實測國產影片生成大模型一個人「拍」一部劇？

作者／ IT時報記者沈毅斌

編輯／潘少穎孫妍

「AI生成不僅可以降低影片製作、場景搭建、妝造設計等成本和時間，也降低了入局門檻，一個人就可能拍完一部劇。」上海大學溫哥華電影學院副院長陳曉達曾向《IT時報》記者講述影片生成大模型對影視行業的影響。

今年七月，國產影片生成大模型迎來爆髮式增長。生數科技打造的影片大模型Vidu上線；智譜AI正式發佈影片生成大模型「清影」；快手可靈AI、抖音即夢AI紛紛正式上線網頁端……

在火熱的國產影片生成大模型賽道，究竟誰家效果更好，最有可能「取代」演員？《IT時報》記者選取Vidu、清影、可靈、即夢幻四款國產頭部影片生成大模型，採用統一的電影寫實設定和提示詞進行實測。

整體情況

●Vidu：頁面主體十分簡潔，左側為輸入框，可選擇文本輸入或圖片輸入。左上角的「設置」有寫實和動畫兩種生成風格，生成的影片時長為4秒和8秒。需要注意的是，8秒生成時長需要付費訂閱。右側為輸出框，用戶可以看到此前的生成記錄，並進行重新編輯，讓影片更加完善。

●清影：作為「智譜清言」的一項功能，清影位於「智能體」功能鍵中，同樣可以選擇文生影片和圖生影片。界面分為四個部分，左側是功能模塊、歷史記錄和影片預覽。右側是控制台，相比Vidu，清影擁有更豐富的參數設定，不僅可以選擇3D卡通、油畫、電影感等影片風格，還能選擇情感氛圍和運鏡方式，實現更好的畫面效果。

●可靈：除了文本輸入框，可靈還有更為詳細的參數調整，用戶可以調整生成模式、生成時長、影片比例。最具特色的是創意想像力和創意相關性調整，初始狀態參數為0.5，越靠近1與文本關聯性越強，反之越趨近0創意性越強。在運鏡方面，可靈擁有10種運鏡方式，同時還可以選擇不希望出現的內容，精準控制生成內容。

●即夢：即夢界面具備生成模式、生成時長、影片比例等多種調整功能。在右側預覽部分，可對生成影片進行延長時長、對口型、補幀、提升解像度等調整，但都屬於會員功能。即夢與可靈的區別在於運鏡調整，採用上下左右、旋轉、變焦等方式調整參數，可以更精細地調度鏡頭，同時還能控制鏡頭運動速度，達到想要效果。

場景一：城市多場景

提示詞：在未來城市中，人形機器人有的在清掃街道，有的在家為居民做早餐，還有的在商場擔任導購。

測試結果：即夢>可靈>Vidu>清影

●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秒的影片，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器人，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器人只是在行走，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」人形機器人。

●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。一個鏡頭是人形機器人用吸塵器快速清掃著街道，主體清晰背景卻十分模糊。隨著畫面的快速運動，場景也從街道轉為室內，人形機器人開始做早餐，但無論是背景還是主體，都較為模糊，尤其是人形機器人，已經發生嚴重畸變。最後進入單一場景，畫面才變得清晰，人形機器人站在鏡頭前操控著數字屏幕導購。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，多個人形機器人穿梭在街道，執行不同的任務。由於做早餐屬於室內場景，在影片中沒能體現出來。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器人突然分裂成兩個，細節還需要改進。

●即夢：從整體畫面來看，即夢生成的影片偏向3D動畫，同樣以一個場景進行展現。畫面中心是多個人形機器人利用清潔工具清掃街道；右側是一個人形機器人與人類對話，完成導購指引；旁邊的早餐鋪雖不起眼，但能看出有機器人在做早餐。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

提示詞：兩位武俠在竹林間比武，鏡頭由遠及近逐漸推至人物面部。

測試結果：清影>Vidu>可靈>即夢

●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，從影片開頭到結尾，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影片並加上旋轉鏡頭後，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。人物動作以推撞為主，不及前兩家大模型。運鏡方面，可靈生成的影片完全沒有鏡頭運動，從始至終都保持一個角度和景別，讓影片觀賞性大大減弱。

●即夢：即夢注重人物面部呈現，影片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

提示詞：一隻參加奧運會的熊貓，完成體操項目比賽。

測試結果：Vidu>可靈>即夢>清影

●Vidu：一隻與《功夫熊貓》非常相似、身著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影片。

●清影：用同一提示詞生成兩條影片後，清影沒能呈現出清晰的熊貓形象。影片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著畫面抖動。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。它對著鏡頭緩慢爬行，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。雖然整體生成影片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影片的特點，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。