← 返回博客
News预计阅读 9 分钟

同样 15 秒,价格却是 $1.05、$1.50 或 $3.47

发布于 2026年11月7日
同样 15 秒,价格却是 $1.05、$1.50 或 $3.47

在一年的大部分时间里,比较视频生成模型基本等同于比较各家公司的演示。Google、字节跳动和阿里巴巴各自发布过一段单镜头短片,都在为自己的模型增光添彩。11 月 6 日,这种情况发生了变化:Google 发布了 Gemini Omni 1.2 Flash,首个独立测试也同时出现,并配有 Artificial Analysis 的数据以及其他创作者的同场对比测试。

这堆材料里最有用的,是那张价格表。一段 720p 的 15 秒视频,在 Omni 1.2 上花费 1.05 美元,在 Wan 3.0 上花费 1.50 美元,在 Seedance 2.5 上约 3.47 美元。同样一段视频在 1080p 下分别要 1.56 美元、3.00 美元和 8.54 美元。阿里巴巴还对 Wan 3.0 进行约 30% 的促销,使 1080p 价格低至每秒 0.14 美元。

价差在最便宜档位达到三倍,在 1080p 下达到五倍,而最便宜的模型在类别中很少领先。

各模型真正胜出的地方

截至 11 月 6 日,Artificial Analysis 将 Seedance 2.5 排在 20 个类别中的 13 个第一位,其中包括对话与唇形同步,得分为 1213。图生视频是它最强的模式。Gemini Omni 1.1 在人体解剖和物理方面在 20 个模型中排名第 20。

剪辑是 Wan 3.0 领先的领域,它拿下了复杂编辑、对象编辑和视觉特效,而 Seedance 则拿下了声音和语音编辑。

来自公司外部的同提示词测试,比排行榜更能说明问题。Krea 在 720p 下运行 Seedance 2.5 和 Wan 3.0,使用相同种子并关闭了提示词重写。在一个滑板镜头中,Seedance 让滑手保持在提示词描述的路径上,而 Wan 则让他冲向镜头。在一个跟随自行车手的 20 秒单镜头中,Seedance 把镜头保持到了最后,而 Wan 在 13.6 秒时切走了。Wan 渲染其 8 秒片段的速度也大约快一倍。YouTube 创作者 JSFILMZ 用匹配的提示词并排运行了这两个模型,并发布了结果。

Omni 1.2 几乎还没有独立测试。最接近的是 Segmind,它在发布当天进行了二十项测试,并称 Omni 1.2 Flash 是它测试过的最精确遵循指令的视频模型,适合讲解类内容和动画文字。Segmind 还发现,照片级真实的人物看起来有些飘,人脸表现不如 Seedance,并且大约每四条指令就有一条被跳过。

Google 自己也承认,从第一帧到最后一帧会有细微变化,并将快速体育动作和复杂物理列为仍在开发中的能力。源素材中的品牌标志可能触发版权拦截。每个片段都带有不可见的 SynthID 水印。

请求数据说明了什么

OpenRouter 的视频排名(数据截至 11 月 6 日)显示,HeyGen Video 以每周 65,000 次请求排名第一,Veo 3.1 Lite 以 50,000 次排名第二,Seedance 2.5 以 35,000 次排名第三,Wan 3.0 以 31,000 次排名第四,而 mischief 1 在暴涨 481% 后排名第九。

按作者划分的市场份额才是值得仔细琢磨的数字。字节跳动占据视频请求的 26.1%,HeyGen 占 19.7%,Google 占 18.5%,SpaceXAI 占 12.2%,阿里巴巴在下降 53% 后占 9.3%,Kwaivgi 占 6.0%,MiniMax 占 5.0%。

三个高度不同的透明玻璃平底杯立在一个浅色石质台面上。

在最大的聚合平台上,请求量最高的视频模型是一个数字人。没有哪家公司的产品发布视频赢得了量;赢得量的是口播讲解和培训视频。Seedance 和 Wan 在电影感类别中领先,但它们占总请求量的份额,与虚拟形象流量相比只是舍入误差。

并非电影感的需求

再看请求流向了哪里。HeyGen Video 以每周 65,000 次请求领跑榜单,而 HeyGen 是一家虚拟形象公司。企业安全和赋能团队已经开始用 AI 生成的主持人视频,替代反复进行的实时产品演示;按照他们自己的统计,每个团队每年可节省 100 多个小时。Colossyan 引用的一项 2026 年调查显示,营销人员的采用率约为 63%。

与此同时,在整个类别中,原生音频已从特色功能变为默认配置。Veo 3.1 Audio 及其快速版本生成与画面匹配的声音,Kling 的音频档位产出立体声并改善了唇形同步,Canva 的文生视频工具则产出带有同步对话和音效的片段。

由此形成的分化很有用。虚拟形象和口播视频要求角色保持一致、声音保持稳定、表达能够到位。电影感作品则要求在八秒内让镜头足够惊艳。这些是不同的需求,由不同的模型来满足;这就是为什么一张覆盖两者的单一排行榜,反而不如请求分布更能说明问题。

Sora 离场后发生了什么变化

Sora 在 4 月退出网页和应用、在 9 月退出 API,不只是少了一个竞争对手。它重置了人们对付费内容和可用能力的预期,也让剩下的平台在真正决定使用量的维度上竞争:片段能有多长、音频是否随视频一起生成,以及角色在镜头之间会发生什么。

两年前,新产品合理的默认做法是基于 OpenAI 的视频 API 构建。这个默认选项已经不存在了。任何基于它构建的东西都需要替代方案,而如今的替代方案在价格和时长上差异足够大,以至于选择哪个模型已成为商业决策,而非技术决策。

转售层还增加了一个值得计入定价的变数。官方 API 价格是下限,而不是市场价。例如,fal 列出的 Seedance 2.5 价格约为 BytePlus 费率的两倍。在市场上测试、然后按那个数字规划生产预算的团队会大吃一惊,而官方价格与转售价格之间的差距足以改变一个项目选择哪个模型。

用这些数字做选择

如果任务是对话、唇形同步或音频,Seedance 2.5 是更稳妥的选择,价格约为三倍。如果任务是编辑现有片段,Wan 3.0 领先,其促销定价使其成为榜单上每秒成本最低的选项。如果任务是在讲解视频中严格遵循指令,Omni 1.2 Flash 是早期测试者一直称赞的那个,而且它是三者中 720p 最便宜的,不过 Segmind 自己的测试每个片段要花 40 到 70 秒。

正确的比较方式是每个可用片段的价格。一个模型如果需要在 15 秒镜头中尝试四次才能保持人脸一致,其成本就是标价的四倍,而排行榜看不到这一点。

三家公司都没有发布覆盖全部三个模型的盲测、同提示词、同种子对比。在有人完成这项测试之前,请把这一类别中所有跨模型质量声明——包括本文中的说法——都视为方向性参考。

从请求数据中可以明确一点。更便宜的模型只有在输出能通过审核时才真正便宜,而对于大多数批量交付视频的团队来说,成本正存在于审核环节。

相关文章