9分钱一秒，AI视频的「DeepSeek时刻」到了吗

最近几部AI短片刷屏，绕不开一个名字：生数科技新发布的 Vidu Q4 Preview。

Land工作室的《接招吧！咻孩》把守着电视看特摄的那股劲儿拍了回来，老虎怪人、章鱼烧人，配上孩子们一本正经的幻想，热闹里镜头落到老人身上，情绪又变了味。AI角色越来越会演戏，这已经不是一句空话。国庆档前后，Vidu Q4 Preview 出现在几支画风完全不同的短片里——《斩梦》有红刃与巨蛇的高速交锋，《青山》把杀气藏进烛光下的磨刀，《吃掉日子的猫》用黏土般的小脸承载情绪。从2D热血动漫到3D风格化动画，再到带手工质感的黏土定格，打戏能燃，文戏能收，镜头开始有了自己的讲究。

更狠的是那张价格牌。通过 API 调用，图生视频 720P 约 0.6 元/秒、1080P 约 0.75 元/秒；直接在 Vidu 平台创作，Preview 阶段给两个月限时优惠，首发优惠价低至 0.09 元/秒起。

这数字意味着什么？拿一场 16 秒的武侠打斗算账：第一版动作漂亮但力量感不够，第二版换个机位突出出招瞬间，第三版加人物特写捕捉眼神变化……过去每多试一次都是额外的人力、时间和预算，如今按最低优惠价算，五次生成一共 7.2 元。当试错便宜到几块钱，创作者才有底气反复打磨一个镜头。很多创意曾经停在反复试拍的账单前，生成几次不满意，再看一眼余额就算了。能拍出好戏，也得让人舍得多拍几遍。

能打，还得能演

价格只是入场券，这次升级真正落点是人物表现力。官方主打「角色有神、镜头有势、动作有劲」，从实测镜头看，确实不是营销话术。

一段列车文戏里，女子握着蓝色信封，从紧绷到抬眼再到含泪的浅笑，情绪随着窗外的小站一点点展开，没有一句对白，全靠眼神、嘴角和手部动作把心事带出来。屋顶邮差那段，Q4 拍出了助跑、蹬地、腾空、屈膝落地再继续跑的动作层次，侧面全身镜头把起跳点、屋顶缺口和落点一起交代清楚，观众能看懂人物怎么从一侧到另一侧。动漫特效实测里，星轮迎上陨石，碎块向两侧散开，披风掀起人物后撤，火花散开、烟尘上浮，起势、碰撞、余波接成一场戏。

Q4 Preview 最多支持 15 张参考图、3 段参考音频。我们的动漫双人对话实测，用五张参考图和两段音色，生成了 16 秒日语对话，两位女生坐在同一张长凳上，一人开口另一人用眼神和表情回应，各有各的脸，也各有各的声音。多图给角色定形，音色给角色添性格，表演再把两个人的关系带出来，创作者可以腾出手来把提示词集中用在台词、停顿和情绪上。

后劲藏在「世界模型」里

看这些动漫片段会发现一些很具体的细节：人物挥刀衣摆跟着甩动，巨石碎裂碎片与烟尘接着散开，能量消退角色和地面上的光也一起变弱。一场戏要拍得可信，模型得把动作和后续变化接起来，镜头换个角度，人物、道具和空间关系也要跟得上。

这背后是生数长期探索的「世界模型」路线。他们为此开展了 Motus、Motubrain 等世界动作模型研究，后者的 Motubrain 在 RoboTwin 2.0 和 WorldArena 排行榜上位居第一，把视频、语言与动作放进统一框架，让未来画面的预测与机器人动作生成发生联系。在生数的通用世界模型布局里，Vidu 是面向内容创作者的那个「大娃」，人物转身会不会变脸、道具经过遮挡还能不能接上、下一场戏能否延续上一场的状态，都要在具体作品里接受检验。

降本背后还有一层技术逻辑。生数与清华大学联合推出的 TurboDiffusion 研究，从低比特计算、稀疏注意力、减少采样步数等方向探索视频生成加速。用更高的计算效率支撑更低的生成成本——这很像 DeepSeek 带给大模型行业的冲击：当高性能模型变得更便宜，技术才有机会从少数人的昂贵工具变成更多人的日常生产力。

Q4 Preview 还有个被低估的指标：单次最长 16 秒，支持 2K、4K 输出，人物与音色参考可复用，官方资料称 5 秒视频最快约 110 秒即可完成，实际耗时受分辨率、生成规格和排队情况影响。多参考维持一致性、快速生成缩短反馈周期、低价格让反复试拍可承受，三者叠加，改变的是精品内容的生产方式。

回到《接招吧！咻孩》——孩子们闹得起劲，镜头落到老人脸上，故事才有余味。这样的几秒钟要琢磨表情、安排停顿、找到合适的切镜时机。模型增强角色表现力、压低试拍价格，省下来的预算就能多撑几轮打磨。一个眼神没到位可以再试几版，一场戏情绪没接上还有预算重拍。中国AI视频的下半场，大概要在这里拉开差距。

相关链接

• Vidu 官网：https://Vidu.cn