起點(diǎn)課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導(dǎo)直播
12場專業(yè)技能直播
會員專屬社群
榮耀標(biāo)識爆“卷”的AI視頻，大廠向左，創(chuàng)企向右
從Sora的發(fā)布到國內(nèi)各大模型的加速追趕，我們見證了一個充滿潛力的黃金賽道的誕生。但技術(shù)的快速發(fā)展同時帶來了應(yīng)用和商業(yè)化的挑戰(zhàn)。本文將帶你一探究竟，AI視頻生成的未來將如何塑造我們的數(shù)字世界。
“生成的人物一轉(zhuǎn)身就變成老外，怎么解決呢？”
“沒有辦法，10s中動作大的，人物一致性有問題，只能抽卡，多刷幾個，選擇一個變化不大的?！?/p>
在一個以Ruanway學(xué)院為主題的群中，不斷有各種針對AI視頻生成的問題產(chǎn)生，而群內(nèi)有AI視頻生成使用經(jīng)驗的，則也在積極分享自己的使用方法論，并解答相關(guān)問題。
這樣的AI視頻生成相關(guān)的群聊并不在少數(shù)，且每個群都相當(dāng)活躍，大部分用戶對AI視頻生成工具都保持了相當(dāng)高的興趣，并在各種平臺上分享自己基于AI視頻生成工具所創(chuàng)造出的視頻內(nèi)容。
國內(nèi)用戶積極對AI視頻生成工具探索和使用的背后，是今年2月份Sora的發(fā)布，作為行業(yè)發(fā)展風(fēng)向標(biāo)，徹底引爆了國內(nèi)AI視頻大模型生成賽道。
3月字節(jié)跳動旗下剪映Dreamina（即夢）開放內(nèi)測；4月，AI企業(yè)生數(shù)科技發(fā)布號稱首個國產(chǎn)自研視頻生成大模型Vidu；6月，快手可靈AI正式開放內(nèi)測。
7月，商湯推出最新AI視頻模型 Vimi，阿里達(dá)摩院也發(fā)布AI視頻創(chuàng)作平臺“尋光”，愛詩科技則發(fā)布PixVerse V2，快手可靈宣布基礎(chǔ)模型再次升級，并全面開放內(nèi)測，而智譜AI也宣布AI生成視頻模型清影（Ying）正式上線智譜清言。
同時，這些AI視頻大模型生成工具大部分都已經(jīng)向公眾開放使用。7月30日，生數(shù)科技的AI視頻大模型Vidu也正式面向全球公眾開放使用。
歷經(jīng)大半年，國內(nèi)大模型賽道終于進(jìn)入Sora時刻。從AI跳舞、火柴人，到5秒~16秒的高質(zhì)量視頻生成，AI視頻大模型的生成能力整體都邁入了下一個階段。
不過，相比于至今仍未開放的Sora，中國的AI視頻大模型已然開啟加速模式。在技術(shù)能力不斷迭代升級的同時，還在持續(xù)進(jìn)行技術(shù)應(yīng)用和商業(yè)化落地探索。
事實上，相比于ChatGPT等聊天機(jī)器人，AI視頻生成大模型作為一個具有工具屬性的產(chǎn)品，天然就具備商業(yè)化變現(xiàn)能力，現(xiàn)階段開放給公眾使用的AI視頻生成工具也皆采用付費(fèi)模式。
如智譜清影上線的定價策略是：首發(fā)測試期間，所有用戶均可免費(fèi)使用；付費(fèi)5元，解鎖一天（24小時）的高速通道權(quán)益，付費(fèi)199元，解鎖一年的付費(fèi)高速通道權(quán)益。
不過，當(dāng)前AI視頻生成賽道的商業(yè)化仍處于非常早期階段。
“說實話，我們也不知道未來商業(yè)策略會是什么樣，或什么形式最好，目前所謂的收費(fèi)策略更多是一種早期嘗試，試試看市場和用戶反饋，后面會及時調(diào)整?！敝亲VAI CEO張鵬如此說道。
AIGC智能創(chuàng)意平臺筷子科技創(chuàng)始人兼CEO陳萬鋒也表示：“目前C端用戶基于AI視頻大模型平臺開發(fā)出的視頻應(yīng)用指向型不強(qiáng)，這些平臺也并不知道C端用戶將會如何使用這些視頻?！?/p>
