2024年2月15日，OpenAI正式對外公布文生視頻大模型Sora，引得全球網(wǎng)友高呼“AI解構(gòu)真實世界的時候到了”。然而大約10個月時間過去，Sora依然只存在于PPT上，反而是亞馬遜云科技搶先OpenAI發(fā)布了Nova Reel文生視頻大模型，谷歌則面向企業(yè)用戶開放了AI視頻模型Veo。

海外互聯(lián)網(wǎng)巨頭忙于開發(fā)和布局AI生成視頻的同時，國內(nèi)互聯(lián)網(wǎng)巨頭們也沒有閑著，早前快手旗下的AI團隊就打造出了視頻生成大模型可靈，隨后清華大學與北京數(shù)生科技聯(lián)手打造了視頻生成大模型Vidu，日前騰訊公司的AI團隊也推出了混元文生視頻大模型，并在騰訊元寶App上線。

作為國內(nèi)知名度、市值最高的互聯(lián)網(wǎng)公司，騰訊在游戲、即時通信、移動支付等領(lǐng)域聲名顯赫。過去常有人質(zhì)疑騰訊的技術(shù)研發(fā)能力，如今騰訊與亞馬遜云科技、谷歌等海外互聯(lián)網(wǎng)巨頭同期拿出了視頻生成大模型，證明了自己的研發(fā)能力絲毫不弱。

不過，體驗才是判斷技術(shù)實力的最終標準，騰訊視頻生成大模型究竟好不好用，體驗過才知道。

混元視頻模型初體驗：功能多而不強

騰訊混元大模型參數(shù)量為130億，是目前參數(shù)量最大的開源視頻生成類大模型，公測期間用戶每天可以獲得4次標準和2次高品質(zhì)視頻生成機會，視頻生成長度為5秒。

單純看功能，騰訊混元文生視頻大模型比小雷之前使用過的同類產(chǎn)品都簡單易用，提供了豐富的視頻類型設置，例如比例、風格、景別、光線、鏡頭運動、流暢運鏡、豐富動作、導演模式等。然而，真的到使用階段，小雷的體驗卻一言難盡。

（圖源：騰訊元寶App截圖）

剛開始小雷并沒有給大模型上難度，以描述語“夕陽西下，少女坐在靠窗的書桌前，眼神不住地向上飄，嘴角微微上揚，似乎想起了什么值得開心的事”生成一段視頻，結(jié)果如下圖。

（圖源：騰訊混元大模型生成）

騰訊混元大模型生成的視頻畫面不錯，足夠以假亂真，只是與小雷腦補的畫面有明顯差別，白人女孩也有點“出戲”，而且書桌、窗戶等細節(jié)并沒有表現(xiàn)出來，整體令小雷有點失望。按理說，掌握了國內(nèi)頭部短視頻平臺視頻號的騰訊，擁有充足的視頻數(shù)據(jù)可用于訓練大數(shù)據(jù)，結(jié)果這個視頻給我的感覺卻是基于國外數(shù)據(jù)訓練。

隨后，小雷又以“晴朗的天空，忽然烏云密布，繼而驟然下起了暴雨，路上的行人有的慌忙跑到房檐下避雨，有的把挎包頂在頭上一路狂奔”為描述語生成了一段視頻。

（圖源：騰訊混元大模型生成）

這段視頻不細看還能接受，但若仔細看就會發(fā)現(xiàn)視頻存在明顯的漏洞，如部分人物步伐有些虛浮，不像走在地面上，右側(cè)有個紅色的包“漂”了過去，可能是AI未能成功生成提包的人。至于天氣變化未能體現(xiàn)、沒有感受到在下雨等問題，小雷已無力吐槽。

最后一輪測試，小雷選擇了中景+拉近鏡頭，并以“寧靜的海灘，滿月高懸在天空，微風吹動著海邊的椰子樹，發(fā)出嘩啦啦的聲音，一只小貓咪慵懶地躺在沙灘上，舔舐著前腿上的毛發(fā)”為描述語生成了一段視頻。

（圖源：騰訊混元大模型生成）

這個場景相對較為簡單，沒有明顯的景物變化，就人類的腦補能力來說，比上一個要容易。然而這則視頻卻暴露了騰訊混元大模型的問題，我明明設置了拉近鏡頭，可視頻沒有表現(xiàn)出鏡頭的動態(tài)變化。小雷提到的椰子樹、貓咪舔舐毛發(fā)等物體和動作，也沒有體現(xiàn)出來。這段視頻月亮和海浪細節(jié)不錯，貓咪也很真實，但終究不是我想要的結(jié)果。

