即夢半斤 可靈八兩？字節(jié)、快手視頻AI正面交鋒：理解、捕捉和想象都有差異

每經(jīng)記者｜王郁彪  楊昕怡    每經(jīng)編輯｜張海妮    

字節(jié)、快手，兩位短視頻巨頭在AI領(lǐng)域里迎來了正面交鋒。

11月8日，字節(jié)跳動旗下的AI內(nèi)容平臺即夢AI宣布，由字節(jié)跳動自研的視頻生成模型Seaweed面向平臺用戶正式開放。

據(jù)字節(jié)方面介紹，本次開放使用的豆包視頻生成模型Seaweed是該款模型的標準版，僅需60秒即能生成時長5秒的高質(zhì)量AI視頻，領(lǐng)先國內(nèi)業(yè)界3至5分鐘的所需生成時間。

《每日經(jīng)濟新聞》記者在對即夢、可靈的初代版本和最新版本進行實測時也發(fā)現(xiàn)，迭代后，兩款產(chǎn)品在視頻生成效果上均有多方面、不同程度的提升，可靈在空間布局和畫面細節(jié)呈現(xiàn)上更為準確，且對生成內(nèi)容效果的調(diào)節(jié)更具靈活性、便捷性；而即夢在生成時長和視頻風(fēng)格上有優(yōu)勢。

一位大模型技術(shù)人員向《每日經(jīng)濟新聞》記者表示，視頻生成模型要實現(xiàn)生產(chǎn)內(nèi)容的不同“畫風(fēng)”是很難做的，“技術(shù)之外，還主要看數(shù)據(jù)源的豐富程度”。

當(dāng)短視頻進入AI時代，字節(jié)和快手兩員猛將下場，誰將拔得頭籌？

初代VS迭代：半年時間，即夢、可靈更新了什么？

伴隨字節(jié)自研視頻生成模型Seaweed開放使用，國內(nèi)視頻生成模型大比拼里最具看點的一對——即夢、可靈終于正式交手。

它們都承載著理解物理世界，在衍生“真實”的同時盡可能放大想象的“AI造夢計劃”，但對于自身而言，即夢和可靈也都肩負字節(jié)和快手又一番商業(yè)化前景開拓的重任。

事實上，即夢與可靈都在短短不到一年的時間，完成了數(shù)次迭代。即夢3月底開啟視頻生成功能內(nèi)測，半年后，字節(jié)發(fā)布了豆包模型家族的兩款視頻生成模型Seaweed和Pixeldance，并通過即夢AI、火山引擎小范圍邀測，至如今Seaweed面向平臺用戶正式開放。

工信部信息通信經(jīng)濟專家委員會委員盤和林向《每日經(jīng)濟新聞》記者表示，即夢使用的新模型生成速度有所提升，給用戶的生成體驗更好了，“即夢AI目前在國內(nèi)生成領(lǐng)域，還是比較領(lǐng)先的”。

可靈在6月“出生”后一鳴驚人，發(fā)布至今經(jīng)歷了十余次更新，包括發(fā)布圖生視頻功能以及1.5模型的上線等重要更新。截至目前，可靈擁有超過360萬用戶，累計生成3700萬個視頻，并在近期正式上架獨立App（應(yīng)用軟件）。

《每日經(jīng)濟新聞》記者選取了OpenAI官方公布的5條Sora視頻提示詞（東京街頭的女士、太空人、無人機視角的海岸、3D動畫的小怪物、云端讀書的年輕人）分別測試即夢和可靈的初代版本和最新版本，縱向?qū)Ρ葍蓚€視頻生成模型的視頻效果。

對比即夢最初版本和最新版本生產(chǎn)的視頻效果后，我們發(fā)現(xiàn)，即夢有兩部分更新較為明顯：一個是在動態(tài)的“人事物”表現(xiàn)上，動作的捕捉和連貫性均有較為明顯的提升；另一個是畫面風(fēng)格的差異化呈現(xiàn)也有比較大的進步。

以“東京街頭的女士”為例，初代即夢塑造的人物動作僵硬，特別是在腿部、腳部動作的捕捉上，整體呈現(xiàn)的效果是模糊和扭曲的。迭代后的新版即夢，人物動作自然流暢，腳部動態(tài)的細節(jié)處理更清晰、更符合真實世界的邏輯。

從畫面風(fēng)格的差異化上看，版本更新后的即夢畫風(fēng)區(qū)分度更高，無論對真實世界畫面，還是超現(xiàn)實畫面的描述上，都做出了不同風(fēng)格呈現(xiàn)。

這一點在“云端讀書的年輕人”視頻生成的效果上對比明顯。初代即夢將這一超現(xiàn)實畫面做了完全動畫風(fēng)格的處理，而新版即夢對人物的呈現(xiàn)更傾向?qū)憣嶏L(fēng)。

