文生視頻大模型Sora誕生半年后，它的中國“挑戰者”列隊登場，爭奪下一張AI殺手級應用的“船票”。過去一個月，4款國產視頻生成模型陸續上線、走向大眾。

與Sora僅釋放小樣、未開放使用不同，中國的視頻生成大模型發布即上線，便于使用者“拿來就用”。眼下，在應用端，一批內容創作者已初嘗“會打字就會生視頻”“生視頻不求人”的樂趣；在技術側，還有一批孵化中的視頻生成模型正在路上。盡管國產工具還不具備一次性“分鐘級”的生成能力、無法實現比肩實拍的“無縫”“絲滑”，但視頻生成已解決了“有”的問題，逐步向“優”進化。

想象力“動”起來

最近，文生視頻賽道擠滿了強有力的中國選手。7月下旬，我國人工智能獨角獸智譜AI推出視頻生成模型“清影”、愛詩科技發布視頻生成產品PixVerse V2、生數科技上線視頻生成模型Vidu的同時，快手6月發布的“可靈AI”已積累百萬用戶。

“Sora還停留在實驗室的小樣階段，國產視頻生成工具已密集上線，并向C端開放使用，令人振奮。”北京大學深圳研究生院信息工程學院助理教授、博導袁粒說。

Sora的中國“挑戰者”有何本領？

清晨，大熊貓坐在湖邊彈吉他、兔子在餐廳里看報紙、袋鼠和金絲猴在一旁吃早餐，然后去動物城的運動場上集合，觀看一年一度的自行車大賽……這部由可靈AI生成的動畫微電影，盡管時長只有62秒，卻表現出了對現實世界物理規律（反射定律、重力定律等）的理解與呈現能力，以及一定的想象力與故事的實現能力。

進入“奧運時間”，不少刷屏朋友圈的、可銜接不同場景和運鏡的短片，也同樣出自國產視頻生成大模型之手。

“視頻生成，簡言之是通過生成式AI技術，將文本、圖片等多模態輸入，轉化為視頻信號。”快手視覺生成和互動中心負責人萬鵬飛說，“與過去我們常見的相機拍攝、圖形渲染獲得視頻的方式不同，視頻生成的本質是從目標分布中采樣計算得到像素。這種方式能以更低的成本，達到更高的內容自由度。”

進入Vidu的視頻生成頁面，記者體驗了“一鍵生成”的自由。上傳一張照片設置為“起始幀”或作為“參考的人物角色”，在對話框里輸入想要生成場景的文字描繪，點擊“生成”鍵，一條栩栩如生的短視頻就自動生成了。從進入頁面到下載完畢，不足1分鐘。

一名技術負責人告訴記者一個“生成秘籍”：“試試‘鏡頭語言+建立場景+細節描述’的提示詞公式，不出5次就能獲得想要的視頻內容。”比如，在對話框中輸入“寫實風格，近距離，老虎伏在地上，身體微微起伏”的文本。1分鐘后，一段視頻出現在屏幕上：微風拂過的草地上，老虎的身體隨呼吸起伏，它的毛發、胡須隨風而動，甚至能“以假亂真”。

視頻生成技術的快速迭代，建立在對生成內容效果的精準評價之上。如何區分視頻生成模型性能的優劣？“一看可控性，即生成內容與輸入文本的對應程度；二看穩定性、一致性；三看合理性，即生成內容是否合乎物理規律；四看風格、審美、創意；最后一點，看生成的實時性。”香港大學計算機系教授、歐洲科學院外籍院士徐東這樣歸納。

成本降下去 速度提上來

國外網友已經用行動表達了對中國自研視頻生成模型的贊許，不少Twitter賬號發布的文字已經配上了可靈AI、清影AI生成的視頻。

“坦白說，現在技術還沒有到成熟的階段，視頻生成模型的技術天花板高，可以提升的空間大。但是，我們看到了影視、動畫、廣告、游戲行業的痛點：制作周期長、制作成本高，而這是技術可以努力解決的。”生數科技聯合創始人、首席執行官唐家渝告訴記者。

一項技術想要成為“剛需”，須在增強可用性、可控性的前提下降低成本。作為直接拉低創作與制作門檻的技術，視頻生成模型的出現，讓影視動畫從業者看到了“小團隊制作動畫”“小成本內容創作”的春天。

