生數科技聯手清華髮布 Vidu：一鍵生成 16 秒 1080p 影片對標 Sora

OpenAI 扔出 Sora 這顆深水炸彈後，全世界都在看中國團隊什麼時候能拿出對標的產品。

在 2024 年北京舉辦的中關村論壇上，生數科技聯合清華大學正式釋出了文生影片大模型 Vidu。它能夠一鍵生成 16 秒長、1080p 高畫質解析度的影片片段，直接把自己擺在了挑戰 Sora 的擂臺上。

16 秒 1080p，架構據說比 Sora 還要早

如果單看生成時長，Vidu 目前能跑出 16 秒，和 Sora 標稱的 60 秒相比還有明顯差距。但在解析度上，它直接做到了 1080p 高畫質。

更有意思的是底層的模型架構。官方表示，Vidu 基於一種叫 U-ViT（通用視覺 Transformer）的架構。這套架構是生數科技團隊早在 2022 年 9 月提出的，從時間節點上看，比 Sora 所採用的 DiT 架構還要更早一些。

按照研發團隊的說法，正是得益於這套架構，Vidu 具備了模擬真實物理世界的能力，不僅能處理逼真的光影變化和細膩的人臉表情，還能生成富有想像力、甚至現實中不存在的超現實畫面。

能切鏡頭，但畫質細節還沒徹底追平

在演示中，生數科技特意挑了不少類似 Sora 當初展示過的場景來進行復刻，正面叫板的意味很濃。

Vidu 展現出了很搶眼的多機位鏡頭切換能力。它可以在單個場景裡自然過渡，把遠景、中景和特寫順滑地銜接起來，而不需要切斷重新生成。

從生成質量來看，Vidu 表現出來的時序一致性確實可圈可點，物體和人物在鏡頭移動時沒有出現離譜的形變或穿模。

不過如果把兩者的生成結果並排對比，客觀地說，Vidu 在畫面的真實感和細節質感上，依然比不上 Sora 的水準。那種電影級的材質細膩度，生數科技顯然還需要再花時間追趕。

為什麼重要

我們認為，Vidu 的釋出對影片創作者和國內 AI 賽道來說是一個很關鍵的訊號。

對創作者而言，目前雖然還沒到直接替換專業影視渲染的地步，但 16 秒加上 1080p 的多鏡頭切換能力，已經足以讓自媒體制作分鏡指令碼或動態概念圖的效率翻倍。一旦開放測試，非常值得短影片和設計團隊第一時間上手試試。

從行業競爭來看，這是國內團隊在長影片生成領域一次非常硬核的技術交卷。它證明了國內不僅能快速跟進前沿方向，而且在底層架構上有自己的學術積累，沒完全跟在海外開源路線後面跑。

生數科技直接拿 Sora 的經典 Prompt 來做演示，做法挺大膽，也很有野心。這既讓大家直觀看到了差距縮小到了什麼程度，但也把畫質上的短板毫無保留地擺在了明處。看起來，底座架構打通之後，接下來拼的就是海量高質量資料訓練和工程細節的微調了。