成為“中國版的Sora”遠不是這場AI視頻大模型競賽的終點，而恰恰只是起點。

@科技新知 原創(chuàng)

作者丨余寐 編輯丨賽柯

六個月前，由OpenAI研發(fā)的文生視頻大模型Sora橫空出世，給了科技圈一點大大的震撼。

用AI生成視頻并不是新鮮事，只不過此前一直無法突破合成10秒自然連貫視頻的瓶頸。而Sora在發(fā)布時就已經(jīng)能合成1分鐘超長視頻，視頻質(zhì)量畫面也效果驚人。

盡管Sora一直沒有開放公測供用戶體驗，但其底層架構(gòu)還是被扒了個遍。被稱之為“Sora路線”的DiT，全稱為Diffusion Transformer，本質(zhì)是把訓(xùn)練大模型方法機制融入到了擴散模型之中。

自此，相關(guān)平臺不甘落后，紛紛摸著Sora過河，你方唱罷我登場，競爭不可謂不激烈。有媒體統(tǒng)計，國內(nèi)有至少超20家公司推出了自研AI視頻產(chǎn)品/模型。入局玩家紛雜。

在剛剛過去的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，智譜AI也宣布AI生成視頻模型清影（Ying）正式上線智譜清言。互聯(lián)網(wǎng)企業(yè)之間的賽場也有了新故事。字節(jié)跳動是第一批發(fā)布AI視頻模型的選手，3月率先發(fā)布剪映Dreamina（即夢），三個月后，快手可靈AI正式開放內(nèi)測。

AI視頻大模型賽道如此之“卷”，究其原因，無疑是其背后蘊藏的商業(yè)空間與想象力。不過，用戶更關(guān)心的是產(chǎn)品本身。這也是行業(yè)必須要直面的問題：AI視頻大模型到了哪一步？Sora帶來的“光環(huán)”，究竟值不值得期待？

目前深度學(xué)習(xí)的框架，“數(shù)據(jù)是燃料、模型是引擎、算力是加速器”。在掌握模型搭建方法后，不斷投喂數(shù)據(jù)并提升算力和準確性是各平臺采取的主要策略。而進展是有限的。普遍來看，大模型在生成具有連貫性和邏輯一致性的視頻方面仍然存在困難。

本次我們選取幾個國內(nèi)頭部視頻生成模型進行實測，包括可靈、即夢、PixVerse、清影（智譜清言），具體直觀地測試不同的模型表現(xiàn)。

為盡可能客觀地比較測試結(jié)果，我們采用如下設(shè)定：

1.使用統(tǒng)一的中文提示詞，包括簡易提示詞和復(fù)合提示詞；

2.測試包含圖生視頻和文生視頻兩種方式；

3.測試場景包括大模型對人物、動物、城市建筑等的生成效果；

4.模擬新手用戶使用場景，統(tǒng)一采用各模型平臺電腦端默認設(shè)置；

5.展示呈現(xiàn)采用一次生成結(jié)果，不進行二次調(diào)整優(yōu)化。

以下是各模型的實際生成效果：

場景1：二次創(chuàng)作場景

提示詞：做出加油的動作后做出鬼臉，吐舌頭并眨右眼。

場景說明：使用梗圖《握拳寶寶》，模擬用戶二次創(chuàng)作，測試模型對于圖片的理解和生成能力。對于模型主要的難點在于需要理解“鬼臉”的含義，并能對“吐舌頭”和“眨眼”兩個動作做出反饋和生成?，F(xiàn)階段，模型一般只能識別一個動詞。

網(wǎng)絡(luò)上曾經(jīng)爆火的“握拳寶寶”

↑即夢：主體的手部、嘴部產(chǎn)生了明顯畸變，對于提示詞動作的理解沒有非常明顯。

場景2：人物吃東西場景

提示詞：一個亞洲年輕男性在家里用筷子津津有味地吃一碗面條，風(fēng)格真實，類似于電影《天使愛美麗》，環(huán)境舒適溫馨，鏡頭逐漸拉近對準人物。

場景說明：對于模型來說，需要圍繞“亞洲年輕男性”“筷子”“面條”生成視頻，同時要理解電影風(fēng)格和環(huán)境，并按照指示進行運鏡。更重要的是，通過吃飯這個場景可以更清晰地讓模型展示手部細節(jié)，并通過吃面條這個動作來展示模型對于物理世界的理解。

場景3：動物擬人場景

提示詞（簡單版）：一頭大熊貓戴著金邊眼鏡在教室黑板前講課。

提示詞（復(fù)雜版）：電影膠片感風(fēng)格的場景中，一頭大熊貓戴著金邊眼鏡，在教室黑板前講課。它的動作自然流暢，周圍是充滿質(zhì)感的教室環(huán)境，學(xué)生們認真聽講。整個場景如同電影畫面，光影處理細膩，色彩飽滿。電影膠片感風(fēng)格，氣氛溫馨，8K電影級。

