字节跳动强势进军AI视频生成领域，多款新模型引发行业竞争加剧

在视频生成大模型赛道，又有“新玩家”强势入局。9月24日，字节跳动同一天发布两款视频生成大模型，这也是该公司正式宣告进军AI视频生成领域。从现场演示的效果来看，只需输入简单的提示词或图片，一条接近实拍的影视级的AI视频就可自动生成，并且能实现自然连贯的多拍动作和多主体复杂交互。

今年2月，OpenAI推出的视频生成大模型Sora引发市场轰动，然而Sora发布至今7个月仍未正式上线。在Sora正式开放前的窗口期，国内外厂商纷纷加快推出文生视频类的模型产品。据记者不完全统计，截至目前，快手可灵、生数科技Vidu、智谱清影、阿里通义万相视觉模型作为国产AI视频模型，逐步落地面向C端用户开放。

分析人士认为，数据、场景和用户是核心竞争要素，数据是训练高质量模型的关键，场景决定了产品的市场适应性和商业潜力。在当前视频生成大模型领域，互联网大厂或将扮演引领者的角色。

9月24日，字节跳动旗下火山引擎在深圳一举发布了两款视频生成大模型：豆包视频生成-PixelDance和豆包视频生成-Seaweed。同时，字节跳动还发布了豆包音乐大模型、同声传译模型等产品。在现场，最受关注的产品莫过于两款视频生成模型。从现场展示的视频生成效果来看，无论是语义理解能力、多个主体运动的复杂交互画面，还是多镜头切换的内容一致性，豆包视频生成大模型均表现不俗。

此前视频生成模型大多只能完成简单指令，豆包视频生成模型则能实现自然连贯的多拍动作与多主体复杂交互。有创作者在体验豆包视频生成模型时发现，其生成的视频不仅能够遵循复杂指令，让不同人物完成多个动作指令的互动，人物样貌、服装细节甚至头饰在不同运镜下也保持一致，接近实拍效果。

据火山引擎介绍，豆包视频生成模型基于DiT架构，通过高效的DiT融合计算单元，让视频在大动态与运镜中自由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。此外，豆包视频生成模型在镜头切换时能同时保持主体、风格、氛围的一致性。

事实上，今年5月，字节跳动旗下的剪辑软件剪映APP低调上线AI作图和AI视频生成功能并官宣其品牌为“即梦”，其核心功能就包括AI视频生成，但彼时其视频生成功能仍较Sora有一定差距。今年8月，字节跳动在苹果、安卓等应用商店上架“即梦AI”APP，面向用户下载使用，并上线付费会员服务。如今，字节正式宣布两款AI视频生成模型的推出，并面向企业市场开启邀测。

字节跳动有关负责人表示，目前新款豆包视频生成模型正在即梦AI内测版小范围测试，未来将逐步开放给所有用户。

值得一提的是，在字节跳动发布上述多款模型产品当日，豆包大模型最新的调用量数据也一同被公布。据火山引擎总裁谭待透露，自5月火山引擎正式发布豆包大模型以来，其日均调用量整体呈现爆发式增长。截至今年9月，豆包大模型的日均Tokens（表示和传递信息的标识符）调用量已经超过1.3万亿，在4个月的时间里Tokens整体增长超过了10倍。

除了语言模型，谭待表示豆包大模型在多模态方面也取得进展，目前豆包文生图模型日均生成图片5000万张，此外，豆包目前还日均处理语音85万小时，相当于7万天的广播节目播出时长的总和。今年5月，字节跳动发布豆包大模型后，掀起了国内大模型领域的降价潮。为了吸引更多的企业用户，降低大模型使用门槛，阿里、百度、腾讯等大模型厂商纷纷宣布对主力模型进行降价，部分厂商甚至表示轻量级模型免费对用户开放。

目前，此轮大模型价格战仍有持续之势。继5月份首次大幅降价之后，9月19日，阿里宣布阿里云百炼平台上的三款通义千问主力模型再次降价。产品的降价幅度在50%至85%之间不等。

尽管价格战激烈，阿里云智能集团首席技术官周靖人此前在接受媒体采访时认为，今天大模型的运用以及基于大模型的各种各样创新，现在还在早期的阶段，“（大模型）今天的价格不存在说已经足够低了，相对未来庞大的应用来说还是太贵了。”他表示。

在火山引擎发布会当天，谭待谈及价格战时也表示：“这样大幅的降价背后，其实大量的创新应用随之不断涌现，这也是几个行业里面模型调用量在突飞猛进的关键。其他厂商也在跟随我们的步伐，不断把模型进行降价，大家共同努力让应用的生态更加繁荣。”在谭待看来，Tokens价格已经不再是妨碍创新的阻力。反过来，随着应用的不断增多，模型性能又成为应用上量的关键。

近段时间以来，国内外AI大模型厂商密集推出迭代产品。9月13日，OpenAI正式发布新一代大模型“o1”。据介绍，“o1”大模型具备更强大的推理能力，能够解决多步骤问题，在复杂的科学、数学和编程任务方面，“能够像人类一样思考”。

而在AI视频生成大模型领域，今年2月以来，OpenAI推出的Sora引发了市场的轰动，然而截至目前Sora仍未面向公众开放。自Sora公布以来，国内外已有十多家公司发布或更新视频生成模型。今年6月6日，快手发布可灵大模型，系国内首个对标Sora的视频生成大模型产品，支持通过文生视频、图生视频、视频续写功能，生成最长2分钟、30帧的1080P高分辨率视频。

9月19日，可灵再次发布迭代的1.5模型，在画面质量、动态质量、文本响应度等方面均有大幅提升。据披露，目前已有超260万人使用过可灵AI，并累计生成超2700万个视频、5300万张图片。同样是在9月19日，阿里宣布通义万相视频生成功能上线。据介绍，通义万相视频模型支持最长5秒、每秒30帧、分辨率为720P的视频生成，并生成与画面匹配的音效，目前已开放文生视频、图生视频两个创作入口。

9月23日，美图公司宣布美图奇想大模型完成视频生成能力的升级。相关数据显示，美图奇想大模型的单次文生视频时长、单次图生视频时长均达5秒，已支持1分钟、帧率24FPS、分辨率1080P的超长视频生成，支持任意视频尺寸输出。

对于当前激烈竞争的AI视频生成领域，东吴证券分析师张良卫团队此前在研报中认为，在当前的视频生成技术竞赛中，互联网大厂很可能将扮演引领者的角色。该团队认为核心竞争要素在于数据、场景和用户。数据是训练高质量模型的关键，而场景决定了产品的市场适应性和商业潜力，互联网大厂在这三个维度均占优势。