國外的 Luma、Runway，國內的快手可靈、位元組即夢、智譜清影…… 你方唱罷我登場。無一例外，它們對標的都是那個傳說中的 Sora。其實，說起 Sora 全球挑戰者，生數科技的 Vidu 少不了。早在三個月前，國內外影片生成領域還一片「沉寂」之時，生數科技突然曝出自家最新影片大模型 Vidu 的宣傳影片，憑藉其生動逼真、不輸 Sora 的效果，驚豔了一眾網友。就在今天，Vidu 正式上線。無需申請，只要有個郵箱，就能上手體驗。（Vidu官網連結：www.vidu.studio）
此外，Vidu 的生成效率也賊拉猛，實現了業界最快的推理速度，僅需 30 秒就能生成一段 4 秒鏡頭。接下來，我們就奉上最新的一手評測，看看這款「國產 Sora」的實力究竟如何。不僅延續了今年 4 月份展示的高動態性、高逼真度、高一致性等優勢，還新增了動漫風格、文字與特效畫面生成、角色一致性等特色能力。主打一個：別人有的功能，我要有，別人沒有的功能，我也要有。現階段，Vidu 有兩大核心功能：文生影片和圖生影片。
提供 4s 和 8s 兩種時長選擇，解析度最高達 1080P。風格上，提供寫實和動畫兩大選擇。
讓歷史重新鮮活起來，是當下最流行的玩法。這是法國畫家伊麗莎白・路易絲・維瑞的名作《畫家與女兒像》。
我們輸入提示詞：畫家與女兒像，母女緊緊抱在一起。
生成的高畫質版本讓人眼前一亮，人物動作幅度很大，連眼神都有變化，但效果挺自然。
提示詞：抱銀鼬的女子面露微笑。
長達 8 秒的影片裡，女子和寵物動作幅度較大，特別是女子的手部撫摸動作，還有身體、面部變化，但都沒有影響畫面的自然、流暢。大幅度、精準的動作有助於更好地表現影片情節和人物情緒。不過，動作幅度一旦變大，畫面容易崩壞。因此，一些模型為保證流暢性，會犧牲動幅，而 Vidu 比較好地解決了這一問題。模擬真實物理世界的運動，還真不錯。比如，復刻類似庫布里克《2001 太空漫遊》的情景！
提示詞：長鏡頭下，緩緩走向消失。 
提示詞：兩朵花在黑色背景下緩慢綻放，展示出細膩的花瓣和花蕊。
提示語：這次只她一人，獨自坐在櫻花深處的鞦韆架上，穿著粉紅的春衫，輕微蕩著鞦韆，幅度很小，像坐搖椅一般，微垂著頭，有點百無聊賴的樣子，緩緩伸足一點一點踢著地上的青草。那櫻花片片飄落在她身上頭上，她也不以手去拂，漸漸積得多了，和她衣裙的顏色相融，遠遠望去彷彿她整個人都是由櫻花砌成似的。Vidu 語義理解能力不錯，還可以理解提示中一次包含多個鏡頭的片段要求。比如，畫面中既有海邊小屋的特寫，還有運鏡轉向海面遠眺的遠景，透過鏡頭切換，賦予畫面一種鮮明的敘事感。
提示語：在一個古色古香的海邊小屋裡，陽光沐浴著房間，鏡頭緩慢過渡到一個陽臺，俯瞰著寧靜的大海，最後鏡頭定格在漂浮著大海、帆船和倒影般的雲彩。對於第一人稱、延時攝影等鏡頭語言，Vidu 也能準確理解和表達，使用者只需細化提示詞，即可大幅提升影片的可控性。
提示詞：第一人稱視角，女友牽著我的手，一起漫步在海邊。Vidu 是一款能夠準確理解和生成一些詞彙的影片生成器，比如數字。
提示詞：一塊生日蛋糕，上面插著蠟燭，蠟燭是數字 “32”。蛋糕上換成「Happy Birthday」的字樣，它也能hold住。
提示詞：一塊蛋糕，上面寫著"HAPPY BIRTHDAY"。目前市面上的 AI 影片工具大多侷限於寫實風格或源於現實的想象，而 Vidu 除了寫實風格外，還支援動漫風格。我們選擇動畫模型，直接輸入提示詞即可輸出動漫風格影片。
說實話，這畫風有宮崎駿老爺子的味道。Vidu 讀懂了提示詞，小女孩切菜動作一氣呵成，就是手指和刀具在不經意間仍有變形。
Vidu 的想象力還挺豐富，自個兒把背景設定為帶有噴泉的公園，這也讓影片畫面不那麼單調。當然，我們還可以上傳一張動漫參考圖片，再輸入提示詞，如此一來，圖片中的動漫人物就能動起來啦。例如，我們上傳一張蠟筆小新的靜態圖，然後輸入提示詞：蠟筆小新大笑著舉起手裡的小花。圖片用途選擇「用作起始幀」。
我們來瞅瞅效果：
再上傳一張呆萌皮卡丘的影像，輸入提示詞為「皮卡丘開心地蹦起來」。圖片用途選擇「用作起始幀」。
繼續上效果：
上傳《海賊王》路飛的影像，再餵給它提示詞：男孩突然哭起來。
效果如下：
