前言：

經過長達半年的不懈努力，國內在大型人工智能模型領域的發展終于迎來了關鍵時刻。

從人工智能驅動的舞蹈表演、火柴人動畫的創作，到能夠生成時長為5至16秒的高質量視頻，AI視頻生成技術的整體水平已經實現了質的飛躍。

國內AI視頻市場的主要玩家已經基本確立，并且進入了商業模式的PK環節。

作者 | 方文三

圖片來源 |  網 絡 

DiT技術架構已成為AI視頻領域主流

此前，AI視頻生成的技術路徑主要分為兩類：一類是擴散模型技術路徑，主要參與者包括Runway、Pika Labs等；

另一類是基于Transformer架構的大語言模型生成視頻的技術路徑。

去年12月底，谷歌發布了基于大語言模型的生成式AI視頻模型VideoPoet，這被視為在擴散模型之外，為視頻生成領域提供了另一種解決方案和可能性。

擴散模型通過向圖片中引入噪聲，將其轉變為原始馬賽克狀態，隨后利用[神經網絡]。

例如基于卷積神經網絡（CNN）的UNet結構，從特定時間點的畫面中減去預測的噪聲，從而得到無噪聲的原始畫面，即最終生成的畫面。

兩種技術路徑各有優劣，單一模型生成的視頻在時長和畫面效果上難以實現根本性的突破。

Sora選擇了一種結合擴散模型和Transformer模型的技術架構體系——DiT（Diffusion＋Transformer）架構。

具體而言，Sora將擴散模型中的U-Net架構替換為Transformer架構。

因此，Sora發布后，DiT技術架構已成為AI視頻領域玩家的主流技術架構。

數據、算法、算力決定AI視頻成本

數據投入成本高昂。一貫重視版權的Adobe，在模型訓練初期計劃向攝影師、藝術家購買視頻，并根據視頻長度付費，每分鐘費用在2.60美元至7.25美元之間（約合人民幣20至50元/分鐘）。

訓練一個AI大語言模型需要億級數量的參數，而訓練視頻模型所需的數據量更是有過之而無不及。

運營AI視頻應用所需的算力成本同樣巨大。AI視頻無法像橋梁那樣通過邊際效應來計算成本。

每個用戶都需要算力，用戶使用越多，算力需求就越大。

在數據成本和算力成本的雙重壓力下，AI視頻的參與者無法像大模型參與者那樣[慷慨]地直接降價。

如果草率地采取降價策略來[跑馬圈地]，AI視頻參與者極有可能面臨資金被算力成本耗盡的風險，同時用戶體驗也可能受到影響，可謂兩頭不討好。

因此，大多數AI視頻參與者總是小心翼翼，選擇在增值功能上下功夫。

一份關于AI應用定價策略的報告指出，只有26%的AI公司采用了Freemium的混合模式，絕大多數（71%）仍然采用傳統的SaaS訂閱定價模式。

智譜清影推出的則是[加速]模式。普通用戶使用清影是無限次免費的，若想縮短排隊等待時間，可以購買加速券，5元可加速一整天。

最具創意的定價模式莫過于月之暗面的Kimi大模型。

自今年三月起，Kimi一直穩居國內AI產品Top5，甚至一度因流量過大而宕機。

為了平衡用戶體驗和算力需求，Kimi推出了打賞功能。

用戶可以通過支付5.20至399元不等的金額，獲得不同時間長度的[高峰期優先使用]功能。

不難看出，國內AI產品對商業化模式的探索持開放態度。

自身優勢也影響了到產品特點

快手的可靈在人物姿態的自然流暢性方面表現突出，智譜清影和愛詩科技的PixVerse在色彩表現上更為鮮明。

特別是快手的可靈，依托快手平臺海量的視頻數據優勢，能夠迅速生成符合中文語境和審美習慣的視頻，主打對物理世界特性的高強度模擬，并成功解決了眾多AI難以攻克的[吃]的問題。

