本报记者 李静 北京报道
2024年年初，视频生成大模型Sora刚刚问世，就在市场上掀起了轩然大波，国内随后也出现了一批视频生成大模型。
现在来看，一年多前的视频生成大模型产品制作的视频，在响应速度、动态质量上还略显“稚嫩”，容易出现文本理解偏差、动作畸变、复杂物理交互不稳定等问题。
今年多款视频生成大模型相继发布了2.0版本的产品，例如，国产视频生成平台Vidu带来了Vidu 2.0，MiniMax发布了MiniMax S2V-01视频模型，阿里云发布了通义万相2.1视频生成模型。4月15日，快手推出可灵2.0视频生成模型及可图2.0图像生成模型。
“过去一年多，国内视频生成大模型最明显的突破是‘可控性’的提升，一些模型能精准控制角色位置、运动轨迹甚至音效同步，用户不用再疯狂‘抽卡’碰运气了。”深度科技研究院院长张孝荣在接受《中国经营报》记者采访时说道。
技术挑战仍然存在
“没有想到生成式视频的发展会这么快。”《新世界加载中》总导演、异类Outliers创始人陈翔宇说。2024年年初Sora出现后，国内很多企业也推出类似的生成式视频大模型。2024年6月，可灵AI发布第一个版本，当天陈翔宇和团队几个人一起，用可灵AI“手搓”了一支测试片，是一个写实风格的小短片，内容是一辆小汽车飞上了太空。“即使在当时的技术，最后的成片效果来看，视频依然保持了稳定性。”
但当时的视频生成速度还比较慢，质量也不太稳定。“国内的视频生成模型虽然也采用扩散模型路线，但在技术积累和模型规模方面与Sora存在差距。”北京大数据协会理事、北京融信数联科技有限公司CTO张广志曾这样对记者解释道，在产品层面，国内的一些生成式视频模型在运动平滑度和成像质量方面表现出色，但从整体来看仍存在一些稳定性问题。例如，某些模型在生成过程中，质量不够稳定。此外，这些模型的生成速度相对较慢，例如生成2—4秒视频的等待时间为3—5分钟甚至更久。
过去一年多时间，生成式视频大模型快速迭代，2024年视频生成模型生成厂商基本迭代3—5个版本。
与此同时，普通用户使用视频生成产品的数量快速增长。记者发现，如今在各大短视频平台上都有大量由AI生成的短视频内容在传播，不少传播量还非常高。
来自东方证券研究所的报告显示，从视频生成产品的用户访问量来看，2025年2月海螺、可灵、Sora位居Top3，分别为2756万、1591万、1050万；从独立访客数看，海螺、Sora、可灵分别以634万、592万、376万保持领先。
可灵方面披露，目前可灵AI全球用户规模已突破2200万，累计生成1.68亿个视频及3.44亿张图片素材。自去年6月上线至今的10个月时间里，可灵AI的月活用户数量增长25倍。
“视频大模型技术方面的进步主要在基座模型方面。”微盟集团AI负责人裘皓萍对记者指出，各视频大模型采用时空联合注意力机制，能更好地建模视频中的复杂时空运动，使生成的运动更符合客观规律。并且通过升级架构，将视频编码放到紧凑的隐空间并解码成带有丰富细节的视频，提升计算效率。拓宽模型感知范围，增强对复杂动态场景的建模能力。扩散模型训练方法攻克了多镜头切换的一致性难题，在镜头切换时能保持主体、风格、氛围的一致性。
但目前视频生成大模型和top级别的AI产品（如ChatGPT、DeepSeek）在访问量级上仍然存在较大差距。东方证券分析师项雯倩表示：“这说明目前视频生成产品的发展仍处于早期阶段，距离达到产品to C 大范围应用仍有距离。”
萨摩耶云科技集团首席经济学家郑磊对记者指出：“在技术层面，视频生成大模型的连贯性、真实感和一致性仍需提升。”
