不止漫剧:AI 制作视频的能力,这大半年变强了多少

不止漫剧NO.04 / 07

实证幕 · EVIDENCE

AI 制作视频的能力，这大半年变强了多少

从年初的十几秒，到 30 秒、到能改、到空间有了解法——这大半年的变化，比大多数人印象里的要快得多。

不止漫剧 · 实证幕约 3300 字 · 阅读时长约 4 分钟

SERIES · 系列进度

立论 · 怎么看01–02

实证 · 是什么03–05

判断 · 怎么办06–07

摘要 · SUMMARY

不到一年，AI 做视频的能力走了六步。被说“不行”的那些问题，多数是火候未到。

本篇看点03 PARTS

01大半年六个节点，能力是几条线一起往上走的

02空间这个老大难，有了解法

03被说“不行”，问题到底出在哪儿

「不止漫剧」这个系列，从策划的时候就想做一件事：把今年 AI 视频走过的路、现在到了哪一步、往后会往哪走，好好捋一遍，给打算进 AIGC 这行的人一个能用的参考。

前三篇分别讲了三件事：技术发展的规律、AI 短剧市场的现状和需求、还有已经跑出来的优质样本。

这一篇按计划，从 AI 短剧所依赖的大模型和工作流入手，看它们的更新迭代，再去推 AI 视频下一步会走到哪。资料翻下来，感受最深的是：AI 跑得比我们原先想的还要快，快到有点离谱。

先看今年到目前为止，几家大厂在“用 AI 做视频”这件事上，下了多大的功夫。

01大半年时间，AI 生成视频的能力发生了哪些变化

01/31可灵视频 3.0 全量开放，单次生成到 15 秒，画面和声音开始一起出

02/12字节的 Seedance 2.0 发布，同样是音视频一起生成

04/23可灵能直出 4K 画面

06/17可灵 3.0 Turbo

07/31Seedance 2.5 发布，单次生成提到 30 秒

09/28可灵 4.0 开始给会员试用，10 月正式上线

一年不到，六个节点，几乎每两个月一次。一家开了窍不稀奇，各家都在同一段时间里往前挪，这件事才说明问题。

这几步走下来，改的不只是画面效果，是干活的方式。

能力能这么密集地往上挪，是因为有人真金白银往里砸。

可灵这条线，一年里从 3.0 更到 4.0。7 月，它完成了近 30 亿美元的独立融资，投后估值约 180 亿美元，是全球视频生成模型赛道到目前为止最大的一笔单轮融资。快手二季度的研发开支涨到 46 亿元，同比多了三成以上，财报里写明主要就是 AI 投入。

字节那边铺得更开。据 36 氪、彭博社等报道，字节把「世界模型」列为 2026 年 AI 四大方向之首。世界模型指的是能实时交互、能被操控的视频生成，画面会跟着人的动作继续变下去。这个方向被排在所有其他方向前面，数据预算在中国同行里高出几倍，项目由创始人张一鸣亲自盯着，研发、云、硬件、内容几条线一起上。

今年 9 月，字节还完成了一笔 296 亿美元的银团贷款，约合 2100 多亿元人民币，外界普遍看作是给 AI 基建加码。

钱和人都往这一个方向压，赌的不是某款工具好不好卖。他们盯着的是视频本身会被重做一遍：怎么做、怎么看、拿来干什么，都要变。厂商愿意下这种注，本身就是需求存在的证据——做出来的东西最后谁买单，他们比谁都清楚。

02四处变化，值得单独说

其一，能改了

以前用 AI 生成视频，不满意只能重来。一条 30 秒的片子，第 20 秒多出来一个路人，或者主角表情不对，就得整段重新生成，重新抽，抽到满意为止，时间和钱全压在试错上。

现在能改了。Seedance 2.5 支持定位到具体时间点修改：把出问题的那几秒框出来，说一句“把这个路人去掉”，它就改那一段，前后的画面还接得上。除了画面内容，背景、视角、参考也都能单独换。这件事看着小，位置很关键。一个只能生成、不能修改的工具，拿它干活是没底的——出来的东西好不好，取决于抽到哪一张。能改了，才有“按流程做”这回事。

其二，能喂的素材多了

以前喂几张图就到顶了，现在一次能喂 30 张图、10 段视频、10 段音频。人物长什么样、场景什么风格、用什么声音，都能在生成之前先定下来。参考给得越足，出来的东西就越接近你想要的样子。

其三，流程也跟着变了

以前是一个镜头一个镜头生成，生成完拿剪辑软件拼起来，哪段不好就回去重抽，整个过程靠一个人盯着。现在是把能定下来的都先定下来，再让模型干活：人物长什么样有资产库，场景建一次后面接着用，分镜和关键帧先做出来确认，都对了才开始生成。一条片子里不同镜头用不同模型，也成了常规操作。

