文 | kiki

8月的一個普通夜晚，即便是在凌晨，快手可靈的官方創作者交流群里，討論聲依舊不減。

“美女、萌寵和科幻”。一位創作者這樣分享自己的AI視頻流量密碼。“求大神的提示詞，來一個”“怎么賺錢？求帶？”類似的聲音不在少數。

這一發生在可靈社群里的討論，恰好反映了時下AI最熱門賽道的現狀——AI視頻的火熱。

自今年6月起，國內AI視頻的迭代速度似乎進入了一個「大爆炸期」。6月，快手可靈、Runway、Luma AI等產品全面對外開放；7月，商湯推出最新AI視頻模型 Vimi，愛詩科技發布PixVerse V2，生數科技Vidu大模型開放使用，智譜AI在官宣AI生成視頻模型清影（Ying）正式上線的同時，還順便開源了自家的視頻生成模型CogVideoX-2B......

在國內競逐AI視頻的玩家中，也鮮明地分為兩派：第一類是大廠派，典型是快手與字節跳動；第二類是AI大模型創企，如智譜AI、愛詩科技、生數科技、MewXAI（藝映AI）、右腦科技（Vega AI）等，據「硅基研究室」不完全統計，目前國內涉足AI視頻領域的選手有近20家，行業整體呈現加速迭代的趨勢。

據東吳證券的測算，中國AI視頻生成的行業潛在空間為947~5858億元，在中性假設下（AI滲透率=15%）為3178億元，其中C端、B端市場空間分別為 2673億元、505億元。

不過，行業熱鬧與前景的B面，AI視頻還沒到「開香檳」的時刻。我們實測國內7款的AI視頻產品后發現——能用的很多，但好用的很少，在玩家們激進的商業化策略中，還遠沒從「玩具」進化到「生產力工具」。

1、「國產Sora」實測：能用的很多，但好用的很少

層出不窮的大片demo，來自各界的贊美，讓國產AI視頻成為了時下最熱鬧的賽道，在Sora尚未開放時，國內的AI玩家似乎都在搶抓這一窗口期，把「對標Sora」寫在了日程表上。

最激進、最為耀眼的當然要數快手的可靈，獵豹移動董事長傅盛甚至在體驗過后表示：“我覺得（可靈）也吊打了Sora，我認為這個產品今天，在我能使用的范疇內就是全世界第一的。”

事實果真如此嗎？熱鬧和喧囂之外，國產AI視頻產品真的已經如此能打了嗎？為了探究這些問題的答案，「硅基研究室」選取了國內較為熱門的7款AI視頻產品進行實際體驗，我們的發現是：能用的很多，但好用的依舊很少。

我們選取的7款產品分別為：快手的「可靈」、字節跳動的「即夢」、智譜AI的「清影」、愛詩科技的PixVerse V2、生數科技的Vidu、右腦科技的Vega AI以及MewXAI的藝映AI。

在實測標準上，我們將比較不同產品的三大能力，包括基礎能力、理解能力和生成能力，為了盡量保持客觀，大多數AI視頻鏡頭都需要多次抽卡，因此我們將使用統一的提示詞，展示一次性生成的結果，同時因為篇幅所致，文章僅展示部分視頻生成結果。

?基礎能力：產品主要的基礎功能比較

?理解能力：主要考察產品對簡單和復雜提示詞的理解。

?生成能力：包括視頻生成速度和視頻畫面的穩定性、一致性、準確性與創造性。

以下為具體的實測結果圖——

場景一：簡單提示詞+靜物定格畫面

在該場景下，我們選取了Sora發布時的一段提示詞：A stop motion animation of a flower growing out of the windowsill of a suburban house.（定格動畫，郊區一所房子的窗臺上，長出了一朵花）。聚焦在靜物場景下，上述產品的理解和生成能力。

綜合實測結果，在理解能力上，除了Vega AI外，大多數的AI視頻產品都包含了我們給出的提示詞要素：定格動畫、郊區、房子和花。

但在視頻生成上，效果都不及預期。

首先在視頻生成速度上，一段4～6s的視頻，除了Vidu在40秒內生成外，大多數的視頻生成用時均在一分鐘以上，PixVerse V2用時2分鐘（5s），可靈用了5分鐘（5s）、即夢用了2分11秒（6s），藝映AI用了12分鐘（4s），而智譜清影和Vega AI都是我們在花錢加速后，才縮短了生成時間。

