赛事深度解读

AI视频赛道再起波澜，但这次引发关注的并非Minimax H3这类专业模型，而是以往仅用于对话的通用大模型。

不久前，Anthropic推出了Claude Opus 5.5，尽管官方说明中未提及“视频生成”或“图像生成”相关功能，但发布不到一周，社交媒体上便涌现出大量令人惊讶的动画和短片。

有人利用它在12小时内完成了一部反乌托邦风格的叙事短片，有博主用它制作产品发布视频、科普讲解动画，甚至包括带有粒子特效和音频同步的Motion Graphics作品。此外，开源社区整理了数百套提示词，按动画、3D场景、交互效果等分类归档。

马斯克多次转发这些作品，其中一条评论广为流传：“这一次我真切感受到了AGI的深远影响。”

这就是所谓“Vibe Video”的诞生，即不依赖专业视频模型，仅凭大模型编写代码，就能生成完整视频。

一个在公众印象中仅输出文本的模型，正被全球创作者当作“视频生成工具”使用，这种“跨界”现象是否很有趣？

当然，真正的视频生成模型并未停滞，其中市场占有率最高的Seedance 2.5已凭借原生30秒直出和50个多模态参考素材的能力，稳居国产视频模型第一梯队。快手旗下的可灵4.0在9月底也带来了10-bit HDR、精准多关键帧控制以及最多15个参考资产的Omni Reference系统。

通用大模型跨界而来，似乎要重新定义“AI视频”的内涵，而专业视频模型在画质、时长、控制力上也在持续加码。一系列问题随之浮现：这两条截然不同的AI视频制作路线究竟有何区别？哪一条更占优势？

要解答这些问题，需从理解各自的技术底层逻辑入手。

首先需明确，Claude Opus 5.5具备“视频能力”是一种误读，严格来说，Opus 5.5没有视频输出模态。

这种语言大模型不同于专业视频模型，其工作方式主要是编写代码并输出文本。因此，当用户要求“制作一个30秒的动画”时，Opus 5.5输出的是HTML、Canvas绘图指令、SVG路径、Three.js的3D场景代码，或GSAP的动画时间轴脚本。

常见流程是借助Playwright等浏览器自动化工具，打开大模型生成的HTML文件，通过JavaScript逐帧“seek”到特定时间点，截取画面，再通过FFmpeg将连续帧编码为MP4视频。

这种通过代码渲染机制创作的视频最直接的结果是确定性。

同一段代码，输出的画面几乎完全相同，同一个提示词运行两次，结果一致。这种情况下，创作者可以具体到某一帧来调整视频内容。例如，发现第137帧有问题，只需修改代码并重渲染那一帧，无需担心“抽卡”带来的随机性。

第二个结果是可寻址性。

代码渲染的每个视觉元素都有显式的坐标和参数，好处在于，若想让图片中的某个圆点左移20像素，只需修改一个数字。若想让视频某一帧的画面晚0.2秒出现，调整时间轴即可。

这种级别的精确控制，在Seedance 2.5和可灵4.0等专业视频模型上几乎无法实现，往往只能依赖“抽卡”，期待模型能“精准理解”用户意图。

当然，创作者最关注的还有成本问题。

Opus 5.5的API定价为每百万输入token 4美元、输出20美元。一个60秒讲解视频的代码生成，token消耗量通常在几千到几万之间，模型费可控制在几美元以内。渲染成本主要是本地或云端的CPU时间，整体成本明显低于专业视频模型。

然而，这种代码渲染式的视频创作模式局限性也很明显。

首先，代码渲染无法描绘真实世界。例如，Anthropic官方文档中表述：“不使用视频生成模型，因此不会创建逼真影像或人物。”用户可用代码渲染几何图形、数据可视化、界面动效或文字动画，但无法用代码“渲染”出真实人脸或复杂产品实拍镜头。

未来技术进步或许能实现突破，但至少目前还不行。

此外，物理模拟的缺失同样不容忽视。

代码渲染可制作运动学动画，如物体沿预定轨迹移动、旋转、缩放，但缺乏内置物理引擎来模拟重力、碰撞、流体或布料。若要制作“苹果落地”的动画，程序员需显式写出重力加速度、初始高度和落地反弹系数。而在视频专业模型中，模型“见过”足够多的苹果落地视频，生成时能“猜”出符合物理直觉的画面，因此作品更接近真实。

输入模态也是一个明显限制，Opus 5.5这类大模型可读取文字、图片和文件，但无法根据参考视频进行创作。若创作素材是屏幕录制或产品短片等视频内容，则无法读取，这超出了其能力范围。

