文｜白 鴿

編｜王一粟

“生成的人物一轉(zhuǎn)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(xué)院為主題的群中，不斷有各種針對AI視頻生成的問題產(chǎn)生，而群內(nèi)有AI視頻生成使用經(jīng)驗的，則也在積極分享自己的使用方法論，并解答相關(guān)問題。

這樣的AI視頻生成相關(guān)的群聊并不在少數(shù)，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，并在各種平臺上分享自己基于AI視頻生成工具所創(chuàng)造出的視頻內(nèi)容。

國內(nèi)用戶積極對AI視頻生成工具探索和使用的背后，是今年2月份Sora的發(fā)布，作為行業(yè)發(fā)展風向標，徹底引爆了國內(nèi)AI視頻大模型生成賽道。

3月字節(jié)跳動旗下剪映Dreamina（即夢）開放內(nèi)測；4月，AI企業(yè)生數(shù)科技發(fā)布號稱首個國產(chǎn)自研視頻生成大模型Vidu；6月，快手可靈AI正式開放內(nèi)測。

7月，商湯推出最新AI視頻模型 Vimi，阿里達摩院也發(fā)布AI視頻創(chuàng)作平臺“尋光”，愛詩科技則發(fā)布PixVerse V2，快手可靈宣布基礎(chǔ)模型再次升級，并全面開放內(nèi)測，而智譜AI也宣布AI生成視頻模型清影（Ying）正式上線智譜清言。

同時，這些AI視頻大模型生成工具大部分都已經(jīng)向公眾開放使用。7月30日，生數(shù)科技的AI視頻大模型Vidu也正式面向全球公眾開放使用。

歷經(jīng)大半年，國內(nèi)大模型賽道終于進入Sora時刻。從AI跳舞、火柴人，到5秒~16秒的高質(zhì)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，相比于至今仍未開放的Sora，中國的AI視頻大模型已然開啟加速模式。在技術(shù)能力不斷迭代升級的同時，還在持續(xù)進行技術(shù)應(yīng)用和商業(yè)化落地探索。

事實上，相比于ChatGPT等聊天機器人，AI視頻生成大模型作為一個具有工具屬性的產(chǎn)品，天然就具備商業(yè)化變現(xiàn)能力，現(xiàn)階段開放給公眾使用的AI視頻生成工具也皆采用付費模式。

如智譜清影上線的定價策略是：首發(fā)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(quán)益，付費199元，解鎖一年的付費高速通道權(quán)益。

不過，當前AI視頻生成賽道的商業(yè)化仍處于非常早期階段。

“說實話，我們也不知道未來商業(yè)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，后面會及時調(diào)整。”智譜AI CEO張鵬如此說道。

AIGC智能創(chuàng)意平臺筷子科技創(chuàng)始人兼CEO陳萬鋒也表示：“目前C端用戶基于AI視頻大模型平臺開發(fā)出的視頻應(yīng)用指向型不強，這些平臺也并不知道C端用戶將會如何使用這些視頻。”

從技術(shù)的迭代更新，到探尋技術(shù)的應(yīng)用和商業(yè)化變現(xiàn)，國內(nèi)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(yè)現(xiàn)狀來說，卻也仍存在諸多挑戰(zhàn)。

AI視頻軍備競賽，都在“卷”什么

用AI生成視頻，并不是新物種，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并不足夠令人驚艷。

Sora一發(fā)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(tài)運動情況下，隨著空間的移動和旋轉(zhuǎn)，視頻中出現(xiàn)的人物和物體也會保持場景一致性移動。

Sora展示的視頻內(nèi)容

這可以說震驚了整個AI屆。Sora背后的技術(shù)架構(gòu)，也被業(yè)界所了解并跟進。

此前AI視頻生成的技術(shù)路線主要有2大類：

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

一類是基于Transformer架構(gòu)的大語言模型生成視頻技術(shù)路線。

去年12月底，谷歌發(fā)布了基于大語言模型的生成式AI視頻模型VideoPoet，這在當時被視為生成視頻領(lǐng)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(jīng)網(wǎng)絡(luò)”，如基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的UNet結(jié)構(gòu)，從某個時間點的畫面，減去預(yù)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(shù)據(jù)來對大模型進行訓(xùn)練，使其能夠理解視頻數(shù)據(jù)中的基本Token詞匯以及所對應(yīng)的視頻畫面。當用戶給予指令詞之后，其就能夠根據(jù)學(xué)習(xí)到的Token詞匯生成對應(yīng)的視頻內(nèi)容。

兩種技術(shù)路線都存在各自的優(yōu)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(xiàn)根本性突破。Sora則選擇了將擴散模型和Transformer模型結(jié)合的技術(shù)架構(gòu)體系-DiT（Diffusion ＋ Transformer ）架構(gòu)。

