超越 Sora 2，Vidu Q3 位居全球第二、中國第一。

作者丨王曉然

編輯丨馬曉寧

快過春節(jié)了，來整一個(gè)花活兒，想看滅霸和復(fù)仇者聯(lián)盟成員一起放煙花。

這段視頻是在 Vidu Q3 中，僅用一段 Prompt 一次生成得來，不僅能夠聲畫同步，高清直出，而且還能轉(zhuǎn)換多個(gè)鏡頭，完成一個(gè)場景敘事。

Sora 之后，AI 視頻生成在拼命卷時(shí)長。Sora 剛發(fā)布的時(shí)候，只能生成 5 秒左右的視頻，而 Vidu 最近發(fā)布了全球首個(gè)支持音視頻直出的模型 Vidu Q3 ，能實(shí)現(xiàn)16秒聲畫同出，并且敘事能力更強(qiáng)，在鏡頭控制、文字渲染、多國語言上都有所突破。

在國際權(quán)威AI基準(zhǔn)測試機(jī)構(gòu)Artificial Analysis最新公布的榜單中，生數(shù)科技的 Vidu Q3 憑借其在一致性、敘事性和音畫同步上的極致表現(xiàn)，位居全球第二、中國第一。它不僅在評分上硬剛馬斯克的 xAI Grok，更是超越了 Runway Gen-4.5、Google Veo 3.1 和 OpenAI Sora 2，成為了領(lǐng)跑視頻生成下半場的關(guān)鍵變量。

在生數(shù)科技的產(chǎn)品生態(tài)中，Vidu Q3 聚焦于漫劇、短劇、影視劇行業(yè)，其生成能力到底水平如何，我們用幾個(gè) Prompt 試試就知道。

01
16s，完成宮斗劇中的一次訣別

過去，AI 視頻生成由于壓縮能力導(dǎo)致的一大深層痛點(diǎn)在于敘事斷裂，一次只能生成5-8 秒的時(shí)長，這使得生成內(nèi)容更像是毫無靈魂的“素材碎片”而非邏輯完整的“敘事內(nèi)容”。

基于此，創(chuàng)作者為了拼湊出一段30秒的劇情，不得不頻繁開盲盒式地生成多個(gè)素材，再面對不同批次間光影失真、人物走形、邏輯錯(cuò)亂等致命傷進(jìn)行后期“縫補(bǔ)”。

而 Vidu 不僅將單次生成時(shí)長拓展至 16 秒，更關(guān)鍵的是通過底層架構(gòu)的革新，保證了這 16 秒內(nèi)角色、場景、光影、聲音、畫面與敘事邏輯的高度一致性。

16 秒，在影視語言中已足以構(gòu)建一個(gè)完整的敘事單元，比如一個(gè)角色從疑惑到恍然大悟的表情轉(zhuǎn)變、一次從平靜到?jīng)_突的對話交鋒，或是一個(gè)關(guān)鍵道具被揭示并引發(fā)懸念的經(jīng)典橋段。

為了驗(yàn)證 Vidu Q3 「16s音視頻直出」的功力，我們重點(diǎn)考察它在復(fù)雜場景中能否把畫面情緒、角色對白、環(huán)境音效這幾股線自然地結(jié)合在一起。

拿最經(jīng)典的宮斗場景為例，宮斗劇對古裝場景畫面、人物情緒、固定時(shí)間內(nèi)的敘事節(jié)奏要求都比較高，因此輸入的 prompt 了包含特寫、對白和具體環(huán)境音的提示詞：

生成的結(jié)果還算到位，女子眼眶泛紅、聲音凄厲顫抖的質(zhì)問，與臉上滑落的淚珠完全同步，情緒是頂上去的。

背景里，窗外的風(fēng)聲和遠(yuǎn)方的喪鐘聲不是簡單的鋪底，而是隨著她話音落下才隱隱浮現(xiàn)，把悲涼又壓抑的氛圍烘托了出來。對面男子冰冷的回答，其聲音等語調(diào)和畫面里他漠然的表情嚴(yán)絲合縫。

光有劇情還不夠，我們想知道它在更寫實(shí)、信息更嘈雜的環(huán)境里會如何表現(xiàn)。

因此，第二個(gè)場景來到「雨夜的倫敦火車站」，這里要求的聲音元素多且密：清晰的英語對白、突出的火車汽笛、零碎的雨打頂棚聲、還有作為背景模糊處理的廣播。

生成效果可以說是沒有瑕疵，西裝男焦急的腳步聲始終保持在最前面且十分清晰，而汽笛聲隨著火車駛進(jìn)站內(nèi)開始由遠(yuǎn)及近響起，淅淅瀝瀝的雨聲很輕沒有搶戲。并且其中London 站牌的名字居然都拼對了，這個(gè)也是 Vidu Q3 的重要能力，具體測評渲染能力的案例稍后展示。

