前言：

經(jīng)過長達(dá)半年的不懈努力，國內(nèi)在大型人工智能模型領(lǐng)域的發(fā)展終于迎來了關(guān)鍵時(shí)刻。

從人工智能驅(qū)動(dòng)的舞蹈表演、火柴人動(dòng)畫的創(chuàng)作，到能夠生成時(shí)長為5至16秒的高質(zhì)量視頻，AI視頻生成技術(shù)的整體水平已經(jīng)實(shí)現(xiàn)了質(zhì)的飛躍。

國內(nèi)AI視頻市場(chǎng)的主要玩家已經(jīng)基本確立，并且進(jìn)入了商業(yè)模式的PK環(huán)節(jié)。

作者 | 方文三

圖片來源 |  網(wǎng) 絡(luò) 

DiT技術(shù)架構(gòu)已成為AI視頻領(lǐng)域主流

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

另一類是基于Transformer架構(gòu)的大語言模型生成視頻的技術(shù)路徑。

去年12月底，谷歌發(fā)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(kuò)散模型之外，為視頻生成領(lǐng)域提供了另一種解決方案和可能性。

擴(kuò)散模型通過向圖片中引入噪聲，將其轉(zhuǎn)變?yōu)樵�始馬賽克狀態(tài)，隨后利用[神經(jīng)網(wǎng)絡(luò)]。

例如基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的UNet結(jié)構(gòu)，從特定時(shí)間點(diǎn)的畫面中減去預(yù)測(cè)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(shù)路徑各有優(yōu)劣，單一模型生成的視頻在時(shí)長和畫面效果上難以實(shí)現(xiàn)根本性的突破。

Sora選擇了一種結(jié)合擴(kuò)散模型和Transformer模型的技術(shù)架構(gòu)體系——DiT（Diffusion＋Transformer）架構(gòu)。

具體而言，Sora將擴(kuò)散模型中的U-Net架構(gòu)替換為Transformer架構(gòu)。

因此，Sora發(fā)布后，DiT技術(shù)架構(gòu)已成為AI視頻領(lǐng)域玩家的主流技術(shù)架構(gòu)。

數(shù)據(jù)、算法、算力決定AI視頻成本

數(shù)據(jù)投入成本高昂。一貫重視版權(quán)的Adobe，在模型訓(xùn)練初期計(jì)劃向攝影師、藝術(shù)家購買視頻，并根據(jù)視頻長度付費(fèi)，每分鐘費(fèi)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(xùn)練一個(gè)AI大語言模型需要億級(jí)數(shù)量的參數(shù)，而訓(xùn)練視頻模型所需的數(shù)據(jù)量更是有過之而無不及。

運(yùn)營AI視頻應(yīng)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(yīng)來計(jì)算成本。

每個(gè)用戶都需要算力，用戶使用越多，算力需求就越大。

在數(shù)據(jù)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(jià)。

如果草率地采取降價(jià)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(fēng)險(xiǎn)，同時(shí)用戶體驗(yàn)也可能受到影響，可謂兩頭不討好。

因此，大多數(shù)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(guān)于AI應(yīng)用定價(jià)策略的報(bào)告指出，只有26%的AI公司采用了Freemium的混合模式，絕大多數(shù)（71%）仍然采用傳統(tǒng)的SaaS訂閱定價(jià)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(fèi)的，若想縮短排隊(duì)等待時(shí)間，可以購買加速券，5元可加速一整天。

最具創(chuàng)意的定價(jià)模式莫過于月之暗面的Kimi大模型。

自今年三月起，Kimi一直穩(wěn)居國內(nèi)AI產(chǎn)品Top5，甚至一度因流量過大而宕機(jī)。

為了平衡用戶體驗(yàn)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(shí)間長度的[高峰期優(yōu)先使用]功能。

不難看出，國內(nèi)AI產(chǎn)品對(duì)商業(yè)化模式的探索持開放態(tài)度。

自身優(yōu)勢(shì)也影響了到產(chǎn)品特點(diǎn)