初代版本即夢“云端讀書的年輕人”視頻截圖

新版即夢“云端讀書的年輕人”視頻截圖

可靈“云端讀書的年輕人”視頻截圖

“太空人”的視頻生成效果也是如此，初代即夢生成的太空人“游戲建模”感較重，而新版完全寫實。

初代可靈和數(shù)次迭代后1.5模型的可靈，視頻生成效果提升更加明顯。變化之一就是空間布局和畫面細節(jié)的呈現(xiàn)更精致。在“無人機視角的海岸”生成效果上，能夠看到在空間布局上，畫面更具縱深感，空間布局更加復(fù)雜，房屋、馬路等細節(jié)設(shè)置也更豐富。

即夢PK可靈：理解、捕捉和想象都有差異

兩個模型在迭代后，生成效果都更加穩(wěn)定，畫質(zhì)也更優(yōu)，流暢度和細節(jié)處理都更經(jīng)得起推敲。不過，它們在語義理解、關(guān)鍵詞捕捉和放大，以及創(chuàng)意想象力和創(chuàng)意相關(guān)性的平衡上還是有明顯區(qū)別。

我們橫向?qū)Ρ龋瑢⒆钚掳姹镜募磯襞c1.5模型可靈，對5條Sora視頻提示詞（東京街頭的女士、太空人、無人機視角的海岸、3D動畫的小怪物、云端讀書的年輕人）的呈現(xiàn)進行比拼。

語義的理解和關(guān)鍵詞的捕捉，讓即夢和可靈的視頻呈現(xiàn)有所不同。

在“無人機視角的海岸”視頻中，即夢對提示詞中“帶有燈塔的小島”進行了相對模糊化的處理，而無論是可靈還是Sora，這一畫面的重點都是“小島”。而在對“海岸公路”的描述中，即夢的設(shè)置并不符合真實世界的邏輯。

即夢“無人機視角下的小島”視頻截圖

可靈“無人機視角下的小島”視頻截圖

而在“太空人”的視頻效果上，即夢對描述中的“冒險”并未進行描述，再次生成后，手拿咖啡騎著摩托的太空人也忽視了“冒險”的設(shè)定。可靈則通過人物的表情以及運鏡強調(diào)里“冒險”。不過，即夢和可靈都相對忽視了“電影預(yù)告片”這一設(shè)定，對比之下Sora的“太空人”視頻更有電影感。

即夢“太空人”視頻截圖

可靈“太空人”視頻截圖

在“3D動畫的小怪物”視頻生成中，即夢的小怪物設(shè)定與動畫電影《怪物公司》里的角色“薩利”幾乎相同。而提示詞中有關(guān)小怪物的部分描述，即夢的呈現(xiàn)也相對不甚準確，比如“短毛”設(shè)定的執(zhí)行。此外，在藝術(shù)風(fēng)格的呈現(xiàn)上，提示詞著重強調(diào)了“光照和紋理”，即夢的執(zhí)行弱于可靈。

即夢“小怪物”視頻截圖

可靈“小怪物”視頻截圖

而在“東京街頭的女士”視頻中，即夢在多主體復(fù)雜交互的呈現(xiàn)上，效果相對于可靈，表現(xiàn)不佳。無論是對畫面主體的“女士”還是空間描述上都相對準確，但畫面中的行人普遍進行了模糊處理，近景中的行人則出現(xiàn)扭曲變形。

即夢“東京街頭的女士”視頻截圖

可靈“東京街頭的女士”視頻截圖

不過，即夢AI官方透露，近期，Seaweed和Pixeldance兩款視頻生成模型的Pro版也將開放使用。Pro版模型會對多主體交互以及多拍動作連貫性上進行優(yōu)化，同時攻克多鏡頭切換的一致性等難題。

在功能與體驗上，經(jīng)過數(shù)輪迭代后的可靈，在生成視頻時，有“創(chuàng)意想象力和創(chuàng)意相關(guān)性”參數(shù)的調(diào)整，因此可以進行平衡調(diào)整。對于不希望呈現(xiàn)的內(nèi)容，可靈也可以設(shè)置，比如模糊、拼貼、變形、動畫等。生成操作更靈活，效果可調(diào)整。

即夢生成視頻的操作更加便捷。此外，經(jīng)測試，即夢視頻生成時間更短，Sora的5條提示詞的視頻生成時間，每條都不超過半分鐘。而1.5模型的可靈生成10秒高質(zhì)量視頻則需要耗時10分鐘以上。