不得不說， Vidu 的動漫效果相當驚豔，在保持風格一致性的同時，顯著提高了畫面的穩定性和流暢性，沒有出現變形、崩壞或者六指狂魔、左右腿不分等「邪門」畫面。在「圖生影片」板塊中，除了支援首幀圖上傳，Vidu 這次還上新一項功能 —— 角色一致性（Charactor To Video）。所謂角色一致性，就是上傳一個角色影像，然後可以指定該角色在任意場景中做出任意動作。
提示詞：在一艘宇宙飛船裡，吳京正穿著太空服，對鏡頭揮手。
提示詞：吳京穿著唐裝，站在一條古街上，向鏡頭揮手。如果說，首幀圖上傳適合創作場景一致性的影片，那麼，有了角色一致性功能，從科幻角色到現代劇，演員七十二變，信手拈來。此外，有了角色一致性功能，普通使用者創作「梗圖」、「表情包」可以燥起來了！比如讓北美「意難忘」賈斯汀・比伯和賽琳娜再續前緣：
《武林外傳》中佟湘玉和白展堂嗑著瓜子，聊著同福客棧的八卦：
只要腦洞夠大，什麼地鐵老人吃手機、鰲拜和韋小寶打啵、容嬤嬤喂紫薇吃雞腿，Vidu 都能整出來。影片生成過程中，使用者最煩啥？當然是龜速爬行的進度條。試想，為了一段幾秒的影片，愣是趴在電腦前等個十分鐘，再慢性子的人也很難不破防。目前，市面上主流 AI 影片工具生成一段 4 秒左右的影片片段，通常需要 1 到 5 分鐘，甚至更長。例如，Runway 最新推出的 Gen-3 工具需要 1 分鐘來完成 5s 影片生成，可靈需要 2-3 分鐘，而 Vidu 將這一等待時間縮短至 30 秒，速度比業內最快水平的 Gen-3 還要再快一倍。
「Vidu」底層基於完全自研的 U-ViT 架構，該架構由團隊在 2022 年 9 月提出，早於 Sora 採用的 DiT 架構，是全球首個 Diffusion 和 Transformer 融合的架構。
在 DiT 論文釋出兩個月前，清華大學的朱軍團隊提交了一篇論文 ——《All are Worth Words: A ViT Backbone for Diffusion Models》。這篇論文提出了用 Transformer 替代基於 CNN 的 U-Net 的網路架構 U-ViT。這是「Vidu」最重要的技術基礎。
由於不涉及中間的插幀和拼接等多步驟的處理，文字到影片的轉換是直接且連續的，「Vidu」 的作品感官上更加一鏡到底，影片從頭到尾連續生成，沒有插幀痕跡。除了底層架構上的創新，「Vidu」也複用了生數科技過往積累下的工程化經驗和能力。生數科技曾稱，從圖任務的統一到融合影片能力，「Vidu」可被視為一款通用視覺模型，能夠支援生成更加多樣化、更長時長的影片內容。他們也透露，「Vidu」還在加速迭代提升。面向未來，「Vidu」靈活的模型架構也將能夠相容更廣泛的多模態能力。生數科技成立於 2023 年 3 月，核心成員來自清華大學人工智慧研究院，致力於自主研發世界領先的可控多模態通用大模型。自 2023 年成立以來，團隊已獲得螞蟻集團、啟明創投、BV 百度風投、位元組系錦秋基金等多家知名產業機構的認可，完成數億元融資。據悉，生數科技是目前國內在多模態大模型賽道估值最高的創業團隊。公司首席科學家由清華人工智慧研究院副院長朱軍擔任；CEO 唐家渝本碩就讀於清華大學計算機系，是 THUNLP 組成員；CTO 鮑凡是清華大學計算機系博士生、朱軍教授的課題組成員，長期關注擴散模型領域研究，U-ViT 和 UniDiffuser 兩項工作均是由他主導完成的。今年 1 月，生數科技旗下視覺創意設計平臺 PixWeaver 上線了短影片生成功能，支援 4 秒高美學性的短影片內容。2 月份 Sora 推出後，生數科技內部成立攻堅小組，加快了原本影片方向的研發進度，不到一個月的時間，內部就實現了 8 秒的影片生成，緊接著 4 月份就突破了 16 秒生成，生成質量與時長全方面取得突破。如果說 4 月份的模型釋出展示了 Vidu 在影片生成能力上的領先，這次正式釋出的產品則展示了 Vidu 在商業化方面的精心佈局。生數科技目前採取模型層和應用層兩條路走路的模式。一方面，構建覆蓋文字、影像、影片、3D 模型等多模態能力的底層通用大模型，面向 B 端提供模型服務能力。另一方面，面向影像生成、影片生成等場景打造垂類應用，按照訂閱等形式收費，應用方向主要是遊戲製作、影視後期等內容創作場景。《當前最強國產Sora！清華團隊突破16秒長影片，懂多鏡頭語言，會模擬物理規律》
《專訪生數科技唐家渝：清華系團隊拿到近億融資，用Transformer來做多模態大模型》
《國內公司有望做出Sora嗎？這支清華系大模型團隊給出了希望》
參考連結：