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

特別是快手的可靈，依托快手平臺(tái)海量的視頻數(shù)據(jù)優(yōu)勢(shì)，能夠迅速生成符合中文語境和審美習(xí)慣的視頻，主打?qū)ξ锢硎澜缣匦缘母邚?qiáng)度模擬，并成功解決了眾多AI難以攻克的[吃]的問題。

生數(shù)科技的Vidu在動(dòng)作幅度和運(yùn)動(dòng)速度上更為顯著，而字節(jié)跳動(dòng)的即夢(mèng)則擅長于動(dòng)畫風(fēng)格，能夠精確控制物體運(yùn)動(dòng)的速度。

智譜清影和生數(shù)科技的Vidu在生成速度上表現(xiàn)尤為出色，僅需30秒即可完成，而國內(nèi)外主流產(chǎn)品的生成時(shí)間大約為5分鐘左右。

字節(jié)跳動(dòng)旗下的剪映上線即夢(mèng)AI，在視頻生成的基礎(chǔ)上創(chuàng)新了故事模式，能夠從提示詞到角色、場(chǎng)景，實(shí)現(xiàn)從創(chuàng)意到成品的快速轉(zhuǎn)化。

此外，阿里達(dá)摩院的AI視頻產(chǎn)品[尋光]和百度的AI視頻模型UniVG雖然仍在內(nèi)測(cè)階段，但從官方發(fā)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(nèi)產(chǎn)品生成高品質(zhì)內(nèi)容仍需升級(jí)

AI視頻生成面臨的挑戰(zhàn)包括準(zhǔn)確性、一致性和豐富性。實(shí)際體驗(yàn)效果與各公司發(fā)布的宣傳片之間存在較大差異。

若AI視頻生成技術(shù)想要實(shí)現(xiàn)商業(yè)應(yīng)用，仍需克服諸多挑戰(zhàn)。

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

素材的質(zhì)量和算力的高低直接影響生成視頻的品質(zhì)。

然而，即便擁有高質(zhì)量的素材和強(qiáng)大的算力，并不意味著能夠保證生成的視頻品質(zhì)。

使用低分辨率素材訓(xùn)練的模型若試圖生成高分辨率視頻，可能會(huì)導(dǎo)致視頻出現(xiàn)崩壞或重復(fù)現(xiàn)象，例如出現(xiàn)多手多腳的情況。

這類問題通�？梢酝ㄟ^放大、修復(fù)和重繪等手段解決，但其效果和細(xì)節(jié)通常不盡如人意。

在國內(nèi)，大多數(shù)AI視頻生成技術(shù)能夠支持2-3秒的視頻，能夠達(dá)到5-10秒的則屬于較為先進(jìn)的產(chǎn)品。

也有個(gè)別產(chǎn)品表現(xiàn)突出，例如即夢(mèng)技術(shù)可以生成長達(dá)12秒的視頻。

但與Sora技術(shù)相比，后者曾宣稱能夠生成長達(dá)60秒的視頻，盡管目前尚未對(duì)外開放使用，其具體表現(xiàn)尚無法驗(yàn)證。

除了視頻長度，生成內(nèi)容的合理性同樣重要。

理論上，AI可以持續(xù)輸出視頻，甚至長達(dá)一個(gè)小時(shí)，但用戶通常需要的不是監(jiān)控視頻或循環(huán)播放的風(fēng)景畫，而是具有精美畫面和故事性的短片。

即夢(mèng)技術(shù)雖然在視頻長度上有所突破，但生成質(zhì)量并不理想，例如主角小女孩的形象在后期會(huì)出現(xiàn)變形。

Vega AI也存在類似問題；而PixVerse技術(shù)生成的畫質(zhì)較差。

相比之下，Morph技術(shù)在內(nèi)容準(zhǔn)確性上表現(xiàn)良好，但視頻時(shí)長僅為2秒。

藝映技術(shù)的畫質(zhì)佳，但在理解文字方面存在不足，導(dǎo)致關(guān)鍵元素如兔子丟失，且生成的視頻風(fēng)格偏向漫畫，缺乏寫實(shí)感。