其次，在生成能力上，實測結果顯示，在穩定性、一致性、準確性和創造性上，國產AI視頻產品都需要很長的路要走。根據實測結果，在「場景一」下，我們認為即夢、藝映AI和PixVerse V2的表現更優。

在畫面的穩定性和一致性上，即夢的表現最為穩定，對定格動畫的理解也更準確。藝映AI是幾個視頻里唯一選擇俯視視角的，同時也生成了陽光等新元素，畫面相對完整。PixVerse V2雖然定格動畫感不是很強，但畫面穩定性、一致性都表現的不錯，而且光線和氛圍感都十分自然。

但很多AI視頻都在可控性和準確性上出現了問題。比如，可靈對定格動畫的理解明顯不夠，畫面雖然寫實、風格也較為統一，但少了一些美感。在湖面的一致性和穩定上，智譜清影的表現都不盡如人意，后續出現了明顯的元素扭曲和卡頓。

盡管Vidu只用36秒就生成了所需視頻，但就畫面的呈現來看，是最七個產品中畫面精細度最不足的，同時從花的運動狀態來看，也是唯一一個出現了違背常識現象的。Vega AI是唯一一個用了「移鏡頭」的，但對定格動畫的理解明顯不足。

場景二：復雜提示詞+人物特寫

在稍復雜的提示詞場景下，我們選取了人物特寫鏡頭來考驗相關產品的相關能力。提示詞為：生成一段24歲年輕長發女子的特寫鏡頭，她在一家咖啡店里陷入了沉思，思考著自己的未來，因為悲傷，她眼睛里有一滴淚滑下，她后來似乎想到了開心的事，露出了微笑。電影《天使愛美麗》風格，以暖色調為主，畫面色彩生動。

從實測結果來看，對于提示詞中所包含的相關元素，國產Sora們的理解能力都還不錯，所生成的畫面風格因各自底層模型能力也全然不同。

具體到生成能力上即夢、可靈明顯更優，而其他的AI視頻選手都或多或少出現了問題。

?即夢：即夢用2分30秒時間生成了視頻，畫面氛圍感也不錯，甚至衍生出人物喝咖啡的情節，畫面呈現也較為連貫。

?可靈：可靈生成上述視頻總計時間為6分種左右，風格較為寫實，表情細節的呈現也超出我們預期。

?智譜清影：清影依舊是「速度型」選手，1分鐘不到就生成了視頻，也是唯一一個展現人物側面視角的產品，但畫面主體的面部明顯出現了問題（我們要的是淚水，不是這鑲在臉上的水晶）。

?PixVerse V2：用時1分58秒生成，PixVerse V2第一幀的表現還是不錯的，人物面部的悲傷情緒也很好地表達了出來，但越往后明顯畫面的一致性和準確性上出現錯誤，人物發絲甚至出現了透明的狀態。

? Vega AI：Vega AI用時3分半，但與我們要求的風格暖色明顯不符，同時從人物主體的運動來看，畫面上的人物并沒有明顯變化。

場景三：簡單提示詞+圖生視頻功能

最后一個場景，我們來試試「圖生視頻」功能，這也是目前創作者在使用AI視頻時為保持畫面一致性和穩定性的常規操作。可靈不久前因為「甄嬛騎摩托」火爆全網，這次我們不妨就讓胖橘（皇上）來吃漢堡。

我們投喂給AI視頻產品一張圖，提示詞描述為：皇上吃漢堡。

因為篇幅原因，我們此處不展示所有視頻結果，只說結論。首先從「吃漢堡」這個細節來看，做到完全呈現的只有智譜清影和藝映AI，即夢只有人物咀嚼的動作，PixVerse V2只出現了一只手，可靈則直接什么也沒出現。再者，從畫面的生成能力來看，上述視頻的生成效果都不太自然，比如可靈出現的手、清影的漢堡都出現了明顯的扭曲和畸變。