從技術(shù)的迭代更新，到探尋技術(shù)的應(yīng)用和商業(yè)化變現(xiàn)，國內(nèi)AI視頻生成賽道玩家們無疑是在加足馬力狂奔。但從當(dāng)前行業(yè)現(xiàn)狀來說，卻也仍存在諸多挑戰(zhàn)。
01 AI視頻軍備競賽，都在“卷”什么
用AI生成視頻，并不是新物種，只不過此前AI視頻生成的時長一直卡在2s-4s，且整體視頻生成效果體驗并不足夠令人驚艷。
Sora一發(fā)布，則直接展示了其生成的1分鐘視頻，且其視頻所展示的畫面效果驚人，就算在視頻動態(tài)運(yùn)動情況下，隨著空間的移動和旋轉(zhuǎn)，視頻中出現(xiàn)的人物和物體也會保持場景一致性移動。
Sora展示的視頻內(nèi)容
這可以說震驚了整個AI屆。Sora背后的技術(shù)架構(gòu)，也被業(yè)界所了解并跟進(jìn)。
此前AI視頻生成的技術(shù)路線主要有2大類：
- 一類是Diffusion Model（擴(kuò)散模型技術(shù)路線），主要玩家包括Runway、Pika Labs等。
- 一類是基于Transformer架構(gòu)的大語言模型生成視頻技術(shù)路線。
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，這在當(dāng)時被視為生成視頻領(lǐng)域中，擴(kuò)散模型之外的另外一種解法和出路。
Diffusion Model將一張圖片通過引入噪聲使其變成原始馬賽克，在通過引入“神經(jīng)網(wǎng)絡(luò)”，如基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的UNet結(jié)構(gòu)，從某個時間點(diǎn)的畫面，減去預(yù)測的噪音，得到的就是最原始沒有噪音的畫面，也就是最終生成的畫面。
大語言模型則是通過視頻數(shù)據(jù)來對大模型進(jìn)行訓(xùn)練，使其能夠理解視頻數(shù)據(jù)中的基本Token詞匯以及所對應(yīng)的視頻畫面。當(dāng)用戶給予指令詞之后，其就能夠根據(jù)學(xué)習(xí)到的Token詞匯生成對應(yīng)的視頻內(nèi)容。
兩種技術(shù)路線都存在各自的優(yōu)劣勢，單一模型所生成的視頻在時長和畫面效果上，都難以實現(xiàn)根本性突破。Sora則選擇了將擴(kuò)散模型和Transformer模型結(jié)合的技術(shù)架構(gòu)體系-DiT（Diffusion ＋ Transformer ）架構(gòu)。
有業(yè)內(nèi)觀點(diǎn)認(rèn)為，Sora是將Diffusion擴(kuò)散模型中的U-Net架構(gòu)替換成了Transformer架構(gòu)。
兩者的結(jié)合效果，一個AI從業(yè)者形象的解釋為：擴(kuò)散模型就像是一個雕塑過程，將石料上不應(yīng)該存在的部分去掉，創(chuàng)造出雕塑作品。而Transformer通過自注意力機(jī)制，理解時間線之間的關(guān)聯(lián)，則讓這尊雕塑從石座上走了下來。
AIGC創(chuàng)業(yè)者洋芋醬AIgen（藝名）也認(rèn)為：“視頻是一幀一幀的圖像，采用UNet結(jié)構(gòu)的邏輯是按照生產(chǎn)圖像的方式做視頻，AI每生成一張圖像都是隨機(jī)的，所以整個畫面看起來很閃。而用視頻訓(xùn)練的AI，其產(chǎn)出的畫面就相對穩(wěn)定，不會狂閃，具有合理的連續(xù)的幀。”
因此，Sora發(fā)布之后，DiT技術(shù)架構(gòu)也成AI視頻玩家的主流技術(shù)架構(gòu)，并將其視為通往AGI的關(guān)鍵技術(shù)。
目前，市面上主流AI視頻工具在生成4秒-10s左右的視頻片段。