工序也补齐了——从分镜、资产、关键帧、生成，到剪辑、质检，六道工序一道不少。有从业者打了个比方：剧组缩小到了一个人，但工业流程该有的工序一样没少。

其四，角色能锁住了

角色一致性是个老毛病：同一个人前后两个镜头都能长得不一样，更别说多人同框。现在多个人物、群像也能各自锁住。

03最新的变化，出在空间这个老大难上

AI 视频被人挑得最多的一条，不是画质，是空间站不住。镜头一转，东西就挪了位置。人从桌子后面走过去，身子会穿进桌子里。两个人一前一后站着，一会儿前后关系又换了。

最近榜单上排在前面的《咱家剑宗团宠小师妹》就是现成的例子。这部剧已经更到第五季，热度一直很高，但看的时候照样能碰上这类毛病：同一个人前后两个镜头里站的位置对不上，该在门外的进了门里，两个人一前一后说话，换个角度前后关系就换了。这不是这一部的问题——越到人多、走位复杂的戏，现在的工具越容易在这上面出岔子。

原因是二维画面里没有深度的概念。模型看到的是一张张平面图，看不见的地方只能猜，一猜就飘。

解法是从拍电影那边借来的：先搭一个不带材质的立体场景，把机位、走位、遮挡关系在三维里定死，再让模型照着这套结构去画。这个不带材质的立体场景，行业里叫 白模。

7 月 31 日，Seedance 2.5 把“白模参考”写进了核心能力。官方博客的原话是，用户可以用无纹理的 3D 模型搭出画面的空间结构、主体姿态、运动轨迹和镜头机位，再让模型参考这套结构生成视频。

这道工序以前有门槛：想用白模，得先会建模，从零学 Blender 或者 Maya，入门就得几个月。现在这道门槛正被两头拆掉。

一头是 AI 自己会搭了。9 月 3 日上线的 GPT-6 Astra，能操作 Blender。这里要说准一点：它不是在软件里一步步点出来的，是写 Python 脚本，调用 Blender 的接口，把场景一件件搭出来。

演示的人给了一张老式蒸汽火车的手绘图，几分钟后，Blender 里多了 3295 个能单独选中、单独修改的零件。猎豹移动的傅盛完全不懂 Blender，发了张截图说一句“帮我复刻”，40 分钟左右拿到一个能进去走的 3D 场景。不过这个能力目前还是限量预览，没有全面开放。

另一头是平台把搭白模变成了拖拽。小云雀、即梦这些平台的 3D 导演台，把一张场景图拖进去，就自动还原成一个能编辑的立体白模。人物白模拖进来，用鼠标调每个人的位置、朝向、姿势，几分钟就能排完一场戏的站位。机位和运镜都是现成的。这些平台对外的说法是“不用第三方建模软件，也不用建模基础”。

AI 能做的事在变多，人指挥它的方式也在变顺手，这两头是一起走的。

04为什么还有人说 AI 视频不行

这两条线往上走的同时，另一种声音一直没停：AI 视频投入产出比太低，做一条亏一条，这条路走不通。

要说清楚的是，这些话不全错。

有实测算过，生成一条 30 秒的视频大概 70 元，复杂镜头平均要抽两三次才勉强能用。有行业里的人说，这一轮是稳步进步，“还不是代际进步”。下游做片子的团队，不少还在盈亏线附近。“抽卡师”这个岗位到现在还在，工作内容就是在生成出来的结果里挑能用的。

厂商自己也承认这一点——Seedance 官方博客的结语写着：在复杂运动的物理合理性、极多主体交互场景的稳定性上，模型仍有提升空间。由做模型的人自己说出来，比外面十个评价都实在。

但把这些当成“AI 视频不行”的证据，是把两件事混在一起了。

一件是眼下：技术和流程还没完全到位。白模是个解法，可还没普及；平台上的预演台受机位模板和资产限制，想精细控制还得回到专业软件那条路，而那条路目前最花时间。方法没到位，成本就压不下来。

另一件出在钱怎么赚上。AI 把制作成本压了下来，省下的这笔钱却没有留在做片子的人手里。现在一部短剧想让人看到，钱主要花在买量上，也就是投流、花钱买曝光。行业里的说法是，投流能占掉全链路总成本的七成上下；制作那头省了多少，投流这头大体就涨回多少。

能挣钱的去处也还太少。除了连载剧集靠平台分账，AI 视频能卖钱的另外几类场景，像广告、电商、企业营销、文旅、政企宣传，大多才刚开头，还没有形成规模。路只有这一条，还挤，回报自然好看不了。

这两样都不是“能不能”的问题，是“到没到火候”的问题。前面几篇已经看过两头——需求那头，AI 短剧的市场在长，优质样本也已经跑出来了；技术这头，能力一年就动了六个节点。两边同时往前，缺的就是时间。

而且这一次的速度，跟过去二十年不太一样。互联网从门户到电商再到移动，每一步之间的跨度都按年算；这几年 AI 的能力是一次叠着一次，间隔越缩越短。这轮更新换代的速度，比过去二十年互联网和 IT 领域任何一项技术的迭代都要快。

05结论

技术这头，不到一年走了六步：单次时长从十几秒到 30 秒，画面和声音从后期拼到一起出，人物一致性从单人漂移做到群像能锁，参考素材从几张图到 30 张图、10 段视频、10 段音频，编辑从整段重来变成能定位到第几秒改。空间这个老大难也有了三维预演的解法，搭白模这道工序还在被两头拆。需求那头，市场在长，样本跑出来了。厂商的融资、研发开支、组织里的优先级，也都在往这个方向压。

