金磊 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

開年第一個(gè)月，國(guó)產(chǎn)AI真的是卷沒邊兒了。

這不，AI視頻生成圈又新鮮出爐了個(gè)大的——

全球首個(gè)支持一口氣生成16秒音視頻直出的AI！

然后啊，我反手就做一個(gè)真人版《火影忍者》第四次忍界大戰(zhàn)的名場(chǎng)面，請(qǐng)欣賞：

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

如何？是不是從畫面到臺(tái)詞再到音效，都有原版日漫的那個(gè)味道了？

而制作這部真人劇背后的模型，正是生數(shù)科技新鮮出爐的Vidu Q3。

在體驗(yàn)一番下來，最大的感受就是全自動(dòng)：

• 視頻和音頻是一次性一鍋出的
• 運(yùn)鏡和轉(zhuǎn)場(chǎng)是自由切換一步到位的
• 文字和圖片都能生成音視頻的
• 清晰度是支持1080P的（生成后可提升至4K）
• 敘事能力是完整的、文字渲染是精準(zhǔn)的

在語言上，這次Vidu Q3還同時(shí)支持中文、英文和日文等多種。

有點(diǎn)意思，著實(shí)有點(diǎn)意思。

而且Vidu Q3這次的實(shí)力也是得到了國(guó)際權(quán)威AI基準(zhǔn)測(cè)試機(jī)構(gòu)Artificial Analysis的認(rèn)證。

在最新的榜單中，Vidu Q3 排名中國(guó)第一，全球第二；與之同臺(tái)競(jìng)技的選手包括馬斯克xAI Grok，超越Runway Gen-4.5、Google Veo3.1和OpenAI Sora 2。

如此好玩的新AI，老規(guī)矩，一波深度實(shí)測(cè)，走起~

拍劇嗎？一張圖就夠了

首先在操作上，我們?cè)趫D生視頻頁(yè)面中，需要先選擇“Vidu Q3”這個(gè)模型，可以一口氣出1-4個(gè)視頻。

在上傳首幀圖片、輸入對(duì)應(yīng)提示詞后，我們還可以選擇生成視頻的秒數(shù)，從1秒到16秒都可以。

接下來，我們用圖生音視頻的方式，一次性生成一段主播連麥對(duì)話的視頻，首幀和Prompt如下：

請(qǐng)欣賞效果：

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

有一說一，冷不丁一看，還真像是從真實(shí)連麥視頻錄像中截出來的一段惡搞片段。

不僅一次性16秒的音視頻可以直出，而且臺(tái)詞和演繹的效果吻合Prompt的要求。

更讓人意外的是，Vidu Q3似乎是識(shí)別到了直播場(chǎng)景，在Prompt沒有提示的情況下，自動(dòng)讓彈幕動(dòng)了起來。

用類似的方式，我們?cè)賮硗鎮(zhèn)€有意思的。

假設(shè)有個(gè)短劇的場(chǎng)景是這樣：一位年輕女性正在綜藝節(jié)目當(dāng)導(dǎo)師，點(diǎn)評(píng)參賽選手的演技，需要犀利且憤怒的銳評(píng)。

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

嗯，這個(gè)演技，臺(tái)詞的憤怒和表情是恰到好處地對(duì)上了；不說是AI，都可以拿去以假亂真了。

看完現(xiàn)代憤怒的短劇，接下來，我們?cè)賮韲L試一下苦情的古裝電視劇。

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

AI的演技依舊是相當(dāng)?shù)轿唬?xì)節(jié)的是，像風(fēng)聲、抽泣聲，還有抬手、摸臉的音效，都是AI在理解場(chǎng)景后自己補(bǔ)上去的，細(xì)節(jié)可謂是拉滿了。

最后，我上一下難度，測(cè)試一下Vidu Q3在16秒內(nèi)一次性轉(zhuǎn)場(chǎng)、換鏡頭的絲滑程度。

首幀圖片和Prompt如下：

稍等片刻后，我們就得到了這樣的結(jié)果：

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

同樣是有點(diǎn)小驚喜，Vidu Q3在穩(wěn)穩(wěn)按照Prompt換場(chǎng)之后，自行補(bǔ)加了背景的閃電，以及仰視惡龍的角度等細(xì)節(jié)。

由此可見，現(xiàn)在Vidu Q3，不論是視覺效果亦或是理解意圖的能力，都已經(jīng)是幾乎可以達(dá)到“為劇而生”的程度。

為劇而生，一句話也能直出高清音視頻

除了圖生音視頻之外，Vidu Q3其實(shí)用只用自然語言也能做到相似的效果。

同樣是支持1-16秒的時(shí)長(zhǎng)，在文生音視頻的界面中，還多出了寬高比的選項(xiàng)，包含16:9、9:16、1:1、4:3和3:4五個(gè)比例。

