简介:本文中立梳理五款主流视频生成旗舰方案(A~E)的发布与评测信息,重点拆解"统一多模态架构 vs 专业视频架构"与"开放权重 vs 闭源接口"两条核心差异线,从架构、能力、接入、安全合规、运维成本与场景边界等维度对比,并给出条件化选型建议与迁移注意事项。读者可据此快速判断哪种方案更契合自身业务,避免被不断变动的榜单排名误导。
近几个月,视频生成赛道进入密集迭代期。按公开信息梳理,7 月 31 日前后,两家厂商的新一代视频生成模型几乎同天发布,随后另一家云厂商的新一代版本于 8 月 6 日进入公测。加上此前已发布的两款旗舰模型,当前处于第一梯队的视频生成模型大致可以归为五个方案。为保持中立,本文统一以方案 A~E指代,含义见下表。
| 代号 | 定位与公开信息 | 在本文中的角色 |
|---|---|---|
| 方案 A | 某厂商新近发布的旗舰视频生成模型。该厂商上一代属于专项能力导向,本次新版本放弃上一代架构,转向”多任务通用”的统一架构;发布两天后开放权重 | 统一多模态路线 + 开放权重自部署的代表 |
| 方案 B | 某厂商与方案 A 同天发布的新一代版本。据其官方公告,目前仅提供闭源接口,走工业化、产品化路线 | 闭源接口型新锐方案的参照 |
| 方案 C | 某云厂商于 8 月 6 日开始公测的新一代视频生成方案 | 新入榜参评方案 |
| 方案 D、E | 上半年已发布的旗舰视频生成方案 | 已在榜模型,作为性能参照基线 |
这些方案看似都在做”文生视频、图生视频”,但底层路线差别明显:
对技术负责人和架构师来说,真正的问题不只是”哪个画质更好”。画质排名每天在变,更关键的是:架构路线、交付方式和使用边界的差异,会如何影响接入成本、数据安全、长期成本以及后续的定制空间。本文基于各家官方公告与公开资料,从架构、能力与交付形态入手,做一次结构化对比。
数据与口径说明
- 第三方盲测榜单的 Elo 分数每天都在波动。本文排名相关数据截至 8 月 12 日,仅供参考。
- 方案 B、C 发布不足两周,尚未进入权威榜单。涉及排名时,以它们已在榜的前代版本作参照,不能直接等同于新版本成绩。
- 榜单信息来自第三方盲测平台、第三方评测机构的实测以及技术博主的公开上手反馈。
- 下文引用的参数与开源范围均以官方公告为准。个别媒体曾报道方案 A”全部模块开源”,与官方公告不符,应以官方信息为准。
- 本文不含任何厂商的实际性能数据,性能部分只做通用工程分析。
根据官方公告,方案 A 所在厂商的视频产品线经历了两代演进,新版本在架构上有一个关键动作:放弃了上一代架构。官方给出的理由是,旧架构对”任务通用化”引入了不必要的复杂性。换句话说,上一代更像一个”专才”,新版本要做”通才”。
其统一架构的做法可概括为三点:
架构与规格(依据官方公告):
| 项目 | 方案 A 官方规格 |
|---|---|
| 主干模型 | 单流 Transformer(官方称 H3-Omni-Transformer),约 330 亿参数 |
| 文本编码器 | 约 320 亿参数规模的开源多模态视觉语言模型 |
| 系统总规模 | 主干与编码器合计约 650 亿参数,即媒体常说的”约 600 亿参数级” |
| 最长时长 | 15 秒 |
| 分辨率 | 默认 768p,最高 2K |
| 帧率 | 24 FPS |
| 音频 | 原生立体声,采样率 32 kHz |
| 参考输入 | 单次最多 9 张图片、3 段视频、3 段音频 |
| 扩展能力 | 首尾帧、V2V 动作迁移、视频编辑 |
方案 B 是某厂商与方案 A 同天发布的新一代版本。根据公开信息,它走的是工业化路线:不开放权重,以接口形式对外服务,并把重点放在画质、稳定性与规模化生产上。发布不足两周,尚未进入权威榜单,目前只能参考其在榜前代版本的表现。
方案 C 由某云厂商于 8 月初启动公测。与方案 B 情况类似,发布不足两周,暂无权威榜单成绩。公测阶段在功能覆盖、配额与计费方面可能仍有调整,具体以官方公告为准。
方案 D、E 发布于上半年,是目前榜单中积累了较多评测样本的模型,适合作为衡量新方案性能的”参照系”。它们的具体架构、规格与交付方式以各自官方文档为准。