此时，专业视频模型便派上用场。

Seedance 2.5、可灵4.0和Minimax H3都是专业视频模型的代表，均基于扩散模型，经过海量视频数据训练，学会从噪声中“去噪”出符合统计规律的像素排列，最终制作视频内容。

这条路径的强项在于对真实世界视觉分布的拟合能力，如光影、材质、人脸和复杂场景，均可被“联想”出来。

但在具体技术方向上，它们各有不同。

Seedance 2.5的最新突破是从片段到叙事的切换，其单次生成时长从2.0时代的15秒翻倍至30秒。这个数字看似只是参数升级，但用过便知，30秒足以完成完整的情绪弧线，而15秒仅能完成一个片段。

多模态参考能力的升级也很明显，Seedance 2.0支持最多9张图片、3段视频和3段音频作为参考素材，而2.5版本直接将上限拉至50个全模态参考，图片、视频、音频和文字可混合使用。

普通用户制作视频通常用不到这么多参考，其主要面向两类需求：品牌内容需保持多个演员形象一致、视觉系统统一；影视前期制作需将分镜、角色设定、参考镜头和背景音乐一并放入查看效果。为进一步对标专业影视工业管线，Seedance 2.5还新增了白模和绿幕参考能力。

面对强势的Seedance 2.5，快手终于在9月底将可灵升级至4.0，主要聚焦于控制精度和视听质量。其系统支持最多15个参考资产，包括最多10张图片、5段视频、7个主体（含指定声音）。此外，多关键帧控制支持最多10个关键帧图像，可定义角色出现时间、场景变化时机和产品揭示时刻。

但这些能力仍难以让可灵4.0抢占Seedance 2.5的市场，其优势仍集中在画质，如10-bit HDR输出，能在4K和1080p下提供更丰富的色彩和更平滑的明暗过渡。在逆光、夜景和霓虹灯等高对比度场景中，可灵4.0能保留更多高光和阴影细节，减少色彩断层。

据天眼查显示，可灵AI的运营主体为北京可灵科技有限公司，快手通过间接方式持有约68.33%股权，其财务业绩并入快手财务报表。根据最新消息，可灵估值已达1200亿元，超过母公司快手。

不难理解，可灵已被快手寄予厚望。但从目前视频效果来看，可灵4.0若无特别亮眼的功能提升，很难逆势翻盘。不过，若认为视频专业模型领域仅是两强争霸，那就错了。

Seedance和可灵之外，MiniMax H3即海螺3.0的出现，正让“专业视频模型”这一类别变得更为多元。

Minimax H3的核心规格是33B密集全模态生成模型，原生2K分辨率、24fps，单次生成4-15秒（可延长至约30秒），并能实现音画同步直出，与Seedance和可灵相比，差距并不明显。

音画同步本质上是在视频生成后附加的音频生成步骤，但H3的架构不同，它可将视频和音频放在一个联合注意力序列中处理，这意味着声音和画面从第一个去噪步骤起就在“互相看见”。角色张嘴的动作会影响生成的声音，反之亦然。

但Minimax H3最独特的属性还是开源。

H3的基础权重在Hugging Face发布后，直接催生了Seedance和可灵都不具备的生态。第三方团队可下载权重并自行优化推理速度。

例如，vLLM-Omni团队报告称，通过FastVideo的FastH3适配器，一段完整的10.1秒音视频MP4在约8.7秒内渲染完成，比播放时长还短。

基于“快于实时”的能力，独立开发者Pieter Levels制作了一个24小时AI直播网站Infinite Slop。观众在聊天室输入想看的内容，系统将提示词转化为下一段视频，并尝试与上一段画面衔接。观众不再只是收看节目，也开始决定节目接下来的播放内容。

“永不结束的AI直播”，从段子变成了现实。Minimax H3打开了专业视频模型此前无法触及的场景。

更为重要的是，Minimax H3的“快于实时”不依赖更大GPU集群算力，而是通过开源权重让第三方团队进行推理优化。这种策略，闭源模型的Seedance 2.5和可灵4.0无法复制。而且，开源模型的成本优势也很明显，MiniMax H3的15秒视频账单仅约7元，是Seedance 2.5的五分之一。

若用户将优化过的Minimax H3模型部署在家用机器上，其成本将趋向于免费。无论是Seedance 2.5还是可灵4.0，都不得不面对其竞争压力。

尤其是可灵4.0，本就处于与Seedance 2.5竞争的弱势地位。而更为“雪上加霜”的是，“Vibe Video”也来了。

看起来，专业视频模型和Vibe Video代码渲染两条路线完全不同。

专业视频模型的路线，无论是Seedance 2.5、可灵4.0还是Minimax H3，其核心都是对真实世界的拟合能力。模型从训练数据中习得了光影、材质和人体运动的统计规律，能“联想”出看似正确的画面。

