智東西
作者 江宇
編輯 漠影

智東西1月30日?qǐng)?bào)道，今日，來(lái)自生數(shù)科技的AI視頻模型Vidu Q3 Pro登上國(guó)際權(quán)威AI基準(zhǔn)平臺(tái)Artificial Analysis榜單，位列中國(guó)第一，全球第二。

這是最新榜單內(nèi)，首個(gè)打入國(guó)際第一梯隊(duì)的國(guó)產(chǎn)視頻生成模型。

它僅次于馬斯克旗下xAI的Grok，領(lǐng)先于Runway Gen-4.5、Google Veo 3.1和OpenAI Sora 2。

▲國(guó)際權(quán)威AI基準(zhǔn)平臺(tái)Artificial Analysis最新榜單

而這項(xiàng)排名的背后，是國(guó)產(chǎn)AI視頻生成技術(shù)邁出的關(guān)鍵一步——模型已經(jīng)突破“能出畫(huà)”的門(mén)檻，具備“會(huì)講故事的導(dǎo)演感”。

在這個(gè)人人都能把文字變成視頻的階段，看似創(chuàng)作門(mén)檻降低了，真正想做出一條有情緒、有節(jié)奏、有表達(dá)的短片，卻依然難度不小。

最常見(jiàn)的問(wèn)題有三：

一是靜音啞片，不能同步輸出聲音，畫(huà)面與音效相對(duì)割裂；

二是鏡頭語(yǔ)言單一、節(jié)奏缺失，難以表達(dá)復(fù)雜情緒；

三是文字缺席，沒(méi)有文字，臺(tái)詞、字幕、廣告語(yǔ)全靠后期補(bǔ)救。

它們分別卡在AI生成視頻環(huán)節(jié)的不同節(jié)點(diǎn)，直接限制了AI視頻模型從生成工具走向內(nèi)容創(chuàng)作引擎的能力。

如今，這個(gè)缺口正被Vidu Q3填補(bǔ)。新一代視頻生成模型Vidu Q3，完成了三項(xiàng)關(guān)鍵突破：全球首個(gè)支持16s音視頻直出的模型、鏡頭自由切換控制、畫(huà)面內(nèi)精準(zhǔn)文字渲染——聲音、鏡頭、語(yǔ)言三者齊發(fā)。

它不僅能講出完整的臺(tái)詞、控制好節(jié)奏，還能直接在畫(huà)面中“寫(xiě)”下表達(dá)，具備導(dǎo)演級(jí)的調(diào)度能力，專(zhuān)門(mén)為“劇”而生。

自此，一款具備“導(dǎo)演感”的AI視頻生成模型來(lái)了。

一、從“生成視頻”到“調(diào)度鏡頭”，三塊短板正被補(bǔ)上

對(duì)很多AI視頻創(chuàng)作者來(lái)說(shuō)，“把畫(huà)面做出來(lái)”已經(jīng)不是問(wèn)題，難的是“怎么讓它講得通順、看得下去”。

這次，Vidu Q3升級(jí)為一款將聲音、鏡頭、節(jié)奏與字體渲染打包生成的創(chuàng)作引擎，具備更接近專(zhuān)業(yè)導(dǎo)演的視聽(tīng)表達(dá)能力，開(kāi)始補(bǔ)上AI視頻創(chuàng)作長(zhǎng)期缺失的三塊關(guān)鍵能力：

首先，是音畫(huà)同步這一技術(shù)難題的突破，讓AI視頻終于能“講完整的話(huà)”了。

Vidu Q3支持最長(zhǎng)16秒的音視頻一體生成，語(yǔ)音、旁白、對(duì)話(huà)、音效和音樂(lè)可以同步輸出，還能精準(zhǔn)對(duì)口型。

目前，該模型已覆蓋中文、英文、日文，是全球首個(gè)在這一時(shí)長(zhǎng)內(nèi)實(shí)現(xiàn)高質(zhì)量聲畫(huà)同出的生成模型。

其次，鏡頭調(diào)度不再呆板，開(kāi)始具備戲劇張力。

Vidu Q3能夠根據(jù)內(nèi)容自動(dòng)切換鏡頭視角，從遠(yuǎn)景到特寫(xiě)，不同情緒、動(dòng)作、節(jié)奏的變化都能驅(qū)動(dòng)鏡頭語(yǔ)言的調(diào)整，模擬專(zhuān)業(yè)導(dǎo)演的調(diào)度方式，讓AI生成的故事更有視覺(jué)語(yǔ)言，而不只是“畫(huà)在動(dòng)”。

最后，長(zhǎng)久困擾生成視頻的文字渲染問(wèn)題也得到解決。

Vidu Q3可直接在畫(huà)面中生成中、英、日三種語(yǔ)言的文字內(nèi)容，支持廣告語(yǔ)、環(huán)境標(biāo)識(shí)等多種文字場(chǎng)景自然融入畫(huà)面，無(wú)需再靠貼圖拼接，整體排版風(fēng)格統(tǒng)一，省去了大量后期工作。

當(dāng)這三塊短板被補(bǔ)上后，AI視頻的表達(dá)力開(kāi)始具備“講故事”的能力，而不再只是片段的拼貼。

二、實(shí)測(cè)體驗(yàn)：我們讓AI“導(dǎo)”了一支16秒短片

我們?cè)O(shè)定了一個(gè)國(guó)漫風(fēng)格的創(chuàng)意場(chǎng)景，測(cè)試Vidu Q3是否能夠在“導(dǎo)演視角”下同時(shí)調(diào)度語(yǔ)音、鏡頭與畫(huà)面文字。