生數科技的Vidu在動作幅度和運動速度上更為顯著，而字節跳動的即夢則擅長于動畫風格，能夠精確控制物體運動的速度。

智譜清影和生數科技的Vidu在生成速度上表現尤為出色，僅需30秒即可完成，而國內外主流產品的生成時間大約為5分鐘左右。

字節跳動旗下的剪映上線即夢AI，在視頻生成的基礎上創新了故事模式，能夠從提示詞到角色、場景，實現從創意到成品的快速轉化。

此外，阿里達摩院的AI視頻產品[尋光]和百度的AI視頻模型UniVG雖然仍在內測階段，但從官方發布的信息來看，二者在可控編輯、語義一致性等方面具有很大的潛力。

國內產品生成高品質內容仍需升級

AI視頻生成面臨的挑戰包括準確性、一致性和豐富性。實際體驗效果與各公司發布的宣傳片之間存在較大差異。

若AI視頻生成技術想要實現商業應用，仍需克服諸多挑戰。

目前，無論是國內還是國際上的AI視頻生成技術，大多數支持480p/720p分辨率的視頻生成，而支持1080p高清視頻的則相對較少。

素材的質量和算力的高低直接影響生成視頻的品質。

然而，即便擁有高質量的素材和強大的算力，并不意味著能夠保證生成的視頻品質。

使用低分辨率素材訓練的模型若試圖生成高分辨率視頻，可能會導致視頻出現崩壞或重復現象，例如出現多手多腳的情況。

這類問題通常可以通過放大、修復和重繪等手段解決，但其效果和細節通常不盡如人意。

在國內，大多數AI視頻生成技術能夠支持2-3秒的視頻，能夠達到5-10秒的則屬于較為先進的產品。

也有個別產品表現突出，例如即夢技術可以生成長達12秒的視頻。

但與Sora技術相比，后者曾宣稱能夠生成長達60秒的視頻，盡管目前尚未對外開放使用，其具體表現尚無法驗證。

除了視頻長度，生成內容的合理性同樣重要。

理論上，AI可以持續輸出視頻，甚至長達一個小時，但用戶通常需要的不是監控視頻或循環播放的風景畫，而是具有精美畫面和故事性的短片。

即夢技術雖然在視頻長度上有所突破，但生成質量并不理想，例如主角小女孩的形象在后期會出現變形。

Vega AI也存在類似問題；而PixVerse技術生成的畫質較差。

相比之下，Morph技術在內容準確性上表現良好，但視頻時長僅為2秒。

藝映技術的畫質佳，但在理解文字方面存在不足，導致關鍵元素如兔子丟失，且生成的視頻風格偏向漫畫，缺乏寫實感。

目前，許多宣稱使用AI進行全流程制作的影視短片，實際上采用的是圖像生成視頻或視頻到視頻的技術。

視頻的連貫性至關重要，許多AI視頻工具通過單幀圖片預測后續動作來實現視頻轉換，但預測的準確性目前仍依賴于運氣。

在實現視頻中主角一致性方面，各家技術并非完全依賴數據生成。

然而，目前這些技術仍在探索階段，即便進行了技術疊加，人物一致性問題仍未得到完全解決。

目前生成時長與效果差異不大

目前，市面上主流的AI視頻工具主要生成時長在4秒至10秒左右的視頻片段。

Vidu效果生數科技此次推出的Vidu開放文生視頻、圖生視頻兩項功能，提供了4秒和8秒兩種時長選項，最高支持1080P的分辨率。

在處理速度方面，實測生成一段4秒視頻片段僅需30秒。

愛詩科技的PixVerse V2能夠支持生成單個時長為8秒的視頻片段，并且具備一鍵生成1至5段連續視頻內容的功能，確保片段間主體形象、畫面風格及場景元素保持一致。