生數(shù)科技此次Vidu開放文生視頻、圖生視頻兩個功能，提供4s和8s兩種時長選擇，分辨率最高達(dá)1080P。在速度上，生成一段4秒片段的實測推理速度只需30秒。
愛詩科技的PixVerse V2，可支持生成單個時長8s的片段，且支持一鍵生成1-5段連續(xù)的視頻內(nèi)容，片段之間也會自動保持主體形象、畫面風(fēng)格和場景元素的一致性。
智譜AI的智譜清影可生成6秒的視頻，時間只要30秒左右，清晰度可達(dá)1440×960（3：2）。
快手可靈生成的視頻時長在5s，但其有將視頻時長延長的功能，可以將視頻時長延長至10s，但在生成視頻的速度上，卻相對較慢，往往需要2-3分鐘時間。
從技術(shù)的積累上來看，雖然都在布局DiT架構(gòu)，但國內(nèi)AI視頻生成企業(yè)還處于追趕階段，AI視頻生成的時長和效果，尚未達(dá)到Sora的水平。
張鵬也坦言：“Sora的演示效果不錯，我們還是一個初步的階段性成果，達(dá)不到像Sora演示出來那么好、那么長的視頻。我們從來都很坦誠承認(rèn)與OpenAI、和世界頂級水平之間的差距?！?/p>
但國產(chǎn)大模型也在堅持用自己的方式追趕OpenAI，比如“怎么把視頻生成算力成本降下來，響應(yīng)速度提升上去，我們在追求技術(shù)高度的同時，也同步追求技術(shù)的可普及性和成本?！睆堸i說。
無疑，技術(shù)上國內(nèi)AI視頻大模型賽道玩家還在追趕，但在應(yīng)用和商業(yè)化上卻已然走在前列。
02 圖生視頻成主流，不穩(wěn)定、一致性仍是問題
在技術(shù)架構(gòu)升級之后，現(xiàn)如今的AI視頻生成的視頻效果與時長，已經(jīng)與年初有了本質(zhì)的區(qū)別。
當(dāng)前，各AI視頻大模型產(chǎn)品主要提供2大核心能力，一個是文生視頻，一個是圖生視頻。兩個核心功能的工作流并不一致，文生視頻可通過一句指令生成一個想要的視頻。
而圖生視頻的工作流更為復(fù)雜，要先用文字指令詞通過Midjourney或Stable Diffusion等工具生成自己想要的圖片，再基于圖片通過AI視頻生成工具生成視頻內(nèi)容。
于普通的業(yè)務(wù)愛好者而言，想要體驗AI視頻生成效果，文生視頻功能已經(jīng)夠用。
但對于想要基于此進(jìn)行視頻內(nèi)容商業(yè)化交付的從業(yè)者而言，“基本上，沒有人用文生視頻?！?/strong>星賢文化創(chuàng)始人、AI原創(chuàng)玄幻IP《山海奇鏡》制作人陳坤對光錐智能說道。
對此，陳坤解釋到，文生視頻無法保持前后內(nèi)容的一致性。就單個鏡頭來說，文生視頻可以滿足要求，會很好看，很驚喜，但卻無法保證下一個鏡頭與前一個鏡頭的一致性。畢竟AI技術(shù)尚不能通過一段文字描述就能夠讓人物和空間美學(xué)保持一致性。
“為了保持作品風(fēng)格的一致性或者人物的一致性，必須用圖生視頻控制住畫面里的內(nèi)容?！毖笥筢uAIgen也如此說道。
去年12月，陳坤帶領(lǐng)團(tuán)隊利用 PixVerse 制作《山海奇鏡之劈波斬浪》的4K分辨率預(yù)告片。
圖片來自：《劈波斬浪》
今年7月13日，陳坤基于快手可靈大模型重新打磨的《山海奇鏡之劈波斬浪》正式上線快手平臺，19日單日播放量達(dá)到了2026.7萬，上線十天累計播放量達(dá)到了5164.9萬，后續(xù)榮登德塔文短劇指數(shù)榜第一。
在陳坤看來：“半年前，AI影視很難用生動的表演表現(xiàn)復(fù)雜敘事，很多的動作場面也需要通過蒙太奇的剪輯來實現(xiàn)，在制作過程中，由于3—4秒的單個鏡頭時長限制（在當(dāng)時就是這個時長），整個片子的節(jié)奏感會受到影響?！?/p>
