相對穩定，不會狂閃，具有合理的連續的幀。”

因此，Sora發布之後，DiT技術架構也成AI視頻玩家的主流技術架構，並將其視爲通往AGI的關鍵技術。

目前，市面上主流AI視頻工具在生成4秒-10s左右的視頻片段。

生數科技此次Vidu开放文生視頻、圖生視頻兩個功能，提供4s和8s兩種時長選擇，分辨率最高達1080P。在速度上，生成一段4秒片段的實測推理速度只需30秒。

愛詩科技的PixVerse V2，可支持生成單個時長8s的片段，且支持一鍵生成1-5段連續的視頻內容，片段之間也會自動保持主體形象、畫面風格和場景元素的一致性。

智譜AI的智譜清影可生成6秒的視頻，時間只要30秒左右，清晰度可達1440x960（3：2）。

快手可靈生成的視頻時長在5s，但其有將視頻時長延長的功能，可以將視頻時長延長至10s，但在生成視頻的速度上，卻相對較慢，往往需要2-3分鐘時間。

從技術的積累上來看，雖然都在布局DiT架構，但國內AI視頻生成企業還處於追趕階段，AI視頻生成的時長和效果，尚未達到Sora的水平。

張鵬也坦言：“Sora的演示效果不錯，我們還是一個初步的階段性成果，達不到像Sora演示出來那么好、那么長的視頻。我們從來都很坦誠承認與OpenAI、和世界頂級水平之間的差距。”

但國產大模型也在堅持用自己的方式追趕OpenAI，比如“怎么把視頻生成算力成本降下來，響應速度提升上去，我們在追求技術高度的同時，也同步追求技術的可普及性和成本。”張鵬說。

無疑，技術上國內AI視頻大模型賽道玩家還在追趕，但在應用和商業化上卻已然走在前列。

圖生視頻成主流，不穩定、一致性仍是問題

在技術架構升級之後，現如今的AI視頻生成的視頻效果與時長，已經與年初有了本質的區別。

當前，各AI視頻大模型產品主要提供2大核心能力，一個是文生視頻，一個是圖生視頻。兩個核心功能的工作流並不一致，文生視頻可通過一句指令生成一個想要的視頻。

而圖生視頻的工作流更爲復雜，要先用文字指令詞通過Midjourney或Stable Diffusion等工具生成自己想要的圖片，再基於圖片通過AI視頻生成工具生成視頻內容。

於普通的業務愛好者而言，想要體驗AI視頻生成效果，文生視頻功能已經夠用。

但對於想要基於此進行視頻內容商業化交付的從業者而言，“基本上，沒有人用文生視頻。”星賢文化創始人、AI原創玄幻IP《山海奇鏡》制作人陳坤對光錐智能說道。

對此，陳坤解釋到，文生視頻無法保持前後內容的一致性。就單個鏡頭來說，文生視頻可以滿足要求，會很好看，很驚喜，但卻無法保證下一個鏡頭與前一個鏡頭的一致性。畢竟AI技術尚不能通過一段文字描述就能夠讓人物和空間美學保持一致性。

“爲了保持作品風格的一致性或者人物的一致性，必須用圖生視頻控制住畫面裏的內容。”洋芋醬AIgen也如此說道。

去年12月，陳坤帶領團隊利用 PixVerse 制作《山海奇鏡之劈波斬浪》的4K分辨率預告片。

圖片來自：《劈波斬浪》

今年7月13日，陳坤基於快手可靈大模型重新打磨的《山海奇鏡之劈波斬浪》正式上线快手平台，19日單日播放量達到了2026.7萬，上线十天累計播放量達到了5164.9萬，後續榮登德塔文短劇指數榜第一。

在陳坤看來：“半年前，AI影視很難用生動的表演表現復雜敘事，很多的動作場面也需要通過蒙太奇的剪輯來實現，在制作過程中，由於3—4秒的單個鏡頭時長限制（在當時就是這個時長），整個片子的節奏感會受到影響。”

“就AI影視賽道來看，可靈的能力確實很厲害，既有文生視頻，也有圖生視頻，且其畫面中的動作幅度展示都很不錯。”陳坤如此說道，“不過，每家AI視頻生成工具都有自己的特點，比如Runway，它的Gen3鏡頭偏電影感，盡管之前只有文生視頻功能，但很多創作者也很喜歡用。現在它也推出了圖生視頻功能”

作爲一個資深玩家，洋芋醬AIgen也認爲：“目前最好用的是可靈、luma 和Runway。”另一位影視從業者琪琪（化名）則表示，Sora的整體效果應該最好，但其並未开放。

不過，在實際的體驗過程中，雖然現階段相比於半年前在視頻時長和效果上有了質的飛躍，但仍存在畫面人物變形、畫面不穩定以及前後不一致性等問題。

總結下來，從業者在使用AI視頻時，主要有5大痛點：包括人物一致性，場景一致性，人物表演，動作交互，運動幅度等。

“由於大模型技術並不完善，在視頻生成過程中畫面不可避免的產生畸變。”陳坤稱。

對此，行業從業者就會通過不停“抽卡”（讓AI不斷自主隨機生成相關畫面）的方式，最終得到一個相對滿意的效果畫面。

“即便我們用可靈，在一個火神和水神打架的鏡頭上，還‘抽卡’不下100次，但也並未抽到我特別滿意的鏡頭，後來實際用的畫面其實也是帶了一定畸變的。”陳坤說道。

從現階段的技術手段來看，短期內可能無法解決這一問題。張鵬認爲：“最簡單的可控，就是我說什么模型做什么，而想要實現這一可控，強烈依賴於模型能不能夠理解這個內容，而這也是多模態大模型發展的初衷。”