这些事挤在同一段时间里发生，眼下那些“AI 视频不行”的说法，说的大多是这个阶段的事：方法还没完全到位，能变现的路还太窄。

问题出在阶段，不在方向。

也正因为变化太快，现在的声音大致分成三种。

一部分人还没意识到这件事正在发生。

一部分人知道，但脑子里的 AI 视频还停在一年前那个版本。

还有一部分人，已经对一个发展不过两年、眼下还在高速变化的技术下了定论。

这条路现在还处在早期。技术没定型，流程没定型，先进场的人拿到的是一段别人还没有的经验。等它成熟了，AI 做的和真人做的摆在同一个货架上、大家都习以为常的时候再进场，对手就是一批已经做了两三年的人。

///写在最后

这个系列从头到尾只做一件事：把能查到的事实摆出来，判断留给你自己下。

真要说一句的话：看好这条路的，早一点进来；还拿不准的，多看看最新的信息，别拿老印象做决定。

我们是一乐数智AI教育，做的就是 AI 职业教育。这门课叫「AIGC 视觉全链路商业实战课」，教学重点落在导演思维、工作流和商业实战上。

这个系列写到第四篇了。下一篇，我们把 AI 视频在漫剧之外还能用在哪些地方详细捋一捋。想看下去的点个关注，跟着走完，再决定要不要学、要不要入行，也不迟。

数据来源

可灵视频 3.0 全量开放（2026-01-31，单次 15 秒、原生音画同步）、原生 4K 直出（2026-04-23）、3.0 Turbo（2026-06-17）、4.0 会员体验（2026-09-28），据可灵（快手）官方发布；Seedance 2.0（2026-02-12）与 Seedance 2.5（2026-07-31，单次 30 秒、最多 30 图 + 10 视频 + 10 音频参考、时间戳定向编辑、白模参考）据字节 Seedance 官方博客及火山引擎官方信息，其中「白模参考」原文表述为「用户可以用无纹理 3D 模型搭出画面的空间结构、主体姿态、运动轨迹和镜头机位，再让模型参考这套结构生成视频」；「在复杂运动的物理合理性、极多主体交互场景的稳定性上，模型仍有提升空间」出自同一官方博客结语。GPT-6 Astra 于 2026-09-03 上线、通过 Python 脚本调用 Blender 接口建模、蒸汽火车手绘图生成 3295 个可编辑零件，据 36 氪报道及演示者 Tom Krcha 公开说明；傅盛实测「约 40 分钟获得可进入的 3D 场景」据其公开实测及媒体报道；该能力目前为限量预览，据 OpenAI 官方页面状态与媒体报道。3D 导演台「拖入参考图自动还原白模」「内置预设人物动作／机位／运镜」「无需第三方建模软件与建模基础」据小云雀官方文案，实测流程据网易、腾讯相关实测报道（2026-07、08）。工作流变化（资产库、分镜与关键帧前置、按镜头选模型、六道工序）据行业公开报道与从业者访谈；「生成一条 30 秒视频约 70 元、复杂镜头平均抽生成两三次」据第三方实测；「还不是代际进步」「下游团队仍在盈亏线附近」「抽卡师岗位仍存在」据从业者公开表述及行业报道。厂商投入部分：可灵 2026-07 完成近 30 亿美元独立融资、投后估值约 180 亿美元、为全球视频生成模型赛道迄今最大单轮融资，据快手 2026-07-02 公告及媒体报道；快手 2026 年二季度研发开支 46 亿元、同比增长逾三成、主因 AI 投入，据快手 2026 年第二季度未经审核业绩公告；字节将「世界模型」（实时交互、空间感知的视频生成）列为 2026 年 AI 四大重点方向之首、该方向数据预算为八位数人民币且为中国同行的三到四倍、由创始人张一鸣亲自督导并协调研发／云／硬件／内容多条业务线与算力、2026-09 完成 296 亿美元银团贷款，据 36 氪报道、彭博社消息，另见科创板日报、澎湃新闻、腾讯新闻等转引。《咱家剑宗团宠小师妹》为红果 AI 漫剧榜单常驻作品、系列已更新至第五季，据公开榜单与媒体报道；文中其空间与人物站位问题为观看感受的描述，非行业测评结论。「投流约占全链路总成本七成」为行业报道口径，非全样本统计。

前情前三篇把地基铺完了：

技术在换代而不是退潮（01）：不止漫剧：三十年前，一位内行给互联网也判过死刑，一次性交付不值钱了（02）：不止漫剧：你可能远远低估了AIGC的影响力，决定天花板的是判断（03）：不止漫剧：同样是用 AI，为什么只有它跑到了第 13 季。这一篇回头看技术本身——这大半年，AI 做视频的能力到底往前走了多少。

下篇AI 视频在漫剧之外，还能用在哪些地方——需求已经从短剧溢出到了别的行业。

一乐数智AI教育

关注 AI 内容生产与 AI 职业教育的真实变化