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

視頻的連貫性至關(guān)重要，許多AI視頻工具通過單幀圖片預(yù)測(cè)后續(xù)動(dòng)作來實(shí)現(xiàn)視頻轉(zhuǎn)換，但預(yù)測(cè)的準(zhǔn)確性目前仍依賴于運(yùn)氣。

在實(shí)現(xiàn)視頻中主角一致性方面，各家技術(shù)并非完全依賴數(shù)據(jù)生成。

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

目前生成時(shí)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(shí)長在4秒至10秒左右的視頻片段。

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

在處理速度方面，實(shí)測(cè)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(gè)時(shí)長為8秒的視頻片段，并且具備一鍵生成1至5段連續(xù)視頻內(nèi)容的功能，確保片段間主體形象、畫面風(fēng)格及場(chǎng)景元素保持一致。

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

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

然而，在視頻生成速度上，快手可靈相對(duì)較慢，通常需要2至3分鐘的時(shí)間。

從技術(shù)積累的角度審視，盡管國內(nèi)人工智能視頻生成企業(yè)均在布局DiT架構(gòu)，但相較于Sora的水平，它們?cè)谝曨l生成的時(shí)長和效果方面仍處于追趕狀態(tài)。

國內(nèi)AI視頻大模型已經(jīng)開啟了商業(yè)探索

相較于聊天機(jī)器人工具如ChatGPT，AI視頻生成被視為大模型技術(shù)商業(yè)化的黃金賽道。

其成為黃金賽道的原因主要有兩個(gè)方面：首先，AI視頻生成工具本身具有明顯的收費(fèi)優(yōu)勢(shì)。

目前，多數(shù)AI視頻生成工具面向消費(fèi)者端用戶采用會(huì)員制度。

以可靈為例，其會(huì)員分為黃金、鉑金、鉆石三個(gè)等級(jí)；

經(jīng)過優(yōu)惠后，三檔月卡的價(jià)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(gè)、300個(gè)或800個(gè)標(biāo)準(zhǔn)視頻。

智譜清影推出的定價(jià)策略如下：在首發(fā)測(cè)試期間，所有用戶均可免費(fèi)體驗(yàn)；

支付5元，可獲得一天（24小時(shí)）的高速通道權(quán)益；

支付199元，則可解鎖一年的高速通道權(quán)益。然而，AI視頻生成領(lǐng)域的商業(yè)化目前仍處于起步階段。

對(duì)于企業(yè)級(jí)用戶，這些工具支持通過調(diào)用API接口進(jìn)行收費(fèi)。

例如智譜AI，除了會(huì)員制收費(fèi)方式外，還在開放平臺(tái)上開放API接口，收取一定費(fèi)用。

另一方面，AI視頻生成工具模糊了創(chuàng)作者與消費(fèi)者之間的界限，特別是在快手和抖音等平臺(tái)上，視頻博主既是消費(fèi)者，也可以利用AI視頻工具進(jìn)行創(chuàng)作，轉(zhuǎn)變?yōu)橐曨l生產(chǎn)方。

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

然而，從商業(yè)生態(tài)的角度來看，大型企業(yè)和初創(chuàng)企業(yè)在變現(xiàn)策略上存在差異。

像抖音、快手這樣的行業(yè)領(lǐng)先視頻平臺(tái)，可以利用其龐大的用戶基礎(chǔ)，通過提供AI視頻生成工具，鼓勵(lì)用戶創(chuàng)作相關(guān)內(nèi)容，從而豐富自身的視頻生態(tài)體系。

這些大型平臺(tái)無需直接銷售工具，而是通過用戶實(shí)現(xiàn)商業(yè)化變現(xiàn)。

對(duì)于初創(chuàng)企業(yè)而言，直接銷售工具在中國市場(chǎng)并不現(xiàn)實(shí)，未來可能只有行業(yè)巨頭才有機(jī)會(huì)，因?yàn)樗鼈儞碛旋嫶蟮挠脩羧后w。