有業(yè)內(nèi)觀點認為，Sora是將Diffusion擴散模型中的U-Net架構(gòu)替換成了Transformer架構(gòu)。

兩者的結(jié)合效果，一個AI從業(yè)者形象的解釋為：擴散模型就像是一個雕塑過程，將石料上不應(yīng)該存在的部分去掉，創(chuàng)造出雕塑作品。而Transformer通過自注意力機制，理解時間線之間的關(guān)聯(lián)，則讓這尊雕塑從石座上走了下來。

AIGC創(chuàng)業(yè)者洋芋醬AIgen（藝名）也認為：“視頻是一幀一幀的圖像，采用UNet結(jié)構(gòu)的邏輯是按照生產(chǎn)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(xùn)練的AI，其產(chǎn)出的畫面就相對穩(wěn)定，不會狂閃，具有合理的連續(xù)的幀。”

因此，Sora發(fā)布之后，DiT技術(shù)架構(gòu)也成AI視頻玩家的主流技術(shù)架構(gòu)，并將其視為通往AGI的關(guān)鍵技術(shù)。

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(shù)科技此次Vidu開放文生視頻、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(xù)的視頻內(nèi)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(shù)的積累上來看，雖然都在布局DiT架構(gòu)，但國內(nèi)AI視頻生成企業(yè)還處于追趕階段，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(chǎn)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(yīng)速度提升上去，我們在追求技術(shù)高度的同時，也同步追求技術(shù)的可普及性和成本。”張鵬說。

無疑，技術(shù)上國內(nèi)AI視頻大模型賽道玩家還在追趕，但在應(yīng)用和商業(yè)化上卻已然走在前列。

圖生視頻成主流，不穩(wěn)定、一致性仍是問題

在技術(shù)架構(gòu)升級之后，現(xiàn)如今的AI視頻生成的視頻效果與時長，已經(jīng)與年初有了本質(zhì)的區(qū)別。

當前，各AI視頻大模型產(chǎn)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并不一致，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為復(fù)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，再基于圖片通過AI視頻生成工具生成視頻內(nèi)容。

于普通的業(yè)務(wù)愛好者而言，想要體驗AI視頻生成效果，文生視頻功能已經(jīng)夠用。

但對于想要基于此進行視頻內(nèi)容商業(yè)化交付的從業(yè)者而言，“基本上，沒有人用文生視頻。”星賢文化創(chuàng)始人、AI原創(chuàng)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后內(nèi)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(shù)尚不能通過一段文字描述就能夠讓人物和空間美學(xué)保持一致性。

“為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里的內(nèi)容。”洋芋醬AIgen也如此說道。

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

圖片來自：《劈波斬浪》

今年7月13日，陳坤基于快手可靈大模型重新打磨的《山海奇鏡之劈波斬浪》正式上線快手平臺，19日單日播放量達到了2026.7萬，上線十天累計播放量達到了5164.9萬，后續(xù)榮登德塔文短劇指數(shù)榜第一。

在陳坤看來：“半年前，AI影視很難用生動的表演表現(xiàn)復(fù)雜敘事，很多的動作場面也需要通過蒙太奇的剪輯來實現(xiàn)，在制作過程中，由于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(jié)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(chuàng)作者也很喜歡用�，F(xiàn)在它也推出了圖生視頻功能”

作為一個資深玩家，洋芋醬AIgen也認為：“目前最好用的是可靈、luma 和Runway。”另一位影視從業(yè)者琪琪（化名）則表示，Sora的整體效果應(yīng)該最好，但其并未開放。

不過，在實際的體驗過程中，雖然現(xiàn)階段相比于半年前在視頻時長和效果上有了質(zhì)的飛躍，但仍存在畫面人物變形、畫面不穩(wěn)定以及前后不一致性等問題。

總結(jié)下來，從業(yè)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。

“由于大模型技術(shù)并不完善，在視頻生成過程中畫面不可避免的產(chǎn)生畸變。”陳坤稱。

對此，行業(yè)從業(yè)者就會通過不停“抽卡”（讓AI不斷自主隨機生成相關(guān)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，但也并未抽到我特別滿意的鏡頭，后來實際用的畫面其實也是帶了一定畸變的。”陳坤說道。

從現(xiàn)階段的技術(shù)手段來看，短期內(nèi)可能無法解決這一問題。張鵬認為：“最簡單的可控，就是我說什么模型做什么，而想要實現(xiàn)這一可控，強烈依賴于模型能不能夠理解這個內(nèi)容，而這也是多模態(tài)大模型發(fā)展的初衷。”

用發(fā)展中的技術(shù)去解決發(fā)展中的問題，將是AI視頻大模型未來發(fā)展迭代升級的關(guān)鍵。“內(nèi)容生成，尤其是視頻內(nèi)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(shù)層面的事情。”張鵬如此說道。