場景說明：該場景通過設(shè)置兩版提示詞，來測試大模型對于想象力的理解。簡單版提示詞僅有大熊貓、金邊眼鏡、黑板，模型可以通過這三個關(guān)鍵詞生成具有可自主添加其他內(nèi)容的視頻，來展現(xiàn)模型的想象力和細節(jié)搭建；復(fù)雜版提示詞按照清影內(nèi)設(shè)的提示詞調(diào)試小程序生成，涉及場景、風(fēng)格、人物、環(huán)境、色彩、氛圍和清晰度等，測試模型的細節(jié)刻畫。

先看簡單版提示詞生成的效果：

升級提示詞后的效果：

場景4：科技想象場景

提示詞（簡單版）：充滿科技感的未來城市一角，仰視視角。

提示詞（復(fù)雜版）：在充滿科技感的科幻風(fēng)格未來城市中，使用推近鏡頭，展現(xiàn)建筑和交通工具的細節(jié)，無人機在空中穿梭，天氣晴朗，陽光灑在高樓大廈的玻璃幕墻上陽光透過高樓的縫隙灑下，周圍環(huán)境充滿未來感，科幻風(fēng)格，氣氛激昂明朗，HDR高動態(tài)。

場景說明：該場景同樣設(shè)置兩版關(guān)鍵詞，簡單版只給出科技感、城市和視角三個關(guān)鍵詞，由模型填充生成剩下的內(nèi)容；復(fù)雜版提示詞同樣使用清影的提示詞調(diào)試程序生成，涉及風(fēng)格、運鏡、場景、環(huán)境、色彩、氣氛和清晰度。一方面，該場景主要測試模型在不同顆粒度的提示詞下所生成的視頻內(nèi)容豐富性；另一方面。“未來”是現(xiàn)實物理世界與想象世界的結(jié)合，可以測試模型對于建筑、光影和科幻的理解。

同樣先看簡單版：

再看復(fù)雜提示詞版生成效果：

↑可靈：依然是不會出錯的方案，有一些畸變，就是看起來好像是北京動物園公交樞紐的實拍是怎么回事。

除了場景應(yīng)用，我們還從另外四個維度對所選取的四個大模型進行了測評：

視頻生成質(zhì)量和清晰度

內(nèi)容生成準確性、一致性和豐富性

使用成本和價格

生成速度和交互界面

基于「科技新知」的測試情況，在視頻質(zhì)量和清晰度方面，可靈大模型在四個模型中更勝一籌，例如在生成大熊貓視頻時，其能夠較為清晰細膩地表現(xiàn)出大熊貓毛發(fā)的紋理、質(zhì)感和色澤；對于物體的邊框勾勒也區(qū)分明確，畫面更真實，相對來說物體畸變也是最少的。清晰度方面，幾個大模型生成效果都還不錯，PixVerse效果相對落后。

從準確性和一致性比較，四個模型對于部分提示詞的忽略是普遍情況。對于兩個及以上動詞，通常模型只會關(guān)注其中一個，側(cè)重選擇哪些關(guān)鍵詞和關(guān)鍵信息也是考量模型理解能力的重要判斷方式。

從生成視頻的豐富性上，即夢和PixVerse表現(xiàn)較好。在一些除主體元素外的細節(jié)方面，二者都在盡量擴充內(nèi)容，尤其是即夢對光線光影頗有理解。反觀可靈，在這部分則相對保守，主要以保證主體元素和動作不出差錯為主要聚焦。

從使用成本上，目前四個模型均可以免費或付費使用。具體來看，截至測評日，清影可以無限量使用，可靈、即夢和PicVerse則采用每日贈送積分點數(shù)的方式供用戶體驗。除此之外，每家的付費機制各有側(cè)重。

四個頭部AI視頻生成模型對比表

從生成速度上，我們同步實測了幾個模型的生成速度，得到如下結(jié)果：

四個頭部AI視頻生成模型生成速度對比表（數(shù)據(jù)測試時間為8月3日上午11時）

從交互來看，在注冊登錄門檻上，清影僅采用手機驗證碼注冊登錄，相對簡單；可靈支持手機驗證碼和快手賬號兩種登錄方式，默認使用手機驗證碼；PixVerse則遵循海外主流產(chǎn)品的登錄方式，提供谷歌、Discord綁定和郵箱三種登錄方式；即夢帶有一貫的字節(jié)系產(chǎn)品特色，比如在電腦端使用產(chǎn)品之前，需要先下載抖音才能掃碼登錄，當然也可以選擇使用手機驗證碼登錄，但又必須授權(quán)抖音驗證。

在頁面布局上，PixVerse采用純英文界面，右上角為賬戶等個人信息，左側(cè)為功能性按鈕，界面交互非常簡單，可調(diào)節(jié)參數(shù)也并不多，主要是正向提示詞、負提示詞，模型選擇，時長，畫面比例等。

