4K、多模态、长视频：AI视频生成的下一个战场，谁在领跑？

电子发烧友网报道（文/李弯弯） 6月11日，豆包App上线视频生成模型豆包Seedance 1.0 pro。这是字节跳动最新视频模型，支持文字与图片输入，可生成多镜头无缝切换的1080P高品质视频，主体运动稳定性与画面自然度较高。

相关技术报告显示，在国际知名评测榜单Artificial Analysis上，Seedance在文生视频、图生视频两项任务上均排名首位，超越Veo3、可灵2.0等优秀模型。目前，该模型已通过豆包App、即梦AI、火山引擎等平台对外开放。

笔者在在豆包App试用，发现真的非常方便好用，比如，只需在对话框选择“照片动起来”，上传图片或输入文字指令，等待一会儿就能生成一段视频。相较此前效果，新模型的视频结果更符合物理逻辑且富于生动张力，同时可以保持对原图人脸的保真度。

除了豆包的视频生成模型之外，近年来，国内外已经出现过多款视频生成模型，如国外的Runway、Pika、Sora、Veo，国内有可灵、PixVerse、腾讯混元、通义万相等。

Runway

2025年4月8日，Runway 官方称，现已推出最新版视频模型Gen-4 Turbo。Gen-4Turbo是Runway Gen-4系列的最新迭代版本。相较于此前的模型，Gen-4Turbo在保持高保真度和动态运动表现的基础上，大幅缩短了生成时间。使用 Gen-4 Turbo，用户只需 30 秒即可生成10秒的视频，非常适合快速迭代和创意探索。Runway方面表示，Gen-4Turbo现已开始向所有付费用户逐步开放，包括个人用户和企业客户。

Pika

当地时间2024年12月13日，美国AI视频生成初创公司Pika推出了新版视频生成模型 Pika 2.0。Pika 2.0最大的亮点是其卓越的可定制性，新推出的“场景配料”功能，允许用户上传和自定义角色、物体和场景等各个元素。通过先进的图像识别技术，这些元素能够完美地融入场景中，让创作者能够更精细地控制内容。

在技术层面，Pika 2.0 在文本对齐和运动渲染方面都实现了新突破。系统能够准确理解并执行复杂的文字提示，即使是最具挑战性的场景描述也能被完整地转化为连贯的视频片段。不论是真实世界的自然运动，还是科幻场景中的特效，都能呈现出令人信服的效果。

Sora

2024年12月，OpenAI推出AI视频生成模型Sora。OpenAI表示，该工具不仅可以通过文本提示生成视频，还能够基于静态图片和已有视频创建新的内容。例如，用户可以上传一段视频剪辑，Sora会生成扩展这个片段的后续画面，使视频变得更长、更完整。新版工具Sora Turbo可以生成最长达20秒的视频，并且可以提供这些视频的多种变体。

Veo 3

在今年5月的I/O开发者大会上，谷歌发布第三代视频生成模型Veo 3。Veo 3能够根据提示词生成高质量视频，同时自动生成与画面同步的对白、唇动对齐、拟真环境音效以及情绪氛围音轨。其底层技术V2A（Video-to-Audio）通过将视频像素转化为语义信号，结合文本提示生成同步音频波形，从而实现了音画同步。

Veo 3的音画同步功能基于对物理世界的深刻理解，能够实时生成与画面匹配的声音，例如脚步声、烹饪声等，而不是后期拼接。此外，Veo 3还能精准捕捉画面情绪，渲染氛围音效，甚至在多角色、多种风格的复杂场景下表现出色。在长提示词理解与事件流生成方面，Veo 3也能处理复杂的事件流，生成逻辑连贯、多步骤执行的视频片段。

可灵AI

2025年4月15日，可灵AI宣布基座模型升级，面向全球正式发布可灵2.0视频生成模型及可图2.0图像生成模型。可灵是全球首个用户可用的DiT（Diffusion Transformer）视频生成模型，其2.0版本的模型在动态质量、语义响应和画面美学做了相应提升，而可图2.0模型主要集中在指令遵循、电影质感及艺术风格表现等方面。

5月29日，可灵AI宣布，推出全新可灵2.1系列模型。可灵2.1模型包含标准（720p）、高品质（1080p）两种模式，主打高性价比和高效生成。其高品质模式（1080p）生成5s视频仅需不到1分钟，处于业内领先水平。在动态表现方面，模型动态细节更好、动态响应更强、动态幅度更大；其次，物理模拟更真实，人物动作幅度等更加贴近现实。

