现阶段，AI生成视频通常需要“抽卡”，用户反复尝试、碰运气后，才能生成理想的结果。如何对抗生成内容的随机性，国产视频大模型厂商正努力让视频生成走向“高可控”成为可能。

清华大学人工智能研究院副院长、生数科技创始人兼首席科学家朱军演讲。图片来源：中关村论坛。

3月29日下午，在2025中关村论坛年会“未来人工智能先锋论坛”上，清华大学人工智能研究院副院长、生数科技创始人兼首席科学家朱军，现场发布业内首个高可控视频大模型Vidu Q1，称通过技术手段引入多元素控制，该模型在多主体细节可控、音效同步可控、画质增强方面取得进展，预计今年4月全球上线。

会后，朱军在接受南都等媒体采访时表示，视频的消费需求广阔，价值密度更高，商业化进程也更快。2025年将是AI（人工智能）视频商业化快速发展的一年。

朱军还提到，相比语言模型，视频模型赛道起步稍晚、不算拥挤。当前行业呈现多元竞争的格局，大概率不会出现“一家独大”的情况。未来视频模型将朝着“更可控、更好用”的方向发展。

去年4月，生数科技联合清华大学发布了国内首个长时长、高一致性、高动态性视频大模型Vidu。2025年1月，Vidu升级2.0版本，每秒单价成本降至最低4分钱，使人人可用成为可能。

AI视频生成从可用到好用，面临哪些技术门槛？朱军在主题演讲中提到，位置、运动轨迹、主体数量增加、音频同步可控，是值得关注的技术难点。

他以位置可控举例，在一个咖啡馆，服务员想把咖啡递给顾客，但杯子却飞了起来；如何让视频生成内容不会产生“乱飞”现象，这是个难题。在同一场景下，拿着咖啡的老人旁边，突然有机器人“闪现”；如何精准控制两个角色的相对位置，保持多主体一致性，也是AI视频生成领域的“老大难”问题。

2024年9月，Vidu全球率先发布“主体一致性”功能，将面部一致拓展至全身一致，范围也由人物形象扩展到动物、物体、虚拟角色等任意主体。两个月后发布Vidu 1.5模型，进一步聚焦多主体一致性的难题，开启视觉模型上下文时代。

据朱军介绍，此次发布的Vidu Q1，在多主体细节可控、音效同步可控、画质增强方面也取得了新的进展。

具体而言，在语义指令的基础上，能够通过融入参考图的视觉指令，支持对场景中角色的位置、大小、运动轨迹等属性进行更进一步的可控，并能精准调整所有动作行为，包括出场、退场、坐立姿态、行动路线等。

这意味着，用户能体验到以更低的“抽卡率”实现更高质量高可控的生成，而且还能与传统生产流程无缝衔接，基于参考稿直出视频，无需逐帧手绘，也直接跳过渲染环节。

不仅如此，这一新模型还能同步输出画面和音效。朱军现场展示的一段视频画面显示，用户可精准设置每段音频出现的时间点，如0—2秒风声，3—5秒雨声，这样既能节省时间，也可增强视频的沉浸感与感染力。

面向未来，朱军认为视频生成的发展方向广阔。一方面，可以做更丰富、更多种模态的高可控生成；另一方面，多模态技术在虚实结合、与物理世界交互等方面也具备更多可能性。

“我们的愿景是希望以视频大模型为起点，实现打通虚实结合的通用人工智能。”朱军说。

记者：目前，视频模型行业的竞争现状如何？和语言模型赛道相比，有何不同？

朱军：目前我们看到，视频生成赛道上的头部企业，大家做的东西各有特色，也都有各自的商业化路径，并没有出现像语言模型赛道非常“卷”的状态。

我觉得从长远来看，决定一家企业能走多远的因素有很多。一个关键是，团队能不能持续创新。因为不管我们今天讲这个模型有多先进，它都是一个阶段性的成果。要面向专业用户服务，如何做出更好的内容，怎么提高内容密度、效率和成本优化等，还需要不断突破。

今年我们推出Vidu2.0版本，就是要做“高质量、低成本”的视频生成，这种理念已经在行业里扎根。所以我们判断，在视频生成行业，很大概率不会出现像DeepSeek这种效率“遥遥领先”的模型。现在这个赛道，还没有到非常拥挤或者“一家独大”的局面。我们更期待视频模型变得“更可控、更好用”，让每个人都能用。

记者：当前行业融资环境如何？投资人更关心的是什么？

朱军：去年下半年，整个大模型行业的融资环境，变得更加谨慎。到了今年，融资环境整体向好。不同的阶段，投资人所看重的东西不一样。比如在早期孵化阶段，肯定更看重团队的质量。再往后期，既要看技术也要看商业化进展。

在视频生成领域，人们对视频消费的需求广阔，视频生成本身的价值密度更高，因而商业化进展也会更快，今年将是视频模型商业化快速发展的一年。

记者：在商业模式落地上，生数科技选择To B和To C两条腿走路，进展如何？

朱军：我们对C端提供的SaaS服务，目前已覆盖200多个国家和地区，上线100天内用户突破千万。对B端提供的Maas服务，我们通过API以及模型微调，也服务了大量的头部企业，涵盖动漫、广告、影视剧、泛互娱、文旅、游戏等行业。

记者：目前视频生成模型大多集中在5秒以内的短视频，这受技术能力所限还是成本问题？

朱军：我觉得主要还是成本问题。要降低成本，可以找更高性价比的算力适配，更主要的是优化算法模型的效率。在软硬件协同的逻辑下，我们持续做底层算法的优化，目前降本增效相对明显。

此外，模型大多生成5秒视频也跟用户使用习惯有关。如果要创作一分钟及以上的视频，需要写一个小故事，有完整的故事架构，而不是简单的图片生成视频。我认为，未来基座模型的能力肯定会越来越强，行业将朝着偏故事性的场景拓展，视频的时长和叙事性也会增强。

采写：南都记者李玲 发自北京

编辑：黄莉玲

更多报道请看专题：直击2025中关村论坛年会

本文作者

李玲

3.6亿

南方都市报记者

黄莉玲

1.51亿

南方都市报记者