“就AI影視賽道來看，可靈的能力確實很厲害，既有文生視頻，也有圖生視頻，且其畫面中的動作幅度展示都很不錯。”陳坤如此說道，“不過，每家AI視頻生成工具都有自己的特點(diǎn)，比如Runway，它的Gen3鏡頭偏電影感，盡管之前只有文生視頻功能，但很多創(chuàng)作者也很喜歡用?，F(xiàn)在它也推出了圖生視頻功能”
作為一個資深玩家，洋芋醬AIgen也認(rèn)為：“目前最好用的是可靈、luma 和Runway?！绷硪晃挥耙晱臉I(yè)者琪琪（化名）則表示，Sora的整體效果應(yīng)該最好，但其并未開放。
不過，在實際的體驗過程中，雖然現(xiàn)階段相比于半年前在視頻時長和效果上有了質(zhì)的飛躍，但仍存在畫面人物變形、畫面不穩(wěn)定以及前后不一致性等問題。
總結(jié)下來，從業(yè)者在使用AI視頻時，主要有5大痛點(diǎn)：包括人物一致性，場景一致性，人物表演，動作交互，運(yùn)動幅度等。
“由于大模型技術(shù)并不完善，在視頻生成過程中畫面不可避免的產(chǎn)生畸變。”陳坤稱。
對此，行業(yè)從業(yè)者就會通過不停“抽卡”（讓AI不斷自主隨機(jī)生成相關(guān)畫面）的方式，最終得到一個相對滿意的效果畫面。
“即便我們用可靈，在一個火神和水神打架的鏡頭上，還‘抽卡’不下100次，但也并未抽到我特別滿意的鏡頭，后來實際用的畫面其實也是帶了一定畸變的?！标惱ふf道。
從現(xiàn)階段的技術(shù)手段來看，短期內(nèi)可能無法解決這一問題。張鵬認(rèn)為：“最簡單的可控，就是我說什么模型做什么，而想要實現(xiàn)這一可控，強(qiáng)烈依賴于模型能不能夠理解這個內(nèi)容，而這也是多模態(tài)大模型發(fā)展的初衷?！?/strong>
用發(fā)展中的技術(shù)去解決發(fā)展中的問題，將是AI視頻大模型未來發(fā)展迭代升級的關(guān)鍵。“內(nèi)容生成，尤其是視頻內(nèi)容生成，絕大部分情況下還是由‘人用語言描述’的方式來控制。從自然語言到視頻生成，這才是真正的可控，更高層面的可控，這是技術(shù)層面的事情?！睆堸i如此說道。
現(xiàn)階段AI視頻大模型技術(shù)仍處于比較早期階段，并未有任何一家AI視頻生成工具爬到了山頂。而在各家攀登山頂?shù)倪^程中，生態(tài)體系的建設(shè)以及商業(yè)化變現(xiàn)也成為關(guān)鍵。
03 黃金賽道的起點(diǎn)
“技術(shù)應(yīng)用到行業(yè)的速度，遠(yuǎn)慢于技術(shù)自身的發(fā)展?！标惾f鋒如此說道，“AI技術(shù)發(fā)展很快，但滲透到產(chǎn)業(yè)中，產(chǎn)生價值的速度可能要慢十倍。”
純技術(shù)路線發(fā)展的角度來看，從單模態(tài)，到多模態(tài)，最終的目標(biāo)是達(dá)成AGI。但將AI進(jìn)行產(chǎn)業(yè)化落地應(yīng)用，與技術(shù)升級迭代是兩碼事。
現(xiàn)階段，國內(nèi)眾多大模型公司的技術(shù)追趕已經(jīng)過了一個階段，將會把更多的精力聚焦在落地和應(yīng)用上，通過與場景的結(jié)合，數(shù)據(jù)的反饋，再推進(jìn)底層技術(shù)迭代升級。
而相比于ChatGPT這種聊天機(jī)器工具，AI視頻生成則是大模型技術(shù)商業(yè)化落地的黃金賽道。
之所以說其是黃金賽道，主要基于兩個方面：
一個是作為AI視頻生成工具，其天然具有收費(fèi)優(yōu)勢。
目前大多數(shù)AI視頻生成工具，面向C端用戶采用的是會員體系。以可靈為例，其目前會員共分為黃金、鉑金、鉆石三個類別，優(yōu)惠后三檔月卡的價格分別為33元、133元和333元，對應(yīng)分別獲得660、3000 、8000“靈感值”，可生成約66個、300個或800個標(biāo)準(zhǔn)視頻。
面向B端企業(yè)級用戶，則可以支持通過調(diào)用API的方式進(jìn)行收費(fèi)。如智譜AI，其除了會員制收費(fèi)方式外，還在開放平臺開放了API，收入一定的費(fèi)用。