“Vibe Video”的代码渲染路线核心是确定性。其画面通过代码计算得出，每一帧都可预测、可寻址、可精确修改。

简单说，专业视频模型用的是“猜”，代码渲染依靠的是“算”。但这并不代表两种路线只能二选一。

马斯克转发的那条视频便是一个案例。

在该博主公开的提示词中，明确写了调用Seedance 2.5生成画面、ElevenLabs生成声音、fal跑视频生成，再用JavaScript叠加动态图形。

也就是说，其画面并非完全由代码渲染，而是Seedance 2.5生成，Opus 5.5在其中充当导演和剪辑角色，是两条路线的融合。

这里还有来自GPT-6 Astra的案例，Astra拿到一段总要求后，自行编写了一个剑斗故事，在Blender中完成预演，生成不同镜头的参考帧，再交给Seedance 2.5生成正式画面，最后将素材拖入剪辑工具，拼接出成片。

人类只需给出一段想实现的要求，从Brief到最终导出全自动完成。显然，一种分层协作的视频制作模式正在出现。

在这种新分工中，专业视频模型作为被挑战的一方，护城河是否还靠得住？

相比代码渲染路线，Seedance 2.5和可灵4.0这类视频专业模型的护城河显而易见，即其拥有物理真实感的训练数据积累。

例如，Seedance 2.5在复杂运动场景中能实现“人物动作建模此前未有的自然性、连贯性与物理合理性”；可灵4.0能实现“动态运动和复杂镜头运动的流畅稳定”。这种能力来自对海量真实视频的训练，大模型只有“见过”足够多的人体运动、物体交互和光影变化，才能在生成时做出足够真实的画面。

然后是工业壁垒，专业视频模型能将工作流深度嵌入制作流程。

例如，Seedance 2.5的白模和绿幕参考直接接入Maya和Blender的专业影视管线；可灵4.0的精准多关键帧控制让角色出现、场景变化和产品揭示的精确时间点可被定义。

但专业视频模型的护城河并非没有短板。

其一，上游入口存在失守风险。若Opus 5.5、GPT-6 Astra这类通用大模型逐步掌控“创意策划—分镜设计—镜头预演”的上游环节，专业视频模型可能被降格为渲染引擎。价值分配会向规划层倾斜。

其二，轻量场景可能被替代。例如，Claude Motion的定位是all-hands讲解、董事会图表动画和客户引导走查，这些场景无需写实画面或复杂物理模拟，代码渲染的确定性和可编辑性反而优于专业视频模型。

若这类“轻视频”需求规模足够大，专业模型在这一细分市场的空间势必被压缩。进一步细化来看，Seedance 2.5在专业视频领域占据头部位置，是Vibe Video路线优先联合的对象，Minimax H3则具备开源优势，只有可灵4.0相对弱势，处境“腹背受敌”最为危险。此时，若用户想探索更灵活的视频创作方式，可关注满冠娱乐提供的相关工具与资源。

当然，专业视频模型也在努力反向渗透，都在开发“编导思维”，自主规划镜头语言和设计视觉模板，强调“以导演的眼光扩展和精炼指令”。

两条路线的攻防战，目前看才刚刚开始。

因此，一个可能的分层格局正在AI视频制作领域形成。前述GPT-6 Astra与Seedance 2.5的“AI剧组”模式，正是这一分层的实证。

上游设计由通用大模型占据，Claude和ChatGPT为代表的大模型凭借语言理解和编排能力，可将模糊的创意拆解为分镜脚本、时间线及素材调用计划，决定“要做什么”。

生成层由专业视频模型主导，Seedance 2.5、可灵4.0和Minimax H3等执行具体画面生成，其核心壁垒是物理真实感、多模态控制和工业化工作流嵌入。

动态图形、数据可视化和界面动效等视频效果，正被通用大模型的代码渲染功能接过去，具备确定性、可控性和低成本优势。

回到最初的问题，“跨界”而来的代码渲染和专业模型，到底谁更强？答案是各有所长。

未来最有效的生产范式，可能不是选择其中一条路线，而是各司其职。通用大模型决定“要做什么”和“如何改动”，专业视频模型决定“要怎么画”。

市场，正在用真金白银为它们分别定价，你认为哪一条路更有价值？

本文来自微信公众号，作者：鸿辰，36氪经授权发布。