提示詞：深山竹林中，一男一女兩位劍客正在對(duì)峙。男性劍客（聲音沉緩）：“真的沒(méi)有挽回的余地了嗎？”鏡頭切至女性劍客特寫(xiě)，她一身紅衣，嘴角挑起一抹不屑的冷笑。女性劍客（語(yǔ)氣桀驁）：“你我二人早已恩斷義絕，看招！”她身形如閃電般竄出，兩人劍光交錯(cuò)，招式行云流水，劍刃碰撞的清脆錚鳴與古風(fēng)鼓點(diǎn)交織，在竹林間激蕩出凌厲的交鋒節(jié)奏。背景疊加古風(fēng)氛圍音樂(lè)以及冷兵器碰撞摩擦的聲音。

整體觀感上，本次生成節(jié)奏自然，鏡頭切換清晰，角色對(duì)白與口型匹配度較高，畫(huà)面構(gòu)圖和氛圍也較為協(xié)調(diào)，基本還原了古風(fēng)劍客對(duì)峙的場(chǎng)景。

進(jìn)一步觀察細(xì)節(jié)，不同鏡頭間的切換能夠精準(zhǔn)對(duì)應(yīng)動(dòng)作轉(zhuǎn)換節(jié)點(diǎn)，劍光交錯(cuò)、人物移動(dòng)與鏡頭運(yùn)轉(zhuǎn)的節(jié)奏保持一致，未出現(xiàn)跳幀、錯(cuò)位等干擾體驗(yàn)的問(wèn)題。

背景音樂(lè)層次分明，冷兵器碰撞聲與角色臺(tái)詞均有良好呈現(xiàn)。

在實(shí)際生成過(guò)程中，出片效率較高，畫(huà)面渲染穩(wěn)定，交互過(guò)程清晰。用戶(hù)可通過(guò)提示詞對(duì)人物對(duì)白、畫(huà)面風(fēng)格、動(dòng)作節(jié)奏等多維度進(jìn)行控制，可控感明顯提升。

綜合來(lái)看，Vidu Q3已具備基礎(chǔ)的“導(dǎo)演感”，能夠勝任短劇創(chuàng)作、影視劇情、廣告營(yíng)銷(xiāo)等多種場(chǎng)景。

三、能拍短劇、能出廣告、也能做動(dòng)漫，內(nèi)容創(chuàng)作的地基在悄悄重構(gòu)

當(dāng)視頻生成開(kāi)始承擔(dān)內(nèi)容生產(chǎn)的完整鏈條，我們看到的幾個(gè)實(shí)際應(yīng)用方向，已經(jīng)能串起從劇本到出片的全過(guò)程。

通過(guò)聲音、動(dòng)作與鏡頭的協(xié)同生成，Vidu Q3能夠還原較為復(fù)雜的情節(jié)表達(dá)，支持分鏡與情緒變化，是目前較為適合敘事類(lèi)創(chuàng)作的應(yīng)用方向之一，可以被用于制作短劇、漫劇等故事內(nèi)容。

與此同時(shí)，在廣告與產(chǎn)品展示場(chǎng)景中，自動(dòng)出片能力也顯著提升了創(chuàng)作效率。

該模型適合帶解說(shuō)的產(chǎn)品視頻、人物出鏡介紹等形式，“語(yǔ)音+鏡頭”聯(lián)動(dòng)生成，免去了“腳本-拍攝-剪輯”的多輪反復(fù)。

此外，Vidu Q3也在自媒體和播客等輕制作領(lǐng)域展現(xiàn)出較強(qiáng)的實(shí)用性。

Vidu Q3支持風(fēng)格設(shè)定與人物設(shè)定，搭配對(duì)白和動(dòng)態(tài)鏡頭，讓播客或短視頻內(nèi)容也具備足夠好的觀看體驗(yàn)，且能夠批量生產(chǎn)。

作為新一代專(zhuān)門(mén)為“劇”而生的視頻模型，Vidu Q3的目標(biāo)用戶(hù)就不止是內(nèi)容創(chuàng)作者，還有廣告人、營(yíng)銷(xiāo)人、產(chǎn)品人，創(chuàng)作角色也正在被重新定義。

結(jié)語(yǔ)：“導(dǎo)演感”落地了，AI視頻進(jìn)入工業(yè)級(jí)內(nèi)容生產(chǎn)新階段

短短一年時(shí)間，AI視頻的生成能力完成了從“能動(dòng)”到“會(huì)講”的關(guān)鍵跨越。

Vidu Q3同樣是一種創(chuàng)作方式的升級(jí)：從聲音、畫(huà)面、鏡頭到字幕，它把一個(gè)視頻創(chuàng)作的完整能力交到創(chuàng)作者的手里。

無(wú)論是敘事驅(qū)動(dòng)的短劇、新意爆棚的廣告、風(fēng)格鮮明的動(dòng)漫，還是自媒體視頻等多個(gè)領(lǐng)域，AI都正在轉(zhuǎn)向一位合格的創(chuàng)作伙伴。

如果說(shuō)之前的AI視頻模型還像是“攝像機(jī)”，那么現(xiàn)在，它開(kāi)始像個(gè)真正的“導(dǎo)演”了。

接下來(lái)，它還能講出怎樣的故事，也值得我們繼續(xù)期待。