這一條視頻的細(xì)節(jié)可以說是令人驚喜的，可以見得，Vidu Q3 的聲音分層與空間感構(gòu)建能力、主次音源處理能力、模擬出的真實(shí)環(huán)境混響能力都很頂。

對于節(jié)奏極快、音畫切換頻繁的現(xiàn)代音樂內(nèi)容，我們采用圖生視頻的方式測試紐約街頭的說唱。

結(jié)果生成的視頻讓人很有代入感，rapper 激昂的說唱嘴型與鼓點(diǎn)、貝斯的節(jié)奏卡得非常準(zhǔn)，每個(gè)重音都砸在了剪輯點(diǎn)上。鏡頭在手勢、表情和面部特寫間的快速切換，也完美踩在了音樂的律動(dòng)上。

02
大師級運(yùn)鏡，短劇中巴掌扇得更絲滑

AI視頻生成中，最常遇到的一個(gè)穿幫點(diǎn)就是鏡頭語言。

許多模型能生成一段幾秒的穩(wěn)定畫面，但一旦涉及鏡頭切換、視角轉(zhuǎn)換、景別變化，問題就會出現(xiàn)?？赡茉谶\(yùn)鏡過程中出現(xiàn)畫面主體扭曲、場景撕裂，更常見的是，多鏡頭之間缺乏敘事節(jié)奏和情緒連貫性，看起來像幾段獨(dú)立視頻的生硬拼接。

可以說，「多鏡頭運(yùn)鏡」是區(qū)分「會動(dòng)的畫」和「有敘事感的視頻」的核心能力，它考驗(yàn)的是模型對空間連續(xù)性、時(shí)間邏輯和視覺敘事語法的綜合理解。

先測試看一個(gè)快節(jié)奏短劇中的鏡頭切換，選用短劇中常見的咖啡廳決裂戲碼：

這個(gè)片段最驚艷的地方在于節(jié)奏感抓得很準(zhǔn)很舒服。特寫鏡頭里戒指的反光細(xì)節(jié)很真實(shí)，切到近景時(shí)，男士說話的口型跟臺詞對得很嚴(yán)，女士站起來后的頭發(fā)的飄動(dòng)很自然，扇巴掌的動(dòng)作、聲音也足夠絲滑。

接下來測試最考驗(yàn)節(jié)奏感的動(dòng)作場景。提示詞明確要求了“特寫→遠(yuǎn)景→中景”的快速切換。

整個(gè)片段可以說是一氣呵成了。特寫鏡頭中驚恐的雙眼和汗珠極具張力；切至遠(yuǎn)景時(shí)，黑影在巷尾的閃動(dòng)自然且位置連貫；切回中景時(shí)，主角朝向鏡頭的奔跑與之前的空間關(guān)系完全吻合。

更出色的是，音效與鏡頭實(shí)現(xiàn)了精準(zhǔn)配合：特寫時(shí)喘息聲很近，切遠(yuǎn)景時(shí)聲音隨之拉遠(yuǎn)并突出腳步回聲，切回中景時(shí)喘息聲再次迫近。

第二個(gè)場景側(cè)重視角轉(zhuǎn)換，第一人稱→全景→特寫，也伴隨氛圍變化的運(yùn)鏡。

從實(shí)際表現(xiàn)來看，切換到鏡頭二的全景時(shí)，人物與石門的巨大比例對比震撼，且視角轉(zhuǎn)換無比自然，沒有出現(xiàn)「跳幀」或場景重置；鏡頭三對石門圖騰的特寫，可以看作是全景鏡頭的自然推進(jìn)與聚焦。

03
渲染能力出色，漫劇輕松拿捏

對于生成式 AI 視頻而言，能否穩(wěn)定、精準(zhǔn)地生成與畫面風(fēng)格融合的文字，往往是其能否勝任“專業(yè)級制作”的硬性門檻。

過往很多模型在渲染文字時(shí)，容易出現(xiàn)筆畫錯(cuò)亂、字符閃爍、風(fēng)格撕裂，或者與畫面光影嚴(yán)重不符的情況，這使得生成的內(nèi)容很難直接用于對細(xì)節(jié)有要求的商業(yè)短片、漫劇或劇情向內(nèi)容。