“創作AIGC（生成式人工智能）動畫短片是一次有趣的經歷。我們先是有了一個創意，把它畫成故事版，然后用AI生成圖像，再用Vidu把圖像生成了視頻。”北京電影節AIGC短片單元最佳影片得主、Ainimate Lab AI負責人陳劉芳告訴記者。

視頻生成，將讓科幻、奇幻、動畫不再是大廠才敢玩的“燒錢游戲”。陳劉芳說，用上Vidu之后，制作周期與制作成本的降低堪稱顯著。

“拿動畫短片《一路向南》來說，創作團隊僅由三人構成：一名導演、一名故事版藝術家和一名AIGC技術應用專家。而傳統流程需要20人，包含導演、故事版、美術、建模、材質、燈光、渲染等不同‘工種’，周期在一個月左右。這樣算下來，成本降低了90%以上。”陳劉芳說，當然，目前視頻生成技術的精致程度還不夠，約為傳統動畫性能的三分之一。

然而，更低的成本、更高的效率，已讓傳統的影視、動畫、游戲從業者感受到技術顛覆前夜的凜冽。“‘人人成為設計師’‘人人成為導演’的時代將會到來，就像當年進入‘人人擁有麥克風’的時代。”智譜AI首席執行官張鵬說。

“這對于動畫行業而言，是挑戰，也是機遇。比如一名武林高手，哪怕用最簡單的武器、最普通的招式也會威力十足，核心在于他的內功強大。對于動畫行業而言，‘招式’好比新技術，‘內功’則是創意、是視聽表達、是對審美的品控判斷。”中國傳媒大學動畫與數字藝術學院教授、動畫系主任艾勝英說。

技術固然帶來了性價比更高的工具，但也凸顯了創意的關鍵作用。“當影視、動畫、游戲的制作環節投入占比大幅降低后，比拼的就更加是創意。”陳劉芳說。

“煉”一個殺手級應用

大語言模型敲開生成式AI的大門后，視頻作為圖像模態的再擴展，將AIGC的技術推向高潮，也讓AIGC的應用離大眾越來越近。

當前，全球視頻生成的技術路線主要有兩種：一種是擴散模型，這其中又分為兩類，一類是基于卷積神經網絡的擴散模型，如Meta的Emu Video、騰訊等推出的VideoCrafter；另一類是基于Transformer架構的擴散模型，如生數科技的Vidu、OpenAI的Sora、快手的可靈AI等。第二種是自回歸路線，如谷歌的VideoPoet、Phenaki等。

“國內視頻生成的主流選擇是基于Transformer架構的擴散模型，這一架構能使模型在處理語言、計算機視覺、圖像生成等領域表現出擴展能力，遵從‘規模定律’。”徐東說。

這一選擇也意味著，更大的算力、更高的質量與更大規模的數據，以及復雜的算法。

“首當其沖的是算法。視頻在圖像的基礎上增加了時間維度，算法的復雜程度會指數級增長。”徐東說，數據、算力一定的條件下，模型性能關鍵在于算法的能力，取決于算法人才水平的高低。

其次，最為缺乏的是數據。“視頻生成強依賴于數據。與文本數據相比，視頻數據的積累難度更大。數據的質量提升，不僅包括視頻的解析度、風格、分鏡、組合、連續性等，還包括數據的清洗、篩選、處理。”張鵬說。

視頻生成模型更是“吞卡巨獸”。從Sora的實踐來看，持續提高模型的數據量、參數規模，迄今依然是AIGC進化的核心。中信證券測算，一個60幀的視頻（約6至8秒）大約需要6萬個Patches（補片），如果去噪步數是20的話，相當于生成120萬個Tokens（詞元）。考慮到擴散模型在實際使用中需多次生成，實際計算量會遠超120萬個Tokens（詞元）。

“大模型參數正以每年十倍的速度增長。不論對科技企業還是研究機構而言，如何持續訓練高性能的模型，依然是巨大挑戰。但與此同時，C端的‘殺手級應用’讓人充滿期待。從創意的生成，到圖片、音樂、視頻的制作，AI都將有大施拳腳之地。未來，視頻制作也許就像今天做PPT一樣簡單便捷。”北京智源人工智能研究院院長王仲遠說。