“现阶段视频生成较大的难题依然是如何进一步提升可控性。”裘皓萍也对记者说道，无论是产品化还是商业化，无论是短视频还是长分镜，哪些细节、部分需要控制、一致，哪些部分可以AI发挥，一定程度上会决定这个技术能实用的节奏和场景。
记者在体验一些视频生成大模型时也发现，虽然生成的视频质量较一年前在一致性上有增强，但在复杂场景中（多人物互动、物理交互）容易出错。例如，记者使用自己的照片生成视频，在视频中生成的人物形象逐渐发现了一些细微的变化，“变得不太像本人”。
盖坤也坦承，AI在辅助创意表达上拥有巨大潜力，但当前的行业发展现状还远远无法满足用户需求，在AI生成内容的稳定性以及用户复杂创意的精确传达上仍有“很多挑战”。
商业化仍处于早期
记者观察发现，目前在可灵AI、海螺AI等产品的首页，“图生视频”的入口排在“文生视频”的前面。“因为文生视频对于输入文本（提示词）的质量要求很高。”一位热爱AI内容创作的人士对记者说道。
“因为图生视频约占到可灵AI视频创作量的85%，而且图片质量也对视频的生成效果产生重要作用。”快手副总裁、可灵AI负责人张迪透露。
可灵2.0版本一个很重要的迭代是对用户输入内容的创新，用户在使用可灵AI输入创意时，将不只局限于文字、图片和视频，还可以引入其他模态的信息，例如声音、运动轨迹等更丰富的表达。同时，可灵2.0大师版还上线了多模态视频编辑功能，支持在一段视频的基础之上，通过输入图片或文字，对生成的视频内容实现元素的增加、删减、替换，可以实现更加灵活的二次编辑和处理。这些技术的迭代，都是为了解决目前视频生成大模型存在的连贯性、一致性等问题。
以此作为行业发展的案例可以看到，随着视频生成大模型的迭代发展，性能的显著提升使得生成的视频质量更高、更自然，模型的应用场景也在不断扩大。一些影视作品已经开始尝试使用视频生成大模型参与制作。去年，知名导演如李少红、贾樟柯、俞白眉等利用可灵AI已经有一些AIGC电影短片诞生。今年3月，抖音和即梦也在扶持科幻、国风、悬疑等题材的AI短剧创作。
裘皓萍表示，视频生成速度加快了，且成本可接受，这是生成视频进入各方面实际使用的重要基础。微盟服务电商零售和营销客户的过程中，已经在大量使用生成式的图片和视频。
“视频生成大模型的商业化主要是To C的订阅制和To B的行业定制。但目前整体还在试水，还没到爆发期，大部分产品还未跑通变现闭环。”张孝荣指出，“现阶段更多是‘玩具+辅助’，大多数场景依然是自媒体的娱乐玩具，少数场景里，比如导演用AI快速生成分镜草稿，后期用AI批量渲染，省下时间搞创意。”
大部分的大模型厂商并未对外透露商业化的情况，不过快手对可灵AI的商业化寄予厚望。在2024年的财报电话会议上，快手管理层透露，可灵AI自商业化以来截至2025年2月累计营业收入超1亿元。快手管理层还表示，预计在2025年可灵AI将实现收入的跨越式增长。
“通过提供定制化 API服务探索收入，这将是可灵AI在2025年的重点发力方向。”项雯倩认为，未来随着视频生成模型的不断迭代完善，可能会有变现更高的商业模式出现。
“这类技术应用落地的门槛相对比较高，难度不完全是在技术本身，而在于三个方面：基于快速更新迭代的大模型和配套设施，掌握真实行业客户的需求，很重要的部分是沉淀行业Knowhow。” 裘皓萍解释到，“绝大部分AI应用在服务的客群和场景都是真实的工作、学习、生活场景，积累了很多细分场景的方法论、诀窍，这些部分对绝大多数AI应用的使用者而言，希望应用本身自带这些方法论、诀窍，而不是靠使用者通过包括prompt（提示词）在内的方式输入进去。”
