VideoGen 說一句提示就能生出十分鐘影片，但沒人 benchmark 過

VideoGen 在 10 月 20 日發表 Model 1，附帶一個主張，它要不就是品類改變，要不就是行銷話術，而差別很重要：一句提示變成一支完成的多鏡頭影片，最長十分鐘，含對白、音效與音樂。

十分鐘大約是目前領先者單次生成上限的二十倍。Kling 4.0、Seedance 2.5、Wan 3.0 都宣稱單次生成可達 30 秒，搭配延伸功能最多到幾分鐘。如果你一直在追這個市場，十分鐘讀起來是另一種產品。

它是，也不是。新聞稿明白寫著較長的影片「是由多個生成鏡頭組裝而成」。Model 1 不是一次渲染十分鐘。它規劃一部片、逐鏡生成、檢查鏡頭，再把它們剪在一起。模型是一條 pipeline 裡的一個元件，而那條 pipeline 剛好被當成單一產品販售。

這家公司實際交付了什麼

VideoGen 是一家舊金山公司，Y Combinator 2024 夏季班，2023 年成立。到目前為止，它的產品是用別家公司的模型，把提示、腳本或文章變成影片。Model 1 是自家的。

公布的能力：文生影與圖生影、最多 16 張影像作視覺參考、可指定的目標長度與長寬比，以及音視訊聯合生成，讓對白、音效與音樂一起出來。存取從 10 月 20 日以私人合作夥伴形式開始，全面可用則承諾在更多安全測試之後。公司也開放申請一筆 100 萬美元的免費額度池，對象是電影工作者、片廠、學生，以及值得注意的是，報導這次發布的記者。

對這個賣點誠實的框架是：難的部分不是影片模型，是規劃。一支十分鐘影片需要劇本、跨場景一致的角色、不重複自己的對白，以及一份加起來等於要求片長的鏡頭表。那是語言模型問題，而 VideoGen 打造了一套語言模型護欄來解決它。

編劇室裡面

一份第三方對 VideoGen 技術白皮書的解讀，描述了一條有明確分工的 pipeline。規劃層提出概念，評論者依類別（電影、行銷、社群、解說、音樂影片、微短劇）的評分表打分，最好的兩個成為計時劇本，改寫者再把每個場景轉成影片模型期待的結構化提示格式，分開設定鏡頭、對白、音景與背景音樂。

同一份分析報導了三個獨立的模型「讀者」，只檢查口說台詞與畫面文字，標記令人困惑的對白，並指出白皮書自己的但書：這些是「自動化代理，不是人類參與者」。也有一些普通程式在做普通檢查：場景長度加起來對不對、每個說話者有沒有聲音描述。

這是公告裡會決定產品成不成立的部分。二十或三十秒的片段可以撐過模糊的提示。十分鐘不行。錯誤會複合，角色會漂移，第五個場景開始跟第一個矛盾。一個在渲染前就攔下這些問題的規劃層，比一個更好的渲染器更有價值，因為渲染是貴的那部分。

那也是競爭者能最快複製的部分。一套多模型規劃護欄是軟體，不是研究突破。

還不是數字的那些數字

VideoGen 說，根據內部驗證，它預期 Model 1 的成本比同級模型低 50% 以上。它還說最終定價、官方 benchmark 與第三方驗證都在進行中。兩句都在同一份新聞稿裡，而第二句應該決定你怎麼讀第一句。

公司唯一分享的實測數字是一個渲染實驗：一個八步適配器讓平均片段渲染時間比同一系統的 28 步基準減少 58.2%。VideoGen 謹慎地稱那是實驗性配置而非保證的加速，那是正確的但書，也是一種承認：那個數字不是產品規格。

所以目前狀態是：一個有 demo reel 的能力主張、一個沒有價目表的成本主張、一個沒有 benchmark 的品質主張。demo reel 是公司自己挑的，這讓它是最佳情況而不是一次測試。

為什麼長度是錯的記分板

這裡有不舒服的背景。中國行業媒體這個月報導，98.7% 的 AI 微短劇在發布六個月內無法回收成本。據報導，ByteDance 的微短劇業務每天燒掉數千萬人民幣的 token。那個市場的瓶頸不是生成畫面的能力。是發行與劇本。

那不會讓一個十分鐘模型無用。它重新定義了它是用來做什麼的。如果限制是說故事，一個會規劃敘事弧線並讓角色保持一致的工具，就對準了真正的限制。如果限制是注意力，十分鐘是負債，因為沒有人會在沒有理由的情況下看十分鐘的任何東西。

現實的用例是那些不性感的。拍攝前的預視，導演需要在付錢請劇組之前看到場景。沒人會為它拍廣告的產品解說影片。內部訓練內容。一支 70% 正確、花一個下午的十分鐘生成影片，在替代方案是兩週剪輯時，價值極高。

對任何觀眾會主動選擇觀看的東西，長度不是賣點。規劃才是。

拿到存取權後怎麼評估

要失敗案例，不要 reel。具體來說：第七分鐘發生什麼事，當模型必須記得第二分鐘那個角色的外套。對白會不會重複已經用過的台詞。音訊在組裝過的剪輯裡是否保持同步，那是獨立生成鏡頭的 pipeline 最容易斷掉的地方。

然後跑那個無聊的測試：給它一份有特定產品與特定宣稱的需求，看規劃器會不會發明事實。據報導，白皮書的評分表包含在行銷與解說類別拒絕虛構宣稱的檢查，這說明公司知道這正是會讓客戶被告的失敗模式。

還有檢查浮水印。VideoGen 說輸出帶有識別其合成來源的隱形浮水印。在來源成為採購要求的這一年，那是功能，不是註腳，值得確認它能在你的剪輯 pipeline 裡存活。

一句提示產出十分鐘，確實擴張了一個人能嘗試的範圍。它不是導演的替代品，而公司自己的新聞稿也沒有真的這樣宣稱。有趣的問題是，當規劃層好到限制因素變成「你到底有沒有東西想說」時，會發生什麼事。