PixVerse（拍我AI）

最近，美国iOS应用商店有一个新变化。全球用户量最大的国产AI视频生成平台之一——PixVerse更新了4.5版本，一下子冲到了美国iOS应用商店总榜第四，视频类应用第一。今年6月初，PixVerse正式推出国内版产品——拍我AI，同步上线网页端及移动端应用，并开放最新V4.5模型供用户使用。据介绍，PixVerse自海外上线以来，已累计吸引全球超6000万用户，月活跃用户突破1600万，居AI视频生成领域第一梯队。

V4.5模型在生成速度、画面精细度及多主体控制等方面均有显著优化，支持更复杂的电影级运镜与多角色互动叙事。“拍我AI”采用“App+网页端”双端策略，满足不同用户群体的需求：App端主打趣味化、低门槛体验，内置百余种创意模板，如“宠物跳舞”“喷火特效”等，用户上传一张照片即可一键生成高质量短视频，极大降低AI视频创作的技术门槛。

网页端则面向专业创作者，提供更精细的参数调节功能，支持多主体运动控制、动态运镜及智能音效匹配，适用于短剧制作、广告创意、游戏开发等高阶需求。

除服务C端用户外，“拍我AI”还推出了企业级API开放平台，目前已与百度、科大讯飞、蓝色光标等国内头部企业达成合作，提供高效的视频生成工具。企业可通过API快速生成营销视频、电商素材、私域运营内容等，大幅降低传统视频制作的成本与时间。

腾讯混元

2025年3月6日，据腾讯混元消息，腾讯混元发布图生视频模型并对外开源，同时上线对口型与动作驱动等玩法，并支持生成背景音效及2K高质量视频。腾讯混元图生视频模型目前已经上线，企业和开发者可在腾讯云申请使用API接口；用户通过混元AI视频官网即可体验。混元视频生成开源模型目前在Github、HuggingFace等主流开发者社区均可下载体验。

基于图生视频的能力，用户只需上传一张图片，并简短描述希望画面如何运动、镜头如何调度等，混元即可按照用户要求让图片动起来，变成5秒的短视频，还能自动配上合适的背景音效。此外，上传一张人物图片，并输入希望“对口型”的文字或音频，图片中的人物即可“说话”或“唱歌”；如果选择动作模版，还能一键生成同款跳舞视频。目前用户通过混元AI视频官网即可体验，企业和开发者可在腾讯云申请使用API接口使用。

通义万相

2024年9月 19 日，在杭州云栖大会上，阿里云CTO周靖人宣布通义万相全面升级，并发布全新视频生成模型，可生成影视级高清视频，可应用于影视创作、动画设计、广告设计等领域。即日起，所有用户可通过通义APP及通义万相官网免费体验。

通义万相首批上线文生视频、图生视频功能，在文生视频功能中，用户输入任意文字提示词，即可生成一段高清视频，支持中英文多语言输入，并可以通过灵感扩写功能智能丰富视频内容表现力，支持16:9、9:16等多种比例生成；在图生视频功能中，支持用户将任意图片转化为动态视频，按照上传的图像比例或预设比例进行生成，同时可以通过提示词来控制视频运动。现场，阿里云演示了该模型强大的运动生成和概念组合能力，输入“穿着滑冰鞋的小兔子在冰面上灵活移动的可爱场景”，通义万相仅用数分钟就能生成一段高清、逼真的视频。

写在最后

AI视频生成工具有着可观的市场前景，如在影视制作领域，AI可承担分镜设计、后期渲染等任务，降低制作成本，缩短周期；在广告营销领域，可支持批量生成个性化广告，通过数字人形象与用户实时互动，提升转化率；在教育领域，可模拟复杂操作流程，提供3D动态演示，提升学习效率。

如今国内外企业已经推出众多AI视频生成模型工具。在技术迭代上，主流模型已经实现4K分辨率、60秒以上视频生成，并支持多模态输入，包括文本、图像、音频。尽管如此，AI视频生成仍然有很多不足之处，如复杂物理交互仍易出错；大多模型在生成较长时间视频方面仍存在困难；高分辨率视频生成需要强大硬件支持，训练和推理成本高昂等。所以，如论是从模型角度还是硬件支持角度，AI视频生成模型还有待持续优化。