图片｜.ai

© 原件来自

作者：罗辑、苏毅

责任编辑：程鑫

2024年伊始，科技圈没有什么比Sora的出现更令人兴奋的事情了。

就像 2023 年初带来的 LLM 创业热潮一样，Sora 的推出也将视频生成模型推到了风口浪尖。

科技巨头正在积极推销自己的产品，而初创公司也正在乘风破浪。

3月13日，AI视频模型公司爱视科技完成亿元A1轮融资；3月12日，圣数科技完成亿元A轮融资；3月1日，AI视频生成SaaS服务商“布尔向量”完成近千万元融资……

Sora 首次实现了 DiT 架构，将之前独立的扩散模型与大模型融为一体，翻开了视频生成模型历史的新篇章。

毫无疑问，一场新的科技风暴即将来临，一夜之间，国内大大小小的视频生成车型都在争夺“中国版Sora”的标签。

为了探寻这一问题的答案，“子象限”对国内现有的视频生成产品进行了实际体验，并结合公开资料、第三方测试机构数据等维度，对目前主流的视频生成模型进行了全面评测。

我们将从产品设计、实际测试结果、行业分析三个角度，全面探究谁能成为“中国版Sora”？

1.谁可以复制DIT的创新？

尽管Sora潮流才刚刚从大洋彼岸传入中国，但视频生成并不是一个新鲜话题。

而在此之前，这个赛道已经经历了几波革命，包括Gen-2、.0、，最终到达了生成效果更佳、持续时间更长、逻辑性更强、稳定性更高的“Sora”时刻。

“自我象限”整理了国内视频大牌企业及产品的基本情况。

▲图：国内外视频生成大模型公司名单，访问量统计截至2024年2月

在国外，、微软等“硅谷老钱”早已投入多模态视频生成的研究，去年发布了多模态大模型和视频大模型，让人们在直观的效果层面看到了多模态视频生成的可能性。

在中国，我们在多模态技术路径方向上​​看到了更多的可能性，包括有深厚技术积累的大公司百度，大模型独角兽公司智扑，以及圣数科技、智象未来等一批以多模态大模型为目标的创业公司。

扩散模型路线是 的主流路线，对效果的产生起到了至关重要的保障作用，因此即便是令人惊叹的Sora，也只是底层架构上的改造，而非彻底的颠覆。

这条路无论在国内还是国外都是最拥挤的，最先出现的是打造并开源AI扩散模型的AI公司，紧接着就是、Meta、等奋勇向前的AI公司。

回到国内，腾讯、阿里、字节跳动在早期几乎垄断了视频生成领域的研究，偶尔会抛出一个 demo 让人大吃一惊。但说到落地产品，初创公司显然更快一步，爱诗科技、右脑科技等公司都已经开始向用户开放。

DiT，又称为“Sora路线”，本质上就是将大模型的训练方法机制融入到扩散模型中，从Sora技术报告中呈现的结果来看，这一努力的奇迹或许会产生一个世界物理模拟装置的效果。

如今，Sora 的底层架构已经被研究透彻，其训练组件和技术也正在走向开源的路上。但这并不意味着在不久的将来每个人都会拥有一台 Sora。技术、数据、算力、训练规模都是一道坎。

近日，Sora核心团队负责人在采访中透露：“Sora目前还处于反馈获取阶段，还不是产品，短期内不会对外开放。”

从技术角度来看，爱视科技是国内为数不多从一开始就坚持走DiT路线的公司，其创始人王长虎在公开采访中表示，Sora的出现验证了爱视在视频生成大模型方向的正确性。为此，爱视科技定下了“3-6个月超越Sora”的目标，抓住机遇奋起直追。

2. 产品测试和用户“跑分”

在视频生成模型领域，国内的初创公司大致可以分为两类。

一类是以爱视科技（）、圣数科技（）、智享未来（）为代表的自研基础大模型，专注于通用场景的视频生成工具。

另一类包括Vega AI、李白AI实验室、纱球科技、布尔向量、易影AI等，这一类数量更多，产品化程度更高，专注于解决某一类场景下的问题，更像是AIGC的在线编辑平台。