可靈的頁面布局也類似，使用傳統(tǒng)操作臺界面，右上角為賬戶信息，左側(cè)為調(diào)試臺，中間為預(yù)覽窗口，右側(cè)為歷史記錄，動線流暢?？烧{(diào)節(jié)等參數(shù)包括正向提示詞、創(chuàng)意想象力/創(chuàng)意相關(guān)性，生成模式、時長、視頻比例、運鏡、負提示詞等。

智譜清言將AI生成視頻作為整個平臺的一個子功能，嵌入到平臺看板中，因此在界面布局上稍顯雜亂。界面共分為四個部分，最左側(cè)是平臺的功能模塊，再到歷史記錄、視頻預(yù)覽，對于生成視頻可操作性不高。最右側(cè)才是控制臺，僅有提示詞輸入，視頻風(fēng)格、情感氛圍和運鏡方式可以選擇，需要用戶自行探索部分隱性功能，有一定學(xué)習(xí)門檻。

即夢模型主界面簡潔，總體色調(diào)和布局承襲剪映的風(fēng)格，分為左側(cè)調(diào)試和右側(cè)預(yù)覽兩部分，調(diào)試部分與其他模型大同小異。在右側(cè)預(yù)覽部分，對生成的視頻可以實現(xiàn)延長時長、對口型、補幀、提升分辨率等會員功能，用于對生成視頻的調(diào)整，也符合用戶工作流習(xí)慣。

測評觀察

總體使用下來，「科技新知」個人的感受是產(chǎn)品使用不及預(yù)期，頗有雷聲大雨點小之意。就「科技新知」的測試體驗而言，幾款模型中體驗最好的是可靈，不論是文生視頻還是圖生視頻，相對來說都比較絲滑。對新手用戶來說，不需要掌握非常復(fù)雜的提示詞技巧，僅按照模型操作界面的提示，使用純自然語言就能夠達到相對滿意的效果。另一方面，生成的視頻在細節(jié)（比如手部）方面處理得較平滑，失誤率較少。對于現(xiàn)階段生成視頻通常需要“抽卡”（碰運氣）的賽道常態(tài)來說，減少失誤率就意味著提升質(zhì)量。

在本次測試場景的反饋中，即夢和PixVerse生成的視頻質(zhì)量相對不穩(wěn)定，一定程度上表現(xiàn)出了模型穩(wěn)定性還有待提升。而清影模型，不知是否因為訓(xùn)練素材的原因，生成的視頻總是帶有濃郁的色彩和卡通風(fēng)格，讓人不由想起B(yǎng)站“學(xué)了五年動畫的朋友”系列。

技術(shù)的發(fā)展固然鼓舞人心。除了速度提升以外，不少AI視頻生成模型已經(jīng)初步具備了“理解”世界的能力。即在視頻生成時可以理解物體運動過程中的物理世界，也能預(yù)測視頻下一步可能發(fā)生什么。

但在實際應(yīng)用層面，這類大模型的局限也很顯然。5到10秒的可選視頻長度對于用戶來說稍顯尷尬，很難進行任何故事性創(chuàng)作。目前最匹配的領(lǐng)域，或許只能是制作一些表情包或梗圖二次創(chuàng)作。企業(yè)并非沒有意識到問題，只是現(xiàn)實很骨感——長度限制是由開發(fā)成本導(dǎo)致的?，F(xiàn)階段在AI視頻生成賽道上，玩家比的不只是技術(shù)，還有資金。為了“回血”，平臺紛紛設(shè)計了會員機制，怎奈花的比掙的多得多。

據(jù)調(diào)查機構(gòu) Factorial Funds 的數(shù)據(jù)，以 Sora 為例，它 30 億參數(shù)（主流猜測 ）的訓(xùn)練成本，比 1.8 萬億參數(shù)的 GPT-4 還要多。這還只是訓(xùn)練，實際使用的推理成本要更多。國內(nèi)有 AI 企業(yè)做過一個折算，生成一個差不多兩分鐘的視頻，企業(yè)的成本是 180 元。收取的會員制費用相對于其研發(fā)成本來說簡直是九牛一毛。

從這個層面看，像抖音、快手這類擁有短視頻平臺的玩家自帶天然優(yōu)勢。一方面，其訓(xùn)練數(shù)據(jù)并不缺乏，另一方面，自身的海量用戶也使企業(yè)更容易實現(xiàn)商業(yè)化路徑的閉環(huán)。但變現(xiàn)門檻也無法忽視。設(shè)想一下，如果只是一名普通的C端用戶，除了一開始的新鮮勁兒，如何保證其付費率和付費意愿？

因此，成為“中國版的Sora”遠不是這場AI視頻大模型競賽的終點，而恰恰只是起點。產(chǎn)品問世之后，誰能找到可持續(xù)的商業(yè)化之路，落地產(chǎn)業(yè)化應(yīng)用，才是國產(chǎn)AI賽道的終極玩家。