不過，需要注意的是，上述即夢、可靈生成的視頻，均由記者測試生成，不同版本、描述的細節(jié)，都會造成視頻生成效果的差異。并且，目前Sora仍未開放，所生成視頻均為官方發(fā)布版本，后續(xù)開放，用戶實際測試效果與官方視頻可能存在一定的差異。

AI視頻生成領(lǐng)域混戰(zhàn)，何為勝負手？

對于字節(jié)、快手這兩大短視頻巨頭而言，要在AI視頻生成領(lǐng)域中進行較量，對手還遠不只彼此。

例如，11月8日，“AI六小龍”之一的智譜對其視頻生成工具清影進行了新升級。值得關(guān)注的是，升級后的清影支持任意比例的圖像生成視頻，并且具備多通道生成能力，同一指令或圖片可以一次性生成4個視頻。此外，新清影可以生成與畫面匹配的音效，該音效功能將在本月上線公測。

其中已有初露鋒芒的玩家出現(xiàn)。

8月31日，MiniMax發(fā)布了其首款A(yù)I高清視頻生成模型技術(shù)abab-video-1，上線首月便捷報頻傳。MiniMax官方公眾號披露，在視頻模型上線海螺AI的首月，海螺AI網(wǎng)頁版訪問量增速超800%，用戶覆蓋全球超180個國家和地區(qū)，產(chǎn)品連奪AI產(chǎn)品榜（web）9月全球增速榜和國內(nèi)增速榜兩榜榜首。

北京市社會科學(xué)院管理研究所副研究員王鵬向《每日經(jīng)濟新聞》記者指出，目前國內(nèi)外AI視頻產(chǎn)品都處于快速發(fā)展階段，國外Meta、Google等科技巨頭都在積極布局AI視頻領(lǐng)域；國內(nèi)方面，快手可靈、即夢AI等產(chǎn)品也在不斷迭代升級，提升用戶體驗和商業(yè)化能力。

同時，東吳證券在今年8月發(fā)布的研報也指出了國產(chǎn)AI視頻大模型的迭代、落地發(fā)展之快、競爭之激烈——技術(shù)層面，新模型生成時長、分辨率、幀率上快速提升，縮小了與Sora之間的差距；產(chǎn)品方面，許多新產(chǎn)品和模型升級面向全體用戶開放，部分已應(yīng)用于微短劇創(chuàng)作，國內(nèi)公司在用戶開放和商業(yè)化落地方面進展迅速。

在商業(yè)化可能性方面，該份研報中提到，在AI滲透率為15%的中性假設(shè)下，中國AI視頻生成的行業(yè)潛在空間為3178億元；在全AI模式下，電影、長劇、動畫片和短劇的制作成本，相較傳統(tǒng)模式將下降超95%。

龐大的潛在市場規(guī)模和降本增效的“超能力”也能從可靈的使用數(shù)據(jù)上窺見一二。

在10月舉行的“2024中國計算機大會”上，快手副總裁、大模型團隊負責(zé)人張迪透露，自今年6月發(fā)布以來，快手可靈AI已有超過360萬用戶，累計生成3700萬個視頻以及超過1億張圖片。

盤和林在接受《每日經(jīng)濟新聞》記者采訪時表示，可靈背靠快手，擁有流量支持，所以商業(yè)化進程很快，“AI視頻產(chǎn)品還是要背靠互聯(lián)網(wǎng)平臺，有流量才有商業(yè)潛力”。

相似的是，字節(jié)也將視頻模型的商業(yè)化放在了任務(wù)單前列。在今年9月推出兩款視頻生成模型時，火山引擎總裁譚待曾公開表示，新款豆包視頻生成模型“從一落地就開始考慮商業(yè)化”，使用領(lǐng)域包括電商營銷、動畫教育、城市文旅和微劇本。

“AI視頻將在B端和C端展現(xiàn)出不同的商業(yè)化潛力。”王鵬認為，面向B端，AI視頻可以為企業(yè)提供更加高效、低成本的視頻制作和分發(fā)解決方案；在C端，AI視頻可以滿足用戶對個性化、高質(zhì)量視頻內(nèi)容的需求，還能與電商、廣告等行業(yè)相結(jié)合，實現(xiàn)更加精準的營銷和變現(xiàn)。

不過對于商業(yè)化，也有如MiniMax創(chuàng)始人閆俊杰這般的想法：“在目前階段，最重要的東西還不是商業(yè)化，是技術(shù)能達到廣泛‘可用’的程度。”但毫無疑問的是，在兩位短視頻巨頭下場、初創(chuàng)獨角獸“另辟蹊徑”，以及不一樣的商業(yè)化節(jié)奏等因素的共同作用下，這場在AI視頻生成領(lǐng)域的賽跑已越發(fā)有看點了。