在讨论差异之前,先明确这些方案的共性,有助于判断哪些维度真正构成选型分歧:
五个方案之间的差异,最终可以归结到两条主线上:架构路线(统一多模态 vs 专业视频)和交付形态(开放权重 vs 闭源接口)。
这是方案 A 与其他方案最本质的区别。
方案 A 的统一架构:四类输入被转成统一的 token 序列,由单流 Transformer 统一建模。一次前向同时输出画面与音频,音画在同一生成过程中产生。
常见的两段式方案:先由视频模型生成无声画面,再用语音合成、配乐或混音工具补上声音,最后在时间轴上完成对齐。这是一种工程上更成熟、模块可独立替换的做法。
两种路线各有取舍:
| 对比项 | 统一多模态(方案 A) | 两段式管线 |
|---|---|---|
| 音画同步 | 音画由同一次前向产生,理论上更容易保持唇音与画面事件的对齐 | 依赖生成后的对齐与混音,同步误差需要在后处理中弥补 |
| 可控性 | 通过统一的提示与参考素材调控整体效果 | 配音音色、配乐风格可单独更换,镜头改动后声音也能局部调整 |
| 管线复杂度 | 一次调用即可拿到带声音的成片,链路短 | 需要串联多个组件,失败点与延迟叠加 |
| 训练数据 | 需要大量音画成对的高质量素材,构建成本较高 | 视频与音频可分别准备,素材门槛较低 |
| 算力开销 | 一次前向同时解码视频与音频,显存与算力压力更大 | 单步任务更轻,可按需分步执行 |
| 任务覆盖 | 一种架构同时承载文生、图生、首尾帧、动作迁移、编辑等任务 | 各任务可由不同模型组合实现,模块边界清晰 |
官方放弃上一代架构的理由,正是上一代对”任务通用化”引入了不必要的复杂性。统一架构可以用一套模型覆盖多种输入输出组合,减少任务之间的拼接与适配;代价是对训练数据与算力的要求更高。
方案 A 于 8 月 3 日在主流模型托管社区与开源社区开放权重。需要特别注意,它的开源是有边界的:
方案 B 则保持闭源。两者在交付层面的差异可以从以下维度理解:
| 维度 | 开放权重自部署(方案 A) | 闭源接口(如方案 B) |
|---|---|---|
| 部署位置 | 可在自有环境中运行 | 运行在服务方侧 |
| 数据控制 | 数据不出自有环境,控制力强 | 数据需发送至外部接口,依赖服务方数据策略 |
| 定制空间 | 可做量化、微调、蒸馏等优化(需遵守许可) | 一般只能调整提示词与调用参数 |
| 上线速度 | 较慢,需要准备资源与部署环境 | 较快,接入接口即可 |
| 能力一致性 | 未开放模块的能力无法通过本地权重获得 | 以服务方最新版本为准 |
| 商用条件 | 有条件免费商用,收入超过门槛需另议 | 以服务协议与计费页面为准 |
| 长期依赖 | 降低单一厂商锁定风险 | 存在版本变更与接口调整风险 |
一个容易被忽略的细节是:自部署方案 A 后,本地可完成”基础生成”,但 2K 重建和上下文理解能力仍需调用官方接口。混合使用会引入新的工程问题:本地产物如何传入外部接口、数据是否需要出域、两条链路如何统一管理。
方案 A 公开规格明确(最长 15 秒、默认 768p、最高 2K、24 FPS、原生立体声 32 kHz、单次最多 9 张图片、3 段视频和 3 段音频),便于提前评估接入可行性。其他方案的具体规格应以官方文档为准,本文不做推测。
需要留意的是,方案 A 的能力边界与开源边界并不完全重合。在业务对 2K 画质或复杂参考素材理解有要求时,需要在选型阶段就把”哪些环节必须依赖外部接口”列清楚。
本文不引用任何未经验证的具体性能数据。从通用工程角度看:
| 关注点 | 自部署 | 接口调用 |
|---|---|---|
| 数据安全 | 数据不出自有环境,便于满足数据不出域要求 | 需确认数据传输、存储与删除策略 |
| 内容审核 | 需自行建设输入与输出审核能力 | 通常依赖服务方审核机制,需确认审核口径 |
| 内容标识 | 需按生成式 AI 内容标识的适用要求在自有链路中落实 | 服务方通常提供基础能力,使用方仍需履行标识义务 |
