近期快手和字节分别发布了可灵3.0、Seedance 2.0，市场关注度较高。相较于上一代模型（可灵2.6，字节seedance 1.5），两个新模型在一致性、稳定性、分镜等方面均有突破，但最大的突破是实现了视频输入。上一代模型只有文生视频、图生视频以及一些简单的动作控制功能，而新一代模型可以上传一个视频，模型可以根据视频中的内容做参考来生成新视频，实现了多模态输入-视频输出，补齐了原生多模态的拼图。
市场关心的问题是，Seedance 2.0 的性能相较于1.5版本提升明显之后，我们应该如何看待当前视频模型的竞争格局？可灵相较于seedance的差异化优势在哪里？
结合这些问题，我们做了七组测试。测评覆盖的能力包括两组风格（动画风格、真人写实风格）。选择这两个方向的原因是：一方面，当前AI应用较多的场景是AI漫剧；另一方面，AI若能逐步渗入真人演绎的场景（包括真人短剧、中视频以及更长的长视频和电影等），整个AI视频生成的市场空间就会打开。核心驱动力在于需求是存在的，但技术目前没有达到足够好的水平，导致渗透率现阶段只能停留在动漫类风格的内容上。
以下是我们的七组测试prompt和想要测试的能力：
第一组：新海诚风格日系动画
第二组：赛博朋克城市夜景
第三组：动画哭戏
第四组：真人哭戏
第五组：运动表现
第六组：视频转视频
将一段真人视频上传模型，要求转换成迪士尼动画风格。可灵成功输出了结果，但效果一般，有些僵硬，不如纯文本生成的效果生动，且背景音乐直接沿用了原视频的音乐。Seedance未能生成成功，失败了。
第七组：对口型能力
模型定位差异与定价对比
总体来看，Seedance更侧重于帮用户表达一个故事，可灵则更侧重专业级别的内容生产。可灵的电影质感更强，包括打光、精细表情、皮肤细节、奔跑时的动作控制以及背景雨水等细节都更丰富。
在定价方面：生成一个5秒钟720P视频，可灵约4元人民币，Seedance约2.3元人民币，价格是可灵的一半多一点。15秒视频下，Seedance的定价优势更明显。但1080P清晰度目前Seedance不支持，只能使用可灵3.0。另外，谷歌的视频模型定价远高于国内，但也是目前唯一能生成4K视频的模型，面向的消费者群体有所不同。
竞争格局
我们用同一个提示词（男子雨中奔跑）测试了多家视频模型。结论是目前可灵3.0和Seedance 2.0处于全球最强水平。
阿里的万相2.6比较卡通风格，缺乏细节。MiniMax的海螺2.3视频生成比较真实，但缺点是无法实现音画同出，需要后期配音。Veo 3.1（谷歌）的基本要素都具备，但人物看起来有点奇怪。OpenAI的Sora 2效果比较差，有很明显的游戏感，像《模拟人生》风格，可能是因为训练时喂入了较多的游戏引擎数据，导致生成风格不够真实。
从定价看，国内几家5秒钟视频定价大约在0.4美金左右，海外则贵很多——谷歌5秒视频约5美金，OpenAI的Sora 2约2.5美金（gemini会员和sora用户每天会有少量的生成额度）。
市场空间与增长逻辑
目前几家主要AI视频模型的ARR（年化经常性收入）都在快速增长，呈现一年1-3倍的增长趋势，且没有出现A公司增长导致B公司收入下降的情况。截至今年1月份，主要公司的ARR加起来大约不到10亿美金，仍是一个非常早期的蓝海市场。作为对比，OpenAI已有200亿美金ARR，Anthropic有90亿美金ARR，两家加起来接近300亿美金。而视频模型公司的ARR合计不到10亿美金，差距很大。
从下游市场看，国内电影票房每年约400-600亿人民币规模，海外100-200亿美金规模。再考虑到社交短视频、广告片、真人短剧等。目前AI视频行业的渗透率仍然很低。
AI视频模型的市场空间等于各垂类场景市场规模乘以AI渗透率之和。目前AI已解锁的场景主要是AI漫剧，在该赛道已全面铺开并替代了很多传统动漫创作的人力环节。但在真人短剧、中长视频和电影领域，AI尚未有效渗透，核心原因是技术还不够成熟——例如电影的清晰度要求更高，而当前720P或1080P远达不到要求。
而且AI视频模型也会存在"供给创造需求"的过程，类似于AI编程——Cursor、Lovable、Replit等AI编程公司的ARR也是每年数倍增长，原因在于编程门槛的降低使得产品经理、销售甚至纯小白也在使用AI编程。视频模型也将遵循类似逻辑。
在中美差距方面，文本模型差距约3到6个月，但在视频方面，国内已超过了Veo 3.1和Sora 2（虽然有一部分原因是，这两个模型发布时间较早，近期尚未更新）。阶段性来看，视频AI领域中美差距很小，甚至中国实现了反超。核心原因在于国内拥有较多的多模态数据——字节和快手各自拥有自己视频平台的数据（同样的逻辑，谷歌能做出veo3.1，也离不开youtube和waymo的数据），这些一方数据在训练中的标签化能力对视频生成模型帮助很大。
从漫剧市场的数据看，去年1月到7月播放量增长了5倍，7月到12月又增长了约四五倍，漫剧市场本身在快速增长，AI在其中的制作成本这块蛋糕也会随之增大。
据第三方机构Mayor Research估计，中国视频制作市场约200多亿美金，全球约1600多亿美金，涵盖长视频、短视频、中视频以及漫画和真人等各种风格。目前AI能渗透的部分主要是漫剧和一部分广告片、KTV背景视频等对一致性要求不高的短内容。从用户规模看，漫剧触达的用户约一亿多，微短剧接近七亿用户，长视频、短视频及网络视频则是八亿到十亿用户。AI目前触达的用户体量仍较小。
技术路线展望
视频模型比文本模型大约晚一年，世界模型又比视频模型晚一年。2023年大家看到了ChatBot，2024年看到了推理模型，2025年Agent、Coding和多模态都有了雏形，2026年文本市场不会被放弃，仍然是卷的重要方向，但AI Agent、Coding和多模态可能在今年会有比较大的变化（包括技术上的、tokens消耗、收入方面的变化）
对上游而言，多模态场景可以拉动token消耗、算力需求和存储需求；对下游而言，漫剧、真人短剧和中长视频都可能受益于技术迭代。
在技术路线上，当前视频模型的主流路线是DiT（Diffusion+Transformer），Sora系列和Veo 3等都验证了这条路线可行。但不排除有公司会探索自回归路线，自回归路线在生成时长的长度上可能优于DiT，但成本更高。
此外，多模态会和世界模型可能会联动。谷歌近期发布的Genie project 就是一个世界模型，能稳定生成1-2分钟的内容，物理理解能力更好。李飞飞团队也在去年年末推出了商用的世界模型产品，从研究阶段走向商业化。我们预计今年世界模型领域会有较多新的变化。
本文来源：东吴证券