這一次，我們以3D皮克斯風(fēng)格，只用Prompt的方式生成英文動(dòng)畫片，涵蓋鏡頭切換：

• 皮克斯3d動(dòng)畫風(fēng)格。
• 分鏡一（中景/側(cè)面視角）：溫暖明亮的背景中，傳來衣物摩擦的沙沙聲，右側(cè)成年人緩緩蹲下，與左側(cè)小男孩平視。他溫和地說：“I know you’re disappointed, buddy. I really am sorry.”手勢(shì)略微比劃，鏡頭側(cè)拍捕捉著兩人之間微妙的距離感。
• 分鏡二（大人視角/小男孩特寫）：鏡頭轉(zhuǎn)到成年人身后，對(duì)準(zhǔn)小男孩的臉。他眼神低垂，嘴角微微下撇，肩膀無力地聳著。背景音樂漸弱，只聽見他一聲極輕的、壓抑的吸鼻子聲。鏡頭緩緩?fù)平尘叭峄?，將失望與無奈的情緒張力拉滿。

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

嗯，整個(gè)劇情都是穩(wěn)穩(wěn)地按照Prompt指示來展開。

3D皮克斯能拿捏，國(guó)產(chǎn)修仙動(dòng)漫定然也是可以直接復(fù)用，類似的分鏡，我們只需稍加修改一下場(chǎng)景和臺(tái)詞即可：

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

由此可見，不同風(fēng)格短劇、漫劇、影視劇的“遷移學(xué)習(xí)”、批量生產(chǎn)，在Vidu Q3這里是行得通的。

除此之外，Vidu Q3的文生音視頻還有個(gè)好玩且實(shí)用的用法——渲染文字。

因?yàn)楫嬅嬷械奈淖郑ńㄖ?、背景等）渲染得好，才能省去后期二次加工所帶來的麻煩，真正做到一次性出片?/p>

實(shí)測(cè)的Prompt可以是這樣的：

• 伴隨著緊張的電子鼓點(diǎn)，《黑客帝國(guó)》風(fēng)格的“0”和“1”數(shù)字鋪滿屏幕，瞬間形成“Vidu”的字樣。細(xì)節(jié)豐富，質(zhì)感飽滿，極具視覺沖擊力。

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

• 芭提雅的沙灘邊上，面向大海，陽光明媚，背景音樂輕快。海上的天空有一個(gè)直升機(jī)拉著橫幅飛過。橫幅上有“快來玩Vidu”的字樣。

視頻地址：https://mp.weixin.qq.com/s/2jhBB2XdOjxJQ5GnTaM_VA

總而言之，不同比例、不同風(fēng)格，不論是人物、場(chǎng)景亦或是文字素材，Vidu Q3幾乎是能夠到影視作品的門檻了。

進(jìn)擊的AI視頻生成

最后，讓我們跳出具體的案例，把目光投向整個(gè)行業(yè)的時(shí)間軸。

自從AI視頻生成走進(jìn)大眾視線以來，毫不夸張地說，它每次的進(jìn)化都給人帶來不小的驚喜；這種震撼感，或許在某種程度上源于一種歷史的壓縮。

回看人類電影史，從盧米埃爾兄弟1895年放映《火車進(jìn)站》（默片），到1927年第一部有聲電影問世，人類整整走了32年。

而在AI視頻生成領(lǐng)域，從Sora引爆“默片時(shí)代”的視覺震撼，到業(yè)界有聲視頻直出，這段路程僅用了不到9個(gè)月。

在Sora 2之前，視頻生成模型的競(jìng)爭(zhēng)維度，主要還停留在畫面的物理一致性、光影質(zhì)感以及運(yùn)動(dòng)幅度上。

那時(shí)候的AI視頻，就像是一個(gè)畫面精美但失語的啞巴，聲音往往需要后期單獨(dú)配音或通過其他工具對(duì)口型，割裂感在所難免。

但音視頻直出的出現(xiàn)，標(biāo)志著競(jìng)爭(zhēng)維度的升維：從單一的視覺生成，進(jìn)化到了音視頻原生的多模態(tài)融合。

它證明了在統(tǒng)一的模型架構(gòu)下，AI不僅能理解物理世界的運(yùn)動(dòng)規(guī)律，還能理解聲音與畫面之間微妙的時(shí)序關(guān)聯(lián)。這種腦補(bǔ)能力，已經(jīng)從單純的生成畫面，進(jìn)化到了導(dǎo)戲。

而Vidu Q3的出現(xiàn)，讓這種能力得到了更好地延伸：更長(zhǎng)、更穩(wěn)、更連貫。

尤其是它在16秒時(shí)長(zhǎng)內(nèi)能做到一鏡到底，可以說是讓AI真正具備了完整的敘事能力的短片雛形。

當(dāng)音視頻對(duì)齊不再是難題，當(dāng)多語言表達(dá)變得輕而易舉，我們有理由相信，AI視頻生成的下一個(gè)“啊哈 Moment”，或許比我們想象中來得還要快。

畢竟在AI的世界里，一天真的能當(dāng)一年用。

最后，附上一點(diǎn)小福利：

量子位邀請(qǐng)碼 LZW2，登陸Vidu.cn注冊(cè)，即送500積分，快來體驗(yàn)Vidu Q3最新功能！

Vidu Q3體驗(yàn)地址：
https://www.vidu.cn

Vidu API地址：
https://platform.vidu.cn