VideoGen 说一句话能出十分钟视频，但没人测过它

VideoGen 在 10 月 20 日发布了 Model 1，附带的主张要么是品类级的改变，要么只是一句营销话术，而这个区别很重要：一句提示词，变成一支成片的多镜头视频，最长十分钟，带对白、音效和音乐。

十分钟差不多是当前领先者单次生成上限的二十倍。Kling 4.0、Seedance 2.5、Wan 3.0 都宣称单次生成最长 30 秒，配上续接功能最多也就到几分钟。如果你一直在跟这个市场，十分钟读起来是另一个产品。

它是，也不是。新闻稿写得很明确，更长的视频“由多个生成镜头拼接而成”。Model 1 不是一次渲染十分钟，它规划一部片子，逐个镜头生成，检查这些镜头，再剪在一起。模型只是这条流水线里的一个部件，而这条流水线刚好被打包成一个产品卖。

这家公司到底交付了什么

VideoGen 是一家旧金山公司，2023 年成立，Y Combinator 2024 夏季班。在这之前，它的产品是用别家的模型把提示词、剧本或文章变成视频。Model 1 是自家的。

公开的能力是：文生视频和图生视频，最多 16 张图作为视觉参考，可以指定目标时长和画幅，音视频联合生成，让对白、音效和音乐一起出来。10 月 20 日起以私有合作方形式开放，在更多安全测试之后承诺全面可用。公司还开放了一个 100 万美元免费额度池的申请，面向电影人、工作室、学生，以及值得注意的——报道这次发布的记者。

对这套说法诚实的概括是：难的部分不是视频模型，是规划。一支十分钟的视频需要剧本、跨场景一致的角色、不自我重复的对白，以及一份加起来等于目标时长的镜头表。那是一个语言模型问题，而 VideoGen 搭了一套语言模型的架子来解决它。

编剧室里面

一份第三方对 VideoGen 技术白皮书的解读，描述了一条分工明确的流水线。规划层提出概念，一个评审员按类目（电影、营销、社交、讲解、MV、微短剧）的量规给它们打分，最好的两个变成带时长的剧本，再由一个改写器把每个场景转成视频模型期待的结构化提示词格式，里面分字段写清镜头、对白、声景和背景音乐。

同一份分析还提到，有三个独立的模型“读者”只检查台词和画面上的文字，标出令人困惑的对白，并指出白皮书自己的限定：这些是“自动化代理，不是人类参与者”。此外还有一些普通代码在做普通检查：各场景时长加起来对不对，每个说话的人有没有声音描述。

发布里决定这个产品成不成器的，就是这一部分。二十秒、三十秒的片段能扛住含糊的提示词，十分钟不行。错误会累积，角色会漂移，第五个场景开始跟第一个打架。一个能在渲染前抓住这些问题的规划层，比一个更好的渲染器更值钱，因为渲染才是贵的那一步。

它同时也是竞争对手能最快抄走的部分。一套多模型的规划架子是软件，不是研究突破。

那些还不是数字的数字

VideoGen 说它预计 Model 1 的成本比同类模型低 50% 以上，依据是内部验证。它还说最终定价、官方基准和第三方验证都在进行中。这两句话在同一份新闻稿里，而第二句应该决定你怎么读第一句。

公司唯一给出的实测数字是一个渲染实验：一个八步适配器，把平均单条片段的渲染时间相对同一系统 28 步的基线削减了 58.2%。VideoGen 很谨慎地称那是实验性配置，而不是有保证的加速，这是正确的限定，同时也等于承认这个数字不是产品规格。

所以现状是：一个有 demo 片的能力主张，一个没有价目表的成本主张，和一个没有基准的质量主张。demo 片是公司自己挑的，这让它是最佳情况，而不是一次测试。

为什么长度是个错误的记分牌

这里有个让人不太舒服的背景。中文行业媒体这个月报道，98.7% 的 AI 微短剧在上线六个月之内收不回成本。字节的微短剧业务被报道每天在 token 上烧掉数千万元。那个市场的瓶颈不是生成素材的能力，是分发和剧本。

这不会让一个十分钟模型变得没用，它改变的是这个模型是为了什么。如果约束是讲故事，那一个能规划叙事弧、让角色保持一致的工具，瞄的正是真正的约束。如果约束是注意力，十分钟就是负债，因为没人会无缘无故看十分钟的任何东西。

现实的使用场景都是那些不光鲜的。拍摄前的预可视化，导演需要在付钱请剧组之前看到那个场景。没人会为它拍广告的产品讲解视频。内部培训内容。一支七成正确、花一个下午就能出的十分钟生成视频，在替代方案是两周剪辑的时候，价值巨大。

但对于任何观众主动选择去看的东西，长度不是卖点，规划才是。

拿到权限后怎么评估

要失败案例，不要 demo 片。具体来说：第七分钟会发生什么，当模型必须记住第二分钟里角色的那件外套。对白会不会重复已经说过的一句。音频在拼接后的剪辑里能不能保持同步——各自独立生成镜头的流水线，通常就在这里崩。

然后跑那个无聊的测试：给一个含特定产品和特定说法的需求，看规划器会不会编造事实。据说白皮书的量规里包含针对营销和讲解类目的“拒绝编造说法”检查，这说明公司知道这正是会让客户被告的失效模式。

还要检查水印。VideoGen 说输出带不可见水印，标明其合成来源。在一个来源信息正变成采购要求的年份，那是功能，不是脚注，值得确认它在你的剪辑流程里活下来了。

一句提示词出十分钟，确实扩大了一个人能尝试的东西。它不是导演的替代品，公司自己的新闻稿也没有完全这么声称。有意思的问题是：当规划层好到限制因素变成“你到底有没有话要说”的时候，会发生什么。