2、大廠VS創企：不同的姿態，相同的挑戰

客觀來說，Sora發布為國產AI視頻玩家提供了更多的參照體系，在技術、應用以及商業化上方面，都有明顯的迭代與升級。

在技術層面，據業內的觀點，Sora的出現驗證了DiT架構在視頻生成方面的可行性，通過使用Transformer替換U-Net架構，并在潛在空間訓練，展現出了更好地訓練效率和生成效果。而國內廠商沿著這一技術路線，在包括模型的生成時長、視覺效果上的分辨率、幀率、運鏡以及風格上都有明顯進步，與Sora的差距也在縮短。

在應用層面，目前多數AI視頻產品已面向C端開放，且在使用門檻較低，適用于新手，同時，特別是快手、即夢等產品已應用于短劇創作，在場景的落地速度上比預期要快。

在商業化上，國內熱門AI視頻產品大多都進行了商業化的探索，其中可靈、即夢、Pixverse、Vidu、藝映AI等推出了付費會員制，依靠訂閱模式解鎖相關進階功能，智譜清影和Vega AI則推出視頻加速包，按次收費。本質上模式還是沿用兩種模式，C端按照生成量定價，B端靠出售API。

不過，細細拆解此輪AI視頻的爆發，大廠和創企呈現出兩類明顯的姿態——大廠激進，創企卻較為冷靜。特別是「一月三次升級」的快手可靈，更是把大力出奇跡寫在了臺面上。反觀創企，倒是顯得格外冷靜。以智譜清影為例，在上線后，產品基本功能并未做快速迭代，在商業化上也呈現出謹慎的態度。

而之所以此輪AI視頻呈現出「大廠引領」的表現，有兩點主要原因：一是，視頻場景復雜，極為依賴算力和數據資源，而這本身就是抖、快的優勢所在。二是，從戰略意圖來看，抖、快之所以高度重視AI視頻產品，不僅是為了創收，更多的考慮是爭奪用戶流量。

而創業者的冷靜也在情理之中。「捏Ta」創始人胡修涵就曾提到，在AI視頻崛起時，也曾考慮提供視頻功能，但考慮到視頻效率和成功率的問題，將視頻放進產品，實際對用戶留存沒有太大的用處。“視頻是一個很強的表達模態，但我們的用戶還是更愿意去生圖。”考慮到實際投入產出比，創企難免會轉變態度。

盡管有著不同的姿態，但擺在國產Sora面前的挑戰都是類似的。

首先，在用戶層，「硅基研究室」觀察，目前大多數的AI視頻產品所采取的是「大C小B」的戰略。也就是說，現階段AI視頻產品主攻的并非是專業級創業者，而是一些能迅速掌握簡單功能的入門級用戶，包括視頻運營、新媒體運營或KOL等用戶，此類用戶往往沒有專業工具的包袱，因此產品使用的遷移成本更低。

但這也有明顯的阻礙。此類人群既是內容的創作者，也是內容的消費者，愿意嘗鮮，容易付費，但也具備不穩定性。一位AI產品經理告訴「硅基研究室」，此類便內容工具型產品除了早期要為用戶創造「Wow moment」外，依賴對用戶需求的快速反饋和內容生態的建立。

其次，在商業化層面，目前就生成成本來看，從目前Sora尚未全量開放來看，視頻模型/產品依舊面臨著成本關。智譜AI CEO就曾說過，清影目前也只是一個階段性產品，清影更多也還是通過API付費，他們在思考的是：“怎么把視頻生成算力成本降下來、響應速度提升上去、讓所有人可以用。”

可以肯定的是，現階段，無論是技術、用戶，抑或是商業化上，國產AI視頻產品還遠沒到開香檳的時刻，各家廠商都還在探索，對齊模型能力與產品，做持續的優化。視頻本身是一個強模態，未來內容平臺的跨模態也成為行業共識，但在產品早期，不如先尊重產品常識——如何優化用戶體驗，圍繞視頻工作流的某一個場景做深做專，實現真正降本增效，這或許是無數的技術變化中，提高AI視頻滲透率的一個不變鐵律。

參考資料：

東吳證券：《國產 AI 視頻大模型應用落地先行，行業空間、降本幅度、競爭格局探討》