現(xiàn)階段AI視頻大模型技術(shù)仍處于比較早期階段，并未有任何一家AI視頻生成工具爬到了山頂。而在各家攀登山頂?shù)倪^程中，生態(tài)體系的建設(shè)以及商業(yè)化變現(xiàn)也成為關(guān)鍵。

黃金賽道的起點

“技術(shù)應(yīng)用到行業(yè)的速度，遠慢于技術(shù)自身的發(fā)展。”陳萬鋒如此說道，“AI技術(shù)發(fā)展很快，但滲透到產(chǎn)業(yè)中，產(chǎn)生價值的速度可能要慢十倍。”

純技術(shù)路線發(fā)展的角度來看，從單模態(tài)，到多模態(tài)，最終的目標是達成AGI。但將AI進行產(chǎn)業(yè)化落地應(yīng)用，與技術(shù)升級迭代是兩碼事。

現(xiàn)階段，國內(nèi)眾多大模型公司的技術(shù)追趕已經(jīng)過了一個階段，將會把更多的精力聚焦在落地和應(yīng)用上，通過與場景的結(jié)合，數(shù)據(jù)的反饋，再推進底層技術(shù)迭代升級。

而相比于ChatGPT這種聊天機器工具，AI視頻生成則是大模型技術(shù)商業(yè)化落地的黃金賽道。

之所以說其是黃金賽道，主要基于兩個方面：

一個是作為AI視頻生成工具，其天然具有收費優(yōu)勢。

目前大多數(shù)AI視頻生成工具，面向C端用戶采用的是會員體系。以可靈為例，其目前會員共分為黃金、鉑金、鉆石三個類別，優(yōu)惠后三檔月卡的價格分別為33元、133元和333元，對應(yīng)分別獲得660、3000 、8000“靈感值”，可生成約66個、300個或800個標準視頻。

面向B端企業(yè)級用戶，則可以支持通過調(diào)用API的方式進行收費。如智譜AI，其除了會員制收費方式外，還在開放平臺開放了API，收入一定的費用。

另外一個方面，AI視頻生成工具讓創(chuàng)作者和消費者之間的界限變得模糊，尤其是快手和抖音平臺上，這些視頻博主屬于C端消費者，但其又可以基于AI視頻工具進行視頻創(chuàng)作，變成B端視頻生產(chǎn)方。光錐智能認為，“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(yè)化生態(tài)角度來講，大廠和創(chuàng)企在變現(xiàn)的思路上也并不一致。

像抖音、快手這種已經(jīng)行業(yè)頭部視頻平臺，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(chuàng)作相關(guān)內(nèi)容，豐富自己視頻生態(tài)體系。

“大廠不需要賣工具，而是通過用戶進行商業(yè)化變現(xiàn)。”陳萬鋒如此說道，“C端為應(yīng)用付費模式（對創(chuàng)業(yè)公司來講）在國內(nèi)并不現(xiàn)實，未來或許只有巨頭才有機會，因為其用戶數(shù)量龐大。”

與此同時，對于現(xiàn)階段各平臺采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(xiàn)在即便再便宜，也只對真正能夠商業(yè)化閉環(huán)的創(chuàng)作者有效。如果不是一個商業(yè)化閉環(huán)的創(chuàng)作者，后續(xù)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于大廠研發(fā)九牛一毛，都不夠大模型訓(xùn)練一次。另一方面，一旦AI視頻大模型技術(shù)達到天花板，這些巨頭一定會進行價格戰(zhàn)，目的就是為了搶奪用戶數(shù)量，“大廠最終一定會選擇用戶數(shù)量，而不是去賺這些錢。”

因此，于大模型創(chuàng)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(yè)端，才是能夠商業(yè)化變現(xiàn)的唯一方式。”

而企業(yè)端愿意為其付費的原因，則在于其能夠?qū)崿F(xiàn)視頻的商業(yè)化交付，產(chǎn)生營收，能夠支持其對應(yīng)的成本支出。

比如陳坤通過AI短劇進行商業(yè)變現(xiàn)，洋芋醬AIgen則會根據(jù)客戶的視頻內(nèi)容需求，為客戶制作AI視頻內(nèi)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(chǎn)工作流和短視頻平臺的投放結(jié)合，來賺品牌的應(yīng)用工具及服務(wù)的錢。

基于此，不難看出，在AI視頻的商業(yè)化中，C端還是巨頭會更成功，創(chuàng)業(yè)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，隨著大模型技術(shù)能力的提升，視頻創(chuàng)作者和消費者的界限逐漸模糊，促進視頻平臺生態(tài)繁榮。

       原文標題 : 爆“卷”的AI視頻，大廠向左，創(chuàng)企向右