我们的测试评估包含三部分：使用门槛、产品基础功能、内容生成能力。

首先是使用门槛，我们测试的8款产品全部支持通过网站使用（很多初创产品需要通过使用才能使用），并且全部可以免费试用。

不过，只有爱视科技对免费试用次数没有限制，其他产品的试用次数限制为三至五次，超出试用次数后需要开通会员或者充值能量，价格从几元到几百元不等。

除此之外，其他产品在付费前基本都有功能限制，比如艺影AI只能生成2s、4s的视频，更长的视频需要付费。

所以综合考虑使用门槛，越是好用的产品越有优势，其他产品的使用门槛就比较平均了。

具体情况如下：

第二是产品的基本功能。

我们测试的 8 款产品中，除了神彩和，其他均支持将文本和图片生成视频。神彩和仅支持将图片生成视频，不支持将文本直接生成视频。

除这两家外，其他厂家的产品都比较成熟，但是产品功能差别也比较大。

其中，爱诗科技在基础功能之上还添加了丰富的辅助功能，例如除了正面的提示词之外，用户还可以输入负面的提示词，以要求生成的图片中不要出现某些元素。

在将图片转换为视频时，用户还可以输入提示词来控制输出效果、选择视频风格、调整长宽比等。

同类产品中，只有艺影AI具有负片提示、画面生成视频提示以及视频比例调整功能，并且只有它可以调整视频风格和画面比例。

大模型的技术水平决定了视频生成的质量，而产品能力则决定了大模型能否得到很好的利用并与应用场景结合。

对于视频生成产品来说，功能的丰富程度决定了用户上手的难易程度、对视频生成的掌控能力，最终影响到输出的结果和用户体验。

因此从产品完善度、功能完备度来看，整体处于领先，智象未来排名第二，易影AI排名第三，Vega AI排名第四。其中布尔向量相对来说是个例外，作为一款专注于跨境电商的视频生成工具，其功能更全面，在特定场景下也更易用，但在视频生成方面竞争力相对不足。

当然，除了基础功能之外，最核心的还是视频生成效果。所以第三部分就是视频内容生成能力的测试。

首先是视频生成时长，Sora 目前可以生成 60s 的视频，但国内创业公司的大视频生成模型时长大多集中在 2s 到 4s 左右，差距并不是特别大。

第二是根据提示词的内容进行表达的能力。

Sora 发布时，会输出一段视频，提示如下：美丽的白雪皑皑的东京街道熙熙攘攘。几个人正在享受美丽的雪天，并在附近的摊位购物。美丽的樱花花瓣和雪花在风中飘扬。在天空中飞舞。

▲Sora 根据这个提示生成视频（00:17）

基于此提示，我们还分别使用了爱视科技的Vega AI、右脑科技的Vega AI以及智象未来，生成了同样的视频。（由于圣数科技网站暂停试用，因此未纳入评测）

首先是来自爱石科技的。

4s的内容基本还原了提示词中提到的所有关键词，也体现出了“繁华”、“地摊”的氛围，镜头随着画面缓缓前移，视频整体风格保持一致，建筑、灯光、路边的树木和行人都比较逼真，画面没有明显的卡顿，除了人物走路的姿势略微不自然，没有任何元素的扭曲。

▲根据此提示生成的视频（00:04）

第二个是右脑技术。

同样的4s内容，同样的只有一个镜头，沿着人潮汹涌的街道缓缓前行。不过与华灯初亮的傍晚场景不同，选择的是白天。

相比于爱视科技，游戏中人物的脚步声显得更加混乱，有的人物在行走时从两尺变为三尺，然后消失不见，另外有的人物的生成也十分模糊，只有一个身影，并且还在不断变化。

▲Vega AI 根据此提示生成的视频（00:04）

接下来是 AI 艺英。

与那些有一定的镜头运动的视频不同，艺影AI生成的视频镜头是固定的，并且是这些视频中唯一一个选择正面视角的视频。

不过选择正面视角也给艺影AI带来一个问题，那就是无法很好地处理人物的面部表情，视频中两人相向而行的画面面部一直没有稳定下来，另外艺影AI还存在人物运动不明显的问题，因为生成的视频只有2秒时长。

▲艺影AI根据此提示生成的视频（00:02）

第四家是志象科技，采用的是4s视频，镜头固定，人物向前移动。类似的图像，除了同样存在人物生成和移动的问题外，对语义的理解就浅显得多。

比如提示中的“繁华”二字，在之前的视频中通过灯光、街边店铺、人群等表现出来，而这次选择的视频是一条雨天巷子，人迹罕至，整个画面显得冷清，而“逛街”一词在这段视频中并没有体现出来。

▲根据此提示生成的视频（00:04）

最后，它的官网还未开放公测，“自象限”已经进行了测试。

有两点很有意思，一是英文提示词的生成效果比中文提示词好很多。“自象限”先用中文提示词生成视频，得到的结果和提示词完全没关系。“把提示词改成英文，输出效果会大幅提升。”

▲图片：截图

从视频内容来看，生成的视频仅为3s，比其他产品短，清晰度也低于其他产品，但整体画面内容较为真实；从细节来看，生成的视频依然存在细节模糊失真、人物“漂移”、时隐时现等问题。

▲ 根据此提示生成的视频（00:03）

除了文胜视频外，还有两款仅支持“图片视频”的播放器——神彩和。不过这两款在图片视频方面表现并不好。

其中，神彩仅支持由单张图片生成“动态图”，并没有提示词功能，因此生成的视频文字变形，没有实际使用价值。

▲根据图片生成的视频（00:04）

相比之下，它更像是一个AIGC内容社区，图片生成、视频生成只是它的能力之一，但并不支持直接通过提示词生成视频，而是需要先在平台上通过提示词生成图片，然后再将图片转化为视频。