另外一個方面，AI視頻生成工具讓創(chuàng)作者和消費(fèi)者之間的界限變得模糊，尤其是快手和抖音平臺上，這些視頻博主屬于C端消費(fèi)者，但其又可以基于AI視頻工具進(jìn)行視頻創(chuàng)作，變成B端視頻生產(chǎn)方。光錐智能認(rèn)為，“大C小B的消費(fèi)者是很重要的，甚至可能是最重要的，ToB和ToC的界限越來越模糊?！?/strong>
不過，從商業(yè)化生態(tài)角度來講，大廠和創(chuàng)企在變現(xiàn)的思路上也并不一致。
像抖音、快手這種已經(jīng)行業(yè)頭部視頻平臺，其可以依托自身海量的用戶，通過提供AI視頻生成工具，讓用戶通過這一工具創(chuàng)作相關(guān)內(nèi)容，豐富自己視頻生態(tài)體系。
“大廠不需要賣工具，而是通過用戶進(jìn)行商業(yè)化變現(xiàn)。”陳萬鋒如此說道，“C端為應(yīng)用付費(fèi)模式（對創(chuàng)業(yè)公司來講）在國內(nèi)并不現(xiàn)實，未來或許只有巨頭才有機(jī)會，因為其用戶數(shù)量龐大?！?/p>
與此同時，對于現(xiàn)階段各平臺采取的會員制收費(fèi)方式，陳坤堅定地對光錐智能表示：“我不看好這個會員制，現(xiàn)在即便再便宜，也只對真正能夠商業(yè)化閉環(huán)的創(chuàng)作者有效。如果不是一個商業(yè)化閉環(huán)的創(chuàng)作者，后續(xù)的付費(fèi)率和付費(fèi)意愿都不會很高?！?/strong>
陳坤對此解釋道，一方面C端收取的會員制費(fèi)用相對于大廠研發(fā)九牛一毛，都不夠大模型訓(xùn)練一次。另一方面，一旦AI視頻大模型技術(shù)達(dá)到天花板，這些巨頭一定會進(jìn)行價格戰(zhàn)，目的就是為了搶奪用戶數(shù)量，“大廠最終一定會選擇用戶數(shù)量，而不是去賺這些錢。”
因此，于大模型創(chuàng)企來說，如果單純的是賣工具，“在中國只能ToB不能ToC。”陳坤如此說道，“而只有面向企業(yè)端，才是能夠商業(yè)化變現(xiàn)的唯一方式?！?/strong>
而企業(yè)端愿意為其付費(fèi)的原因，則在于其能夠?qū)崿F(xiàn)視頻的商業(yè)化交付，產(chǎn)生營收，能夠支持其對應(yīng)的成本支出。
比如陳坤通過AI短劇進(jìn)行商業(yè)變現(xiàn)，洋芋醬AIgen則會根據(jù)客戶的視頻內(nèi)容需求，為客戶制作AI視頻內(nèi)容，“最高一個月能接8單客戶需求，平均每個月有3-4單?！?/p>
而筷子科技，是通過AI視頻的生產(chǎn)工作流和短視頻平臺的投放結(jié)合，來賺品牌的應(yīng)用工具及服務(wù)的錢。
基于此，不難看出，在AI視頻的商業(yè)化中，C端還是巨頭會更成功，創(chuàng)業(yè)者的機(jī)會則在B端。面向未來，快手視覺生成與互動中心負(fù)責(zé)人萬鵬飛也表示，隨著大模型技術(shù)能力的提升，視頻創(chuàng)作者和消費(fèi)者的界限逐漸模糊，促進(jìn)視頻平臺生態(tài)繁榮。
文｜白 鴿
來源公眾號：光錐智能（ID：guangzhui-tech），前沿科技，數(shù)智經(jīng)濟(jì)。
本文由人人都是產(chǎn)品經(jīng)理合作媒體 @光錐智能 授權(quán)發(fā)布，未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來自 Unsplash，基于 CC0 協(xié)議。
該文觀點(diǎn)僅代表作者本人，人人都是產(chǎn)品經(jīng)理平臺僅提供信息存儲空間服務(wù)。
看目前的狀態(tài)來說，AI完全取代人類的可能性不大或者說是遙遙無期。