實測國產視頻生成大模型 一個人「拍」一部劇？

整體情況

場景一：城市多場景

●vidu：《it時報》記者輸入提示詞後，vidu僅用1分鐘左右就生成了一條4秒的視頻，是四款大模型中最快的。從生成效果來看，畫面符合寫實設定，一開始展示出在街道上行走的人形機械人，一秒後切換為室內場景，展示出做早餐和商場指引的場景，每個場景的銜接都是直接切換。儘管vidu可以實現多場景生成，但與文本關聯性並不密切。第一個提示詞中的街道場景出現的人形機械人只是在行走，並未清掃街道。而後兩個場景都是真人完成的動作，並未出現「主角」人形機械人。

●清影：在輸入提示詞後，清影需要等待5—8分鐘才完成生成，儘管選擇寫實風格，但生成畫面依舊偏向3d動畫。一個鏡頭是人形機械人用吸塵器快速清掃着街道，主體清晰背景卻十分模糊。隨着畫面的快速運動，場景也從街道轉為室內，人形機械人開始做早餐，但無論是背景還是主體，都較為模糊，尤其是人形機械人，已經發生嚴重畸變。最後進入單一場景，畫面才變得清晰，人形機械人站在鏡頭前操控着數字屏幕導購。清影雖然可以理解文字意思，且在場景銜接處加入了過渡和轉場，但模糊難以避免，畸變情況較為嚴重。

●可靈：在場景生成中，可靈並沒有生成多個畫面，僅一個未來商業場景就將清掃街道和導購兩個任務涵蓋其中，多個人形機械人穿梭在街道，執行不同的任務。由於做早餐屬於室內場景，在視頻中沒能體現出來。但可靈生成的場景寫實感較強，更符合記者所設想的畫面，清晰度和流暢度也是最好的。不過，在第三秒時，畫面中的一個人形機械人突然分裂成兩個，細節還需要改進。

●即夢：從整體畫面來看，即夢生成的視頻偏向3d動畫，同樣以一個場景進行展現。畫面中心是多個人形機械人利用清潔工具清掃街道；右側是一個人形機械人與人類對話，完成導購指引；旁邊的早餐鋪雖不起眼，但能看出有機械人在做早餐。即夢也是所有大模型中多場景能力展現最好的，但畫面動作幅度不大，更像是動圖的感覺。

場景二：人物動作運鏡

●vidu：vidu能理解並展現「竹林」與「武俠」兩個關鍵詞，同時保持較強的寫實感，生成的人物貼近真人。但在動作處理方面，表現一般，最直觀的是兩位武俠在比武過程中，一會是拳腳比試，一會手中又出現寶劍。鏡頭也沒有由遠及近推拉運動，直到最後一幀突然出現一張人物臉部特寫，十分突兀。無論是畫面精細程度還是連貫性，遠不及場景一。

●清影：在測試的四款大模型中，清影的人物和場景畸變最為嚴重，從視頻開頭到結尾，兩位武俠的動作幅度雖大，但十分模糊，面部輪廓也沒能呈現出來，直到最後特寫定格才快速生成出一張清晰的人臉。但在鏡頭運動方面，清影做到了由遠及近推拉運動。記者重新生成一條同樣的視頻並加上旋轉鏡頭後，清影依舊可以展現很強的運鏡效果。

●可靈：可靈的畫面採用俯拍視角，竹林間，兩位身穿盔甲的士兵扭打在一起，看不清面部，也沒有理解「武俠」一詞。人物動作以推搡為主，不及前兩家大模型。運鏡方面，可靈生成的視頻完全沒有鏡頭運動，從始至終都保持一個角度和景別，讓視頻觀賞性大大減弱。

●即夢：即夢注重人物面部呈現，視頻中兩位武俠緊貼在一起，臉部始終清晰，長袍束腰的服飾也符合中國武俠的形象。但人物以靜止為主，直到最後才做出扭頭和揮手的動作，沒有比武打鬥動作，也沒有鏡頭運動。

場景三：動物擬人

●vidu：一隻與《功夫熊貓》非常相似、身着奧運五環紅色背心的熊貓站在鞍馬上舉起上臂歡呼，隨後彎下腰跳下鞍馬，這是vidu在場景三中生成的畫面。與之前不同的是，vidu在此輪測試中採用3d卡通風格，更符合動物擬人形象。動作方面符合邏輯且沒有出現重影、卡頓，是目前測試中效果最佳的視頻。

●清影：用同一提示詞生成兩條視頻後，清影沒能呈現出清晰的熊貓形象。視頻中位於鞍馬上的熊貓一直背對用戶，做出一個翻滾動作後，黑白配色便開始錯亂，重影、模糊等問題明顯，背景中的觀眾也會隨着畫面抖動。儘管只有6秒時長，但每一個畫面都存在形變。

●可靈：可靈依舊保持寫實風格，熊貓以動物形象呈現，沒有擬人效果。它對着鏡頭緩慢爬行，隨後伸個懶腰便坐了下來，整體動作行雲流水，並未出現形變、重影，也符合熊貓的行為邏輯。不過，在體操表現上不足，除了一塊藍色的體操墊，便再無體操元素。雖然整體生成視頻與提示詞的關聯性不強，但畫面質量、動作流暢度在四款大模型中較好。

●即夢：畫面單一、動作幅度小是即夢生成視頻的特點，在場景三中，即夢依舊沒能改變這一現象。畫面中的熊貓保持動物形態用四足站在鞍馬上，但在運動過程中，熊貓增加了一條腿，對熊貓的物理運動方式不能完全理解。

記者手記

生成效果如同「開盲盒」

動作流暢、符合邏輯、多種運鏡等已經成為各家視頻生成大模型重點宣傳的功能，但從《it時報》記者測試來看，視頻生成效果與想像還有一定差距，每一條視頻可能存在意想不到的錯誤，類似「開盲盒」。

對於新人用戶來說，不需要輸入非常複雜的提示詞，大模型自動提示而生成的效果最佳。若輸入提示詞，也並非越複雜越好，而是需要拆分成一個個短句進行描述，單畫面生成效果最佳。此外，生成之後還需要進行優化調整，以此來減少失誤率，提升視頻質量。

值得一提的是，視頻生成需要花費較長時間，一條6秒的視頻生成大約需要5分鐘，且每次改進都需要重新生成。

儘管視頻生成大模型降低了入局門檻，但想要實現一人「拍」一部劇，還需要花費大量時間和精力。