為驗證大模型的一致性問題，小雷用該段描述語和鏡頭設置再次生成了一段視頻。與上一段視頻相比，貓咪有了舔舐毛發(fā)的動作，椰子樹也出現(xiàn)在畫面中，可月亮因太大產(chǎn)生了虛假感，貓咪動的時候，沙子始終沒有變化也屬于漏洞。

（圖源：騰訊混元大模型生成）

小雷翻看了騰訊混元大模型給出的范例，大多數(shù)是使用大量關(guān)鍵字描述，而非如小雷給出的自然語言，后者難度顯然更高。從實際表現(xiàn)來看，騰訊混元大模型已經(jīng)可以理解人類自然語言，并根據(jù)描述的畫面生成視頻，同一段話兩次生成的結(jié)果也較為接近，只是細節(jié)方面有待提升。

當然，騰訊混元大模型究竟達到了什么水平，還是要對比過后才能知道。因此，小雷使用Vidu和可靈兩款大模型根據(jù)第三段描述語分別生成了一段視頻。需要注意的是，這兩款視頻生成大模型雖然未提供鏡頭控制功能設置，但可以在描述語后加入中景、拉近鏡頭等詞語加以調(diào)控。

Vidu生成的視頻將小雷描述中的風吹動椰子樹、舔舐毛發(fā)、鏡頭拉近都完美展現(xiàn)，與小雷腦補的畫面較為接近。美中不足的是，這段視頻中的月亮過于明亮，搭配湛藍的整體色調(diào)，更像早上太陽初升的時間，沙灘則過于平整，沒有任何沙子的感覺。

（圖源：Vidu生成）

可靈生成的視頻在小雷看來是這幾個視頻中最符合預期的，海浪、風吹動椰子樹、舔舐毛發(fā)等細節(jié)都有，還加入了虛化和鏡頭拉近效果，影子的細膩變化更是驚喜。問題在于該視頻依然存在細節(jié)方面的問題，沒有表現(xiàn)出滿月，更像是白天。

（圖源：可靈生成）

另外兩段描述語，小雷也用Vidu和可靈進行了測試，限于篇幅問題，不再一一展示。總而言之，現(xiàn)階段視頻生成類大模型均已具備理解自然語言的能力，但面對較為復雜的場景，依然會存在諸多漏洞，而在相對簡單的場景下，Vidu、可靈等“老牌”視頻生成模型的表現(xiàn)略好，細節(jié)漏洞少一些，騰訊混元大模型仍有較大進步空間。

混元視頻大模型未來可期，但要騰訊足夠重視

從0到1的難度，可能比從1到2高得多，摸著石頭過河的混元大模型在易用性、功能性方面更勝一籌，但AI大模型不同于其他行業(yè)，不但需要前人引路，還需要技術(shù)積累、算力規(guī)模、訓練數(shù)據(jù)。

擁有騰訊作為后盾，混元大模型不缺財力，可算力需要大量GPU和AI計算卡，更何況當前AI公司都在爭奪GPU和AI計算卡的產(chǎn)能，哪怕騰訊不缺錢，也需要時間堆算力、程序員優(yōu)化算法、大量數(shù)據(jù)用于訓練。Vidu和可靈已升級至1.5版本，除了文生視頻，還支持圖片生成視頻，剛誕生不久的混元文生視頻大模型略顯稚嫩，生成的視頻質(zhì)量有一定的差距。

（圖源：mockup套殼）

好在，混元大模型背后畢竟是國內(nèi)互聯(lián)網(wǎng)行業(yè)霸主騰訊，在騰訊技術(shù)團隊和資金的支持下，相信混元大模型能夠以極快的速度成長。

從騰訊、亞馬遜云科技、谷歌等企業(yè)的表現(xiàn)來看，2025年會是全球視頻生成大模型爆發(fā)的一年，AI生成視頻的長度也將從數(shù)秒提升至分鐘級，如亞馬遜云科技的Nova Reel即將支持生成長達2分鐘的視頻。

與AI生成圖文相比，生成視頻才能徹底解放想象力，將我們大腦中的想法和腦補的畫面轉(zhuǎn)化成現(xiàn)實。還有無數(shù)的網(wǎng)絡小說作家，希望能夠通過AI將小說轉(zhuǎn)化成動畫或真人視頻。一旦AI生成視頻技術(shù)成熟，全球文娛產(chǎn)業(yè)將遭遇前所未有的變局。

視頻生成大模型正井噴式涌現(xiàn)，2025年或?qū)⒊蔀椤耙曨l生成大模型元年”，也是決定相關(guān)企業(yè)成敗的關(guān)鍵一年。從可靈、Vidu到騰訊混元大模型，國內(nèi)企業(yè)已及時入場，把握到了新時代的機遇。能否在新時代引領(lǐng)全球視頻生成大模型行業(yè)，或許很快就能見分曉。