對(duì)于大模型初創(chuàng)企業(yè)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(yè)端，才是實(shí)現(xiàn)商業(yè)化變現(xiàn)的可行途徑。

企業(yè)愿意為此付費(fèi)的原因在于，它們能夠通過視頻實(shí)現(xiàn)商業(yè)交付，產(chǎn)生收益，以支持相應(yīng)的成本支出。

因此，在AI視頻的商業(yè)化過程中，消費(fèi)者端的成功更多地屬于行業(yè)巨頭，而創(chuàng)業(yè)者的機(jī)遇則在于企業(yè)端。

目前，C端用戶利用AI視頻大模型平臺(tái)開發(fā)的視頻應(yīng)用缺乏明確的指向性，平臺(tái)本身亦難以預(yù)測(cè)C端用戶將如何運(yùn)用這些視頻。

互聯(lián)網(wǎng)巨頭很可能將扮演引領(lǐng)者的角色

核心競(jìng)爭要素在于數(shù)據(jù)、場(chǎng)景和用戶。數(shù)據(jù)是訓(xùn)練高質(zhì)量模型的關(guān)鍵，而場(chǎng)景決定了產(chǎn)品的市場(chǎng)適應(yīng)性和商業(yè)潛力，互聯(lián)網(wǎng)巨頭在這三個(gè)維度均占優(yōu)勢(shì)。

目前，移動(dòng)互聯(lián)網(wǎng)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(dǎo)，用戶將天然地流向更好用、更有趣、更低門檻的內(nèi)容消費(fèi)平臺(tái)。

這解釋了為什么字節(jié)跳動(dòng)、快手高度重視視頻生成項(xiàng)目。字節(jié)跳動(dòng)將剪映定位為P0級(jí)項(xiàng)目，由原CEO張楠帶隊(duì)；

快手則將[可靈]定位于戰(zhàn)略級(jí)項(xiàng)目，由技術(shù)大牛萬鵬飛帶隊(duì)，獲得程一笑的支持，集全公司數(shù)據(jù)、算力和資金資源。

另一方面，專業(yè)的全流程影視創(chuàng)作平臺(tái)仍然具有較強(qiáng)的用戶壁壘。

結(jié)尾：

根據(jù)頭豹研究院提供的數(shù)據(jù)，2021年中國AI視頻生成行業(yè)的市場(chǎng)規(guī)模為800萬元，預(yù)計(jì)到2026年，市場(chǎng)規(guī)模將增長至92.79億元。

根據(jù)啟明創(chuàng)投的數(shù)據(jù)，2023年一級(jí)市場(chǎng)中AI投資金額達(dá)到了224億美元，超過了前十年投資的累計(jì)總和。

眾多行業(yè)專家預(yù)測(cè)，2024年將是AI視頻生成領(lǐng)域的一個(gè)重要轉(zhuǎn)折點(diǎn)，即所謂的[Midjourney時(shí)刻]。

部分資料參考：太平洋科技：《價(jià)格定得好，國產(chǎn)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(chuàng)企向右》，科技新知：《實(shí)測(cè)4款國產(chǎn)頭部AI視頻大模型》，中信建投證券研究：《國產(chǎn)AI視頻：可用度強(qiáng)性價(jià)比高，快手可靈開啟C端付費(fèi)》，第一新聲：《探秘視頻生成大模型：誰將成為下一個(gè)風(fēng)口王者？》，億邦動(dòng)力：《AI視頻爆發(fā)！一天10萬條，沖進(jìn)抖音快手小紅書》，第一財(cái)經(jīng)：《視頻生成混戰(zhàn)：在[GPT-3]時(shí)代，[大家看不懂的時(shí)候要先上]》

       原文標(biāo)題 : AI芯天下丨深度丨國內(nèi)AI視頻主要玩家落座，進(jìn)入商業(yè)模式PK環(huán)節(jié)