AI视频生成提速百倍 中国团队压低成本开放权重
AI视频生成正在被一连串中国团队的发布重新定价。过去,行业讨论的焦点是“能不能生成”;现在,问题变成了“多快能生成、多少钱一秒、能不能自己部署”。当清华系团队把5秒视频从184秒压到1.9秒,当Vidu把试拍价签到0.09元/秒,当MiniMax把旗舰视频模型权重直接开源,视频模型的竞争坐标已经不再只是画质榜单,而是前沿能力、系统效率和大众可用性的三角平衡。
清华TSAIL把5秒视频从184秒压到1.9秒
清华大学TSAIL实验室联合生数科技发布并开源了视频生成加速框架TurboDiffusion。这个框架在几乎不影响生成质量的前提下,把AI视频生成速度提升了100—200倍,目标直指“秒级实时生成”。
实测数据最能说明问题:
- 以1.3B模型生成5秒视频为例,标准官方实现需要184秒,TurboDiffusion只需1.9秒,速度提升约97倍;
- 使用14B图生视频模型生成5秒、720P分辨率视频,官方标准实现耗时4549秒,超过1小时,难以满足实时或互动场景;
- 在文本生成视频、图生成视频,以及高分辨率、长时长视频生成中,TurboDiffusion仍能保持显著加速表现。
这套框架发布后,OpenAI、Meta、vLLM等机构和开源社区的研究者、工程师纷纷点赞、转发。它之所以引发讨论,不只是因为数字夸张,更因为视频生成长期受制于推理成本:模型能力再强,如果一条短片要等上几分钟甚至一小时,创作流程就无法真正闭环。
一张RTX 5090撑起100到200倍加速
TurboDiffusion的另一个关键词是“普通显卡”。参考资料显示,在一张RTX 5090显卡上,该框架就能实现100—200倍的速度提升。对于大多数只有RTX 4090、5090这类消费级显卡的创作者来说,这比实验室里的顶配GPU更有现实意义。
此前,即便是H100这样的顶配GPU,在不加速的情况下生成一个短视频仍需数分钟。视频模型要进入日常创作流程,必须解决“生成一次等太久”的问题。TurboDiffusion把视频生成从“分钟级”拽向“秒级”,意味着创作者可以更快地试拍、改提示词、换镜头,而不是把大量时间耗在排队和等待上。
这也解释了为什么它被称为视频生成领域的“DeepSeek时刻”:不是单纯堆参数,而是用系统级加速把原本昂贵的能力拉到更低的硬件门槛上。当单卡就能跑出百倍加速,视频生成的边际成本开始出现重新计算的空间。

Vidu Q4 Preview把试拍价签写到0.09元每秒
几乎在同一时间,生数科技推出Vidu Q4 Preview,把竞争焦点从“生成速度”延伸到“生成价格”。作为Vidu Q4面向创作者的首个预览版本,它重点展示三项能力:更细腻的人物演绎、更有张力的镜头语言,以及更具冲击力的复杂视效。0.09元/秒起的定价,则直接击中了创作者反复试拍的成本痛点。
在一段果冻式家具跳入场景的测试中,模型需要处理多件物体的连续进场、压缩回弹、轻微晃动和动态光照变化。从呈现效果看,外形、尺度和落点保持稳定,画面没有明显穿插或位置混乱,后半段环境变暗、落地灯点亮的氛围切换也较为自然。这类场景考验的不是单一物体生成,而是模型对多物体运动、弹性形变和动态光照的综合控制力。
Vidu Q4 Preview背后,视频模型进入生产环节需要跨过三道门槛:
- 模型能力上限:人物要会表演,镜头要能推动叙事,特效要与环境自然互动,参考素材还要在连续画面中保持一致;
- 系统效率:生成速度足够快、单位算力产出足够高,团队才能并行测试多个版本;
- 创作门槛:单次成本降下来,广告、电商、短剧、动漫和影视团队才会把AI视频纳入正常预算。
换句话说,视频模型的“DeepSeek时刻”不能只靠一张惊艳的演示图,而要靠性能、效率和价格同时成立。Vidu Q4 Preview交出的是一张阶段性答卷,预览版之后,正式版能把能力上限推到何处,仍是行业关注点。