Vidu Q3 具有較強(qiáng)的文字渲染能力，可精準(zhǔn)渲染中、英、日三種文字。先從一個(gè)相對靜態(tài)但要求極高的場景開始：產(chǎn)品展示，要求生成一架無人機(jī)，機(jī)翼上需清晰呈現(xiàn)具有金屬蝕刻感的英文「Vidu Q3」。

效果表現(xiàn)中，無人機(jī)的極簡設(shè)計(jì)感十足，而機(jī)翼側(cè)面的“Vidu Q3”字樣并非簡單“貼”上去，而是真正模擬出了金屬蝕刻的質(zhì)感和深度。隨著無人機(jī)緩緩旋轉(zhuǎn)，文字表面的反光與外殼一同折射出細(xì)膩的夕陽余暉，光影變化自然統(tǒng)一。

接下來，挑戰(zhàn)一下風(fēng)格化與動(dòng)態(tài)渲染：一個(gè)熱血日漫風(fēng)格的場景，包含動(dòng)態(tài)的日語喊話。

這個(gè)案例綜合展示了 Vidu Q3 的綜合能力，一是對特定藝術(shù)風(fēng)格（日漫）的精準(zhǔn)把握，二是在極限動(dòng)態(tài)場景中，保持畫面、音效超高同步性與表現(xiàn)力。

最后測試一個(gè)充滿張力的古裝武俠場景，包含中文對白和激烈的動(dòng)作戲。

Vidu Q3 的這個(gè)畫面美感是超出預(yù)期。在激烈的武打動(dòng)作中，能夠很好地保持畫面的穩(wěn)定和連貫，證明了其對中文對白字幕的專業(yè)化處理能力，并且在這一效果中，字幕成為了增強(qiáng)敘事沉浸感的一部分，而非后期生硬的添加。這種生成程度已經(jīng)可以應(yīng)用于短劇、漫劇制作等場景中了。

04
結(jié)語

2024 年，AI 視頻生成行業(yè)嶄露頭角，經(jīng)過兩年時(shí)間的發(fā)展，整個(gè)行業(yè)則會向更成熟的方向發(fā)展。

Vidu Q3 的意義不僅僅在于“16秒的音視頻直出”和“中國第一”，也許其更廣泛的意義在于，在降低視頻制作門檻的同時(shí)還增加了精準(zhǔn)的控制程度。

「控制」二字似乎從未遠(yuǎn)離過影視制作行業(yè)，從演員對神態(tài)、語言的控制，到導(dǎo)演對畫面、風(fēng)格的控制，再到到攝影師對鏡頭、畫面的控制，這是貫穿視頻制作始終的二字。

而要實(shí)現(xiàn)內(nèi)容的完美呈現(xiàn)和控制，過去這需要包括導(dǎo)演、攝影師、后期特效等一個(gè)專業(yè)團(tuán)隊(duì)反復(fù)打磨才能精準(zhǔn)實(shí)現(xiàn)。

現(xiàn)在來看，Vidu Q3 能讓專業(yè)的內(nèi)容創(chuàng)作者直接“調(diào)度”角色姿態(tài)、運(yùn)鏡方式、場景細(xì)節(jié)乃至情緒氛圍，實(shí)現(xiàn)精細(xì)化的“導(dǎo)演級”控制，腦海中抽象的創(chuàng)意可以快速、精準(zhǔn)地轉(zhuǎn)化為高質(zhì)量的視頻片段。

除此之外，影視行業(yè)中常常受限于實(shí)拍成本、演員檔期、特效預(yù)算或特殊場地。這些傳統(tǒng)的問題也能被有效彌合，Vidu Q3 極大地降低了高質(zhì)量視覺內(nèi)容的制作門檻，作者可以無成本地生成現(xiàn)實(shí)中難以拍攝或造價(jià)高昂的場景。

不僅如此，Vidu Q3 讓普通的門外漢，也能制作出有審美、有品味的大片。回想當(dāng)時(shí)抖音的出現(xiàn)，降低了人們進(jìn)行內(nèi)容表達(dá)的門檻，讓即使受教育程度不高的人，只需點(diǎn)一下「錄制」的圓形按鈕，就能自由地使用視頻這種去表達(dá)自己的觀點(diǎn)和內(nèi)容。

而如今的Vidu Q3正在做著類似的事情。 Vidu Q3 不再是束之高閣的AI玩具，而是有能力真正深入到了漫劇、短劇、影視劇的制作核心。

Vidu Q3體驗(yàn)地址：https://www.vidu.cn

Vidu API地址：https://platform.vidu.cn

登陸 Vidu.cn 注冊，使用 AI 科技評論邀請碼：AIKJPL，即可獲得500積分。

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號名片。