智譜AI的智譜清影能夠制作出時長為6秒的視頻，制作時間大約為30秒，清晰度可達到1440x960（3：2）。

快手可靈生成的視頻時長為5秒，但其具備將視頻時長擴展的功能，可以將視頻時長延長至10秒。

然而，在視頻生成速度上，快手可靈相對較慢，通常需要2至3分鐘的時間。

從技術積累的角度審視，盡管國內人工智能視頻生成企業均在布局DiT架構，但相較于Sora的水平，它們在視頻生成的時長和效果方面仍處于追趕狀態。

國內AI視頻大模型已經開啟了商業探索

相較于聊天機器人工具如ChatGPT，AI視頻生成被視為大模型技術商業化的黃金賽道。

其成為黃金賽道的原因主要有兩個方面：首先，AI視頻生成工具本身具有明顯的收費優勢。

目前，多數AI視頻生成工具面向消費者端用戶采用會員制度。

以可靈為例，其會員分為黃金、鉑金、鉆石三個等級；

經過優惠后，三檔月卡的價格分別為33元、133元和333元，分別提供660、3000、8000[靈感值]，可生成大約66個、300個或800個標準視頻。

智譜清影推出的定價策略如下：在首發測試期間，所有用戶均可免費體驗；

支付5元，可獲得一天（24小時）的高速通道權益；

支付199元，則可解鎖一年的高速通道權益。然而，AI視頻生成領域的商業化目前仍處于起步階段。

對于企業級用戶，這些工具支持通過調用API接口進行收費。

例如智譜AI，除了會員制收費方式外，還在開放平臺上開放API接口，收取一定費用。

另一方面，AI視頻生成工具模糊了創作者與消費者之間的界限，特別是在快手和抖音等平臺上，視頻博主既是消費者，也可以利用AI視頻工具進行創作，轉變為視頻生產方。

這種大C小B的消費者群體極為重要，甚至可能是最關鍵的，ToB和ToC的界限日益模糊。

然而，從商業生態的角度來看，大型企業和初創企業在變現策略上存在差異。

像抖音、快手這樣的行業領先視頻平臺，可以利用其龐大的用戶基礎，通過提供AI視頻生成工具，鼓勵用戶創作相關內容，從而豐富自身的視頻生態體系。

這些大型平臺無需直接銷售工具，而是通過用戶實現商業化變現。

對于初創企業而言，直接銷售工具在中國市場并不現實，未來可能只有行業巨頭才有機會，因為它們擁有龐大的用戶群體。

對于大模型初創企業來說，如果僅限于銷售工具，在中國只能面向ToB，而不能面向ToC。

只有面向企業端，才是實現商業化變現的可行途徑。

企業愿意為此付費的原因在于，它們能夠通過視頻實現商業交付，產生收益，以支持相應的成本支出。

因此，在AI視頻的商業化過程中，消費者端的成功更多地屬于行業巨頭，而創業者的機遇則在于企業端。

目前，C端用戶利用AI視頻大模型平臺開發的視頻應用缺乏明確的指向性，平臺本身亦難以預測C端用戶將如何運用這些視頻。

互聯網巨頭很可能將扮演引領者的角色

核心競爭要素在于數據、場景和用戶。數據是訓練高質量模型的關鍵，而場景決定了產品的市場適應性和商業潛力，互聯網巨頭在這三個維度均占優勢。

目前，移動互聯網月活躍用戶增長放緩，而AIGC APP的月活躍用戶快速增長，2024年6月滲透率提升至5%，并仍有提升空間。

未來的流量分配格局將很大程度由人工智能主導，用戶將天然地流向更好用、更有趣、更低門檻的內容消費平臺。

這解釋了為什么字節跳動、快手高度重視視頻生成項目。字節跳動將剪映定位為P0級項目，由原CEO張楠帶隊；

快手則將[可靈]定位于戰略級項目，由技術大牛萬鵬飛帶隊，獲得程一笑的支持，集全公司數據、算力和資金資源。

另一方面，專業的全流程影視創作平臺仍然具有較強的用戶壁壘。

結尾：

根據頭豹研究院提供的數據，2021年中國AI視頻生成行業的市場規模為800萬元，預計到2026年，市場規模將增長至92.79億元。

根據啟明創投的數據，2023年一級市場中AI投資金額達到了224億美元，超過了前十年投資的累計總和。

眾多行業專家預測，2024年將是AI視頻生成領域的一個重要轉折點，即所謂的[Midjourney時刻]。

部分資料參考：太平洋科技：《價格定得好，國產Sora們躺著跑》，東西文娛：《AI視頻的六月：玩家就位》，定焦：《半年過去，AI視頻卷到哪兒了？》，光錐智能：《爆[卷]的AI視頻，大廠向左，創企向右》，科技新知：《實測4款國產頭部AI視頻大模型》，中信建投證券研究：《國產AI視頻：可用度強性價比高，快手可靈開啟C端付費》，第一新聲：《探秘視頻生成大模型：誰將成為下一個風口王者？》，億邦動力：《AI視頻爆發！一天10萬條，沖進抖音快手小紅書》，第一財經：《視頻生成混戰：在[GPT-3]時代，[大家看不懂的時候要先上]》

       原文標題 : AI芯天下丨深度丨國內AI視頻主要玩家落座，進入商業模式PK環節