MiniMax H3开源首日冲上Hugging Face榜首
如果说TurboDiffusion解决的是“快”,Vidu Q4 Preview解决的是“便宜好用”,那么MiniMax H3把另一件事推到了台前:旗舰视频模型的开源。
2026年7月31日,MiniMax发布新一代全模态视频生成模型H3,三天后直接开源权重。开源首日,H3冲上Hugging Face热度榜首。第三方评测方面,截至8月2日,H3在Artificial Analysis视频编辑榜单位列第一,在带声音的文生视频榜单排名第二;在Arena图生视频排行榜上,H3也拿下全球第一。清华大学沈阳教授体验后认为,其“已进入全球视频大模型第一梯队”。
H3的差异不只在榜单。过去视频模型常把文生视频、图生视频、动作迁移、音频参考拆成独立模块,H3则在预训练阶段统一建模:用户用一句自然语言描述素材关系,模型自己理解并直接出片,输出还自带原生双声道立体声,音画同步,减少后期拼接。

更关键的是开放程度:
- 8GB显存即可本地跑,ComfyUI开源当日完成适配;
- 华为昇腾、AMD、Intel等芯片厂商,以及Hugging Face、魔搭、vLLM等框架,24小时内完成适配;
- 2K分辨率定价0.8元/秒,约为同类旗舰产品的三分之一。
在实际测试中,H3可以制作电影片头、游戏菜单、动态海报和时尚广告,也能为已有视频增加字幕、特效和视觉包装。a16z合伙人Justine Moore曾用“人物在黑板上写出Hi”的测试对比多个视频模型,此前模型均未成功,H3第一次完成。这个看似简单的任务,实际考验的是动态画面中人物动作、空间位置和文字生成的协同能力。H3的开源,让企业和开发者第一次有了接近头部水平、又能自行部署的视频模型选择。
字节快手MiniMax各自拨起算力算盘
“DeepSeek时刻”的另一面,是算力账本。视频模型和SaaS最大的不同在于:SaaS用户越多,边际成本越低;AI视频调用量越大,算力支出也越大。真正决定生意能否成立的,是单次调用本身是否赚钱。
目前,头部玩家已经走出不同路径:
- 字节Seedance:通过火山引擎把API接入第三方平台,720P约1.51元/秒;C端即梦在双11期间叠加会员、赠分和消耗折扣后,宣传底价约为0.16—0.19元/秒;
- 快手可灵:独立定价、独立激励,对外开放集中在专业创作工具链。2026年二季度,快手AIGC短视频营销素材投放消耗同比增长超70%,上半年超85万商家使用过平台免费AI经营工具;可灵近30亿美元融资引入腾讯、阿里云、百度等投资方;
- MiniMax H3:用开源权重和低价策略切入,2K分辨率0.8元/秒,把旗舰能力开放给开发者和企业自行部署。
创作者对成本的感受更直接。一家AI短剧制作公司负责人算过账:720P视频模型收费1.5—1.6元/秒,生成一分钟视频就是90元;同一镜头按“抽卡”三遍计算,每分钟算力成本近300元。AI影视制片人小七表示,不少在电影节展映的AI短片会修改几十次,精品短片一分钟成本可能达到上千元。
与此同时,模型能力差距正在缩小。Arena视频榜采用Elo盲测评分,第一名领先第七名仅65分,在Elo体系里远未达到“稳定优势”的门槛。当能力逐渐趋同,单纯卖模型的一方可能沦为流量平台的供应商,而拥有广告、电商、短剧、影视场景的生态玩家,更容易消化算力成本。
这也让“AI视频进入DeepSeek时刻”有了更准确的注脚:前沿性能打开创作空间,系统效率降低边际成本,普惠价格让更多人获得持续尝试的机会。TurboDiffusion把速度拉到秒级,Vidu Q4 Preview把试拍价格压到0.09元/秒,MiniMax H3把旗舰权重开放出来,三条线正在汇合。但这场竞赛远未到终局,谁能把单次调用做成赚钱的生意,谁才能真正把“DeepSeek时刻”变成视频生成的生产力时刻。