用發展中的技術去解決發展中的問題，將是AI視頻大模型未來發展迭代升級的關鍵。“內容生成，尤其是視頻內容生成，絕大部分情況下還是由‘人用語言描述’的方式來控制。從自然語言到視頻生成，這才是真正的可控，更高層面的可控，這是技術層面的事情。”張鵬如此說道。

現階段AI視頻大模型技術仍處於比較早期階段，並未有任何一家AI視頻生成工具爬到了山頂。而在各家攀登山頂的過程中，生態體系的建設以及商業化變現也成爲關鍵。

黃金賽道的起點

“技術應用到行業的速度，遠慢於技術自身的發展。”陳萬鋒如此說道，“AI技術發展很快，但滲透到產業中，產生價值的速度可能要慢十倍。”

純技術路线發展的角度來看，從單模態，到多模態，最終的目標是達成AGI。但將AI進行產業化落地應用，與技術升級迭代是兩碼事。

現階段，國內衆多大模型公司的技術追趕已經過了一個階段，將會把更多的精力聚焦在落地和應用上，通過與場景的結合，數據的反饋，再推進底層技術迭代升級。

而相比於ChatGPT這種聊天機器工具，AI視頻生成則是大模型技術商業化落地的黃金賽道。

之所以說其是黃金賽道，主要基於兩個方面：

一個是作爲AI視頻生成工具，其天然具有收費優勢。

目前大多數AI視頻生成工具，面向C端用戶採用的是會員體系。以可靈爲例，其目前會員共分爲黃金、鉑金、鑽石三個類別，優惠後三檔月卡的價格分別爲33元、133元和333元，對應分別獲得660、3000 、8000“靈感值”，可生成約66個、300個或800個標准視頻。

面向B端企業級用戶，則可以支持通過調用API的方式進行收費。如智譜AI，其除了會員制收費方式外，還在开放平台开放了API，收入一定的費用。

另外一個方面，AI視頻生成工具讓創作者和消費者之間的界限變得模糊，尤其是快手和抖音平台上，這些視頻博主屬於C端消費者，但其又可以基於AI視頻工具進行視頻創作，變成B端視頻生產方。光錐智能認爲，“大C小B的消費者是很重要的，甚至可能是最重要的，ToB和ToC的界限越來越模糊。”

不過，從商業化生態角度來講，大廠和創企在變現的思路上也並不一致。

像抖音、快手這種已經行業頭部視頻平台，其可以依托自身海量的用戶，通過提供AI視頻生成工具，讓用戶通過這一工具創作相關內容，豐富自己視頻生態體系。

“大廠不需要賣工具，而是通過用戶進行商業化變現。”陳萬鋒如此說道，“C端爲應用付費模式（對創業公司來講）在國內並不現實，未來或許只有巨頭才有機會，因爲其用戶數量龐大。”

與此同時，對於現階段各平台採取的會員制收費方式，陳坤堅定地對光錐智能表示：“我不看好這個會員制，現在即便再便宜，也只對真正能夠商業化閉環的創作者有效。如果不是一個商業化閉環的創作者，後續的付費率和付費意愿都不會很高。”

陳坤對此解釋道，一方面C端收取的會員制費用相對於大廠研發九牛一毛，都不夠大模型訓練一次。另一方面，一旦AI視頻大模型技術達到天花板，這些巨頭一定會進行價格战，目的就是爲了搶奪用戶數量，“大廠最終一定會選擇用戶數量，而不是去賺這些錢。”

因此，於大模型創企來說，如果單純的是賣工具，“在中國只能ToB不能ToC。”陳坤如此說道，“而只有面向企業端，才是能夠商業化變現的唯一方式。”

而企業端愿意爲其付費的原因，則在於其能夠實現視頻的商業化交付，產生營收，能夠支持其對應的成本支出。

比如陳坤通過AI短劇進行商業變現，洋芋醬AIgen則會根據客戶的視頻內容需求，爲客戶制作AI視頻內容，“最高一個月能接8單客戶需求，平均每個月有3-4單。”

而筷子科技，是通過AI視頻的生產工作流和短視頻平台的投放結合，來賺品牌的應用工具及服務的錢。

基於此，不難看出，在AI視頻的商業化中，C端還是巨頭會更成功，創業者的機會則在B端。面向未來，快手視覺生成與互動中心負責人萬鵬飛也表示，隨着大模型技術能力的提升，視頻創作者和消費者的界限逐漸模糊，促進視頻平台生態繁榮。

       原文標題 : 爆“卷”的AI視頻，大廠向左，創企向右

---

標題：爆“卷”的AI視頻，大廠向左，創企向右

地址：https://www.utechfun.com/post/404634.html