11月底就被“劇透”的騰訊混元大模型文生視頻功能，在12月3日正式上線。目前該模型已上線騰訊元寶App，用戶可在AI應用中的“AI視頻”板塊申請試用，企業客戶通過騰訊云提供服務接入，目前API（應用程序編程接口）同步開放內測申請。自OpenAI發布Sora，國內外的視頻生成式大模型輪番搶鏡，在國內快手和字節跳動正面交鋒，阿里云、MiniMax、美圖等也有備而來，和同行相比，騰訊混元不算快節奏。

在提示框輸入一段描述，就可以生成一段視頻，從使用流程看，騰訊混元大模型的文生視頻功能和類似產品無異。在這部分，混元給用戶提供了轉場視頻、多動作視頻、超寫實視頻三種靈感提示。

記者體驗發現，用戶可以選擇寫實、動畫、電影、黑白、賽博朋克五種視頻風格及五種比例。高級指令部分的選擇更多，包括景別、光線、鏡頭運動等，其中景別包括特寫、近景等五種，鏡頭運動包括固定鏡頭、手持攝影、拉近鏡頭等14種。

根據騰訊提供的評測報告，騰訊混元視頻生成模型與國內兩個同類模型的持續時間都是5秒，在文本對齊方面的得分分別是61.8%、62.6%、60.1%，運動質量方面分別是66.5%、61.7%、62.9%，視覺質量方面分別是95.7%、95.6%、97.7%。和GENN-3 alpha（Web）相比，騰訊混元視頻生成模型的持續時間少一秒，文本對齊高14.1個百分點，運動質量高11.8個百分點，視覺質量持平。

騰訊混元多模態生成技術負責人凱撒介紹，混元基于跟Sora類似的DiT架構，在架構設計上進行了升級。混元視頻生成模型適配新一代文本編碼器提升語義遵循，其語義跟隨能力可以更好地應對多個主體描繪，實現更細致的指令和畫面呈現；采用統一的全注意力機制，使每幀視頻的銜接更流暢，實現主體一致的多視角鏡頭切換；通過圖像視頻混合VAE（3D變分編碼器），讓模型在細節表現有明顯提升，特別是小人臉、高速鏡頭等場景。

當天，騰訊宣布開源該視頻生成大模型，該模型已在Hugging Face平臺及Github上發布，包含模型權重、推理代碼、模型算法等完整模型，企業與個人開發者可免費使用和開發生態插件。目前，騰訊混元已開源旗下文生文、文生圖和3D生成大模型。

對于為何選在此時上線文生視頻功能，凱撒的回答是：“一個月前我們訓練完了，現在上線水到渠成。”業內人士更關心的是，該功能和同行相差的幾個月時間差對騰訊的壓力，“視頻生成的成熟度還沒有到外界想象得那么高，現階段還是要自己做技術打磨”，凱撒說。

在和記者交流時，比達分析師李錦清表示，“文生視頻的實現難度更高，但商業空間更大，短期內競爭門檻不會馬上建立，行業和企業有共性或特性的問題要解決，比如數據就是個檻”。

根據GIR(GlobalInfo Research)調研，2023年全球文生視頻大模型收入大約720萬美元，預計2030年達到22.19億美元，2024－2030年期間，年復合增長率CAGR有望達到56.6%。

記者 魏蔚