“Self-”通过提示句“一只柯基犬嘴里叼着一朵花散步”生成​​四张图片。

▲图片：截图

然后根据这四张图片，以“春天里奔跑的小狗”为提示词，生成一段视频。

▲根据图片生成的视频（00:04）

可以看到，这段视频还处于“动态画面”状态，离视频还差得很远。

除此之外，布尔向量未包含在这次比较中。

因为从产品体验上来说，布尔向量更像是一个AI编辑器，当我们输入一个提示词，系统会自动把这个提示词分解成多个脚本和故事板，然后撰写文案，输出多个视频。生成视频之后，用户可以对各个故事板进行编辑，更换视频，更改旁白和声音等。

▲图片：截图

然而其视频生成能力其实非常有限，既不能理解深层语义，也不能生成与提示词准确对应的视频内容。

以上测试的产品中，严格来说，只有和是专注于视频生成的大型模型，其他产品都是从早期的AIGC文本转图片和图片转图片应用演化而来。

▲图片：测试产品是否专注于视频生成

回过头来看，我们根据多次测试整理出了上述产品。

从对提示词的理解能力、画面的逻辑表达能力、画面细节的表达，到视频生成的质量、画面的一致性、稳定性、流畅性等。

测试了8款产品，经过综合对比发现，旗下爱视科技的综合能力相对较好，右脑科技排名第二，怡影AI排名第三，怡影AI排名第四。

最后从整个评测来看，从使用门槛到产品功能再到内容生成能力，中国创业公司的各个产品都各有优势。但总体来看，在中国创业公司中，爱诗科技的综合能力略高。中国最像Sora的产品。其次，这两者构成了中国视频生成模型的第一梯队。

接下来是易影AI，处于第二梯队（圣数科技因产品停售未纳入测评），最后是神彩、和视界，处于第三梯队。

以下是自我象限评估的摘要：

3. 使用生产力工具创建数据飞轮

事实上，通过对比迄今为止国内科技巨头与创业公司的产品发布速度，我们会发现，大公司的速度较慢，而创业公司的产品和用户规模增长速度更快。

李彦宏也曾提到：大公司做小创新，小公司能做大改变。

想要真正在激烈的竞争中突围，目前来看，除了技术路线的选择、产品本身的能力之外，产品使用场景、用户体验、行业应用等综合维度依然是视频生成模型竞争的关键。

从产品的使用场景上，正如前面提到的，一类公司专注于开发新的工具，而另一类公司则是将技术嵌入到某些成熟的产品中，这是两种完全不同的路线。

对于工具型产品来说，产品力的一个核心体现就是能否成为生产力工具。

我们简单回顾一下发展历程就会发现，V5是文胜图历史上一个关键的转折点，无论从效果、精准度、速度等各方面来看，V5已经正式从一个“玩具”转型为一个生产力工具，而这种产品能力的突破带来了海量的用户涌入，数据飞轮开始转动，效果也在日新月异。

▲图：网友制作的V1-V6生成效果对比，来源：X

对比“V5时刻”，我们发现视频生成模型也即将到达奇点。

通过真实场景的评测，我们发现生成的视频在主体一致性、运动平滑度、运动幅度、清晰度等方面更有价值。

在生产力工具的前提下，同样有两条产品线，一条是像公司实践的那样走专业工具路线，让专业的人更专业，一条是像Word那样，让普通人用起来也变得有生产力。

关于这个问题，Pika创始人郭文静在接受采访时表示，Pika不是一个拍片工具，而是一个日常消费的产品，思路更加清晰，相比于Pika的分级订阅商业模式，它在拥有更多用户、视频效果位居世界前列的同时，持续向全球免费开放，这是目前其他视频生成产品无法实现的。

正是因为其友好的用户态度和领先的视频生成效果，App 的飞轮开始转动，据第三方数据监测平台显示，目前用户规模与 Pika 处于同一水平，访问量远高于国内其他主流视频生成产品。（数据来源：）

▲、与 Pika 对比，2024 年 2 月产品页面数据

▲2月国内主要文化视频产品数据对比

▲国内主要文化视频产品数据走势

通过调研我们发现，爱势科技也在积极赞助/承办国内外各类AI大赛，推动技术快速落地的同时也加速实现技术普惠，在这个过程中，越来越多的用户也感受到了其产品优势。

此外，爱视科技拥有优秀的用户生态，每天在X上都会出现大量用户创作的视频内容，覆盖英语、中文、日语、西班牙语等多个地区，这是其他国产品牌完全不具备的优势，一定程度上也体现了市场的选择。