| 商用授权 | 需核对许可中的收入门槛与商用范围 | 以服务协议为准 |
| 维度 | 自部署 | 接口调用 |
|---|---|---|
| 运维重点 | GPU 资源监控、故障恢复、版本升级 | 接口可用性监控、配额管理、计费核对 |
| 成本结构 | 以固定投入为主, GPU 与人力成本前置,边际成本随规模摊薄;利用率不足时单位成本偏高 | 以按需计费为主,前期投入低,调用量越大费用越高 |
| 长期成本 | 受资源利用率与人力投入影响 | 受调用量、分辨率与时长影响 |
以上不涉及任何具体价格,实际费用以各方案官方计费页面为准。
| 对比维度 | 方案 A(统一多模态·开放权重) | 方案 B(闭源·工业化) | 方案 C / D / E |
|---|---|---|---|
| 架构路线 | 单流 Transformer,统一 token 化多模态输入,一次前向联合输出音画 | 视频优先,音频按具体实现方式处理 | 以官方说明为准 |
| 交付方式 | 部分权重开放 + 部分能力走接口 | 闭源接口 | C 处于公测;D、E 已在榜,交付方式以官方为准 |
| 音画生成 | 原生联合生成,原生立体声 32 kHz | 以官方能力为准 | 以官方能力为准 |
| 分辨率与时长 | 最长 15 秒,默认 768p,最高 2K | 以官方文档为准 | 以官方文档为准 |
| 接入改造量 | 较大(自建推理环境或接入双链路) | 较小 | 视交付方式而定 |
| 数据控制 | 强(可完全私有化) | 依赖服务方策略 | 视方案而定 |
| 定制空间 | 可量化、微调(需遵守许可与未开放模块限制) | 有限 | 视方案而定 |
| 运维责任 | 使用方为主 | 服务方为主 | 视方案而定 |
| 榜单参考 | 已进入盲测榜单,具体分数以榜单页面为准 | 新版本暂未进榜,参照前代 | C 暂未进榜;D、E 可作基线 |
| 典型适用 | 对数据敏感、需深度定制、有 GPU 运维能力的团队 | 追求快速上线、缺乏 GPU 运维资源的团队 | 按业务需要补充或对比 |
选型没有唯一答案,更合理的做法是按以下顺序依次判断:
从闭源接口切换到自部署方案,或反之,都属于架构层面的调整。建议重点关注以下事项:
下面是一段示意性伪代码,用来说明如何在上层屏蔽”统一多模态”与”两段式”两种架构的差异:
def generate_video(spec, backend):"""spec: 统一的生成请求,包含提示词、参考图片/视频/音频、分辨率、时长等backend: "unified"(统一多模态)或 "pipeline"(两段式)"""if backend == "unified":# 一次调用同时得到画面与音频return backend.generate(prompt=spec.prompt,ref_images=spec.ref_images,ref_videos=spec.ref_videos,ref_audios=spec.ref_audios,resolution=spec.resolution,duration=spec.duration,)# 两段式:先生成无声视频,再合成并混音video = backend.generate_video(prompt=spec.prompt, duration=spec.duration)audio = backend.synthesize_audio(script=spec.script, ref_voice=spec.ref_voice)return align_and_mix(video, audio)
这样的封装可以让上层业务只关心输入与输出,底层架构的替换不会牵动业务代码。
横向对比下来,五个方案共享同一套底层技术范式,真正的分歧集中在两处:
选型时建议回到自身的约束条件:数据敏感、需要定制、具备 GPU 运维能力的团队,可以优先考虑开放权重的方案 A;追求快速上线、缺乏模型运维资源的团队,闭源接口型方案更合适;处于公测或新发布阶段的方案 B、C 暂未进入权威榜单,建议以已在榜方案作参照,并在正式接入前完成小范围验证。