一度被誉为 " 地表最强 AI（人工智能）生图模型 " 的谷歌 Nano Banana Pro，其引发的新一轮技术热潮尚有余温，视频生成模型 " 大混战 " 又在年末迎来高潮。

先是海外 AI 视频初创公司 Runway 发布了新一代视频模型 Gen-4.5，并在基准测试中超越谷歌的 Veo3 登顶。12 月 1 日，快手可灵 AI 又丢出 " 王炸 "，上线 " 全球首个统一多模态视频大模型 " 可灵 O1，再次强化了其作为 " 生产力工具 " 的一面。

火药味很浓。

一般而言，普通 C 端（消费者）用户想生成相对较复杂和精细的视频，往往需要使用生图模型、视频生成模型以及剪辑软件等进行制作。实际操作中，多模型、多软件的切换比较耗时且繁琐，视频效果也可能会在流转中出现主体一致性差、动作崩掉等情况，需要重新 " 抽卡 "（需要通过反复尝试、调整提示词或参数来获得理想作品的过程）。

" 统一多模态视频大模型 " 据称主要解决的就是这个问题。

事实上，从去年开始，视频生成领域的竞争就已进入白热化。今年，国外的 Sora2、Veo3 逐渐确立统治地位，国内有多轮大版本更新且商业化速度一骑绝尘的可灵不断出招。时至年末，新一轮混战来袭，谁是 " 地表最强视频生成模型 "，我们离答案还有多远？《每日经济新闻》记者对可灵 O1 进行了实测。

支持多模态，输入文字指令就能 "P 视频 "

《每日经济新闻》记者实测发现，可灵 O1 首次将参考生视频、文生视频、首尾帧生视频、视频内容增删及修改变换等多任务，融合于大一统模型之中。

最重要的是，完成上述任务可以 " 全流程语义控制 "，用一句话就可以生成或修改视频。图片、视频、主体、文字等都可以被视为指令，可灵 O1 可综合理解用户上传的照片、视频或主体（一个角色的不同视角）的意图，生成视频的各种细节。

具体而言，记者实测发现，在可灵 O1 模型的多模态指令输入区，可以上传 1 到 7 张参考图或主体，自由组合人物、角色、道具、服装、场景等元素，让静态元素在视频中动起来。

视频生成后，也可以在输入区进行指令的变换，对原视频进行主体与背景的增加、修改、删除，也可以修改风格、颜色、材质、视角等。由于支持多模态输入，这个修改的过程可以由文字、图片、主体的输入语言任意组合。

比如，在输入区输入 " 删除【视频】中道路两侧的路人，保留马车 "，修改后的视频保持了主体的一致性，对被删除的内容进行了相对干净的抹除。

图片来源：可灵 O1 测试截图

除了用文字指令删除、增加内容外，还可以用图片指令修改视频的主体等。比如，输入 " 将【视频】中的雕像修改为【图片】中的姜饼人 "，生成的视频保持了原视频的运镜逻辑、背景一致，主体也按要求进行了替换。

图片来源：可灵 O1 测试截图

此外，可灵 O1 还可以改变视频的视角、景别，比如远景变特写、俯拍变仰拍等，并支持用参考视频内容进行新镜头的生成等。

如记者输入图片和视频两段素材，让图片中的静态主体以视频主体的舞蹈方式动起来，结果生成视频对原图片打光、色调以及主体形象的还原度相对较高，但也有一些小瑕疵，如手部细节模糊、人物身体比例不协调等，还需要重复 " 抽卡 "。

视频 " 一致性 " 有所提高，指令还可叠加使用

体验时记者注意到，可灵 O1 强化了输入图像及视频的理解，支持多视角图创建主体。也就是说上传一个角色的多视角照片，其可以在不同镜头、不同光照与风格下保持 " 同一个人 " 的特征不变。

比如，记者输入近期大热电影《疯狂动物城》主角 " 朱迪 " 的多张不同主体视角图片，在后期进行视频生成时，无论主角、道具、场景以及运镜如何变化，朱迪的主体形象都能够保持相对稳定。

不过，当记者添加了狐狸尼克的图片参考并进行更复杂的视频输出时，主体之外的人物形象出现不合逻辑的动作、形态呈现，甚至有一组舞会成员随着镜头推移，从双人跳舞变成了三人跳舞，需要重复 " 抽卡 "。

图片来源：可灵 O1 测试截图

此外，记者体验时还发现，不仅限于单个角色或物品，可灵 O1 还具备多主体融合能力。可以自由组合多个不同主体，或将主体与参考图混搭。这种能力适用于视频里呈现复杂的群像戏或互动场景中，模型能够独立锁定及保持每一个角色或道具的特征。不过，这个功能需要提供高清、主体明确的图片，否则需要重复 " 抽卡 "。而在复杂的互动场景下，多个主体的互动指令也需要更明确地描述，不然就难以避免重复 " 抽卡 "。

在实际场景落地中，如宣传视频就可以直接上传商品图、场景图等，通过多个主体相互组合快速完成视频生成。

图片来源：可灵 O1 测试截图

记者发现，除单点任务外，可灵 O1 还支持组合不同的技能，允许把各种指令叠加使用，一次性生成出来。比如，可以组合参考图片和修改视频风格，两个动作同时进行。

这些功能的升级，相对能够拓宽可灵的场景应用，特别是作为 " 生产力工具 "，可应用于影视创作、创意广告、服装穿搭参考视频、视频后期制作等。

不过，有不少网友表示，目前可灵视频 O1 模型的使用价格较贵，视频生成、修改成本高。据了解，视频价格取决于输入情况和生成视频长度——无视频输入时，8 灵感值 / 秒，有视频输入时，12 灵感值 / 秒。以单次购买一个月的可灵黄金会员价格为例，66 元 / 月、每月有 660 灵感值。如无视频输入，生成一个高品质 5 秒视频，大约需要 40 灵感值。

技术狂欢背后：可灵年收入即将破 10 亿元，C 端市场待垦

视频、图像 O1 模型上新后，12 月 3 日，可灵又官宣推出视频生成 2.6 模型。记者注意到，该模型提供了 " 音画同出 " 能力，升级了文生音画、图生音画两大功能。目前，语音支持生成中文与英文，生成的视频长度最长可达 10 秒。

12 月 4 日晚，新一代可灵数字人 2.0 宣布即日起正式全量上线。上传角色图、添加配音内容、描述角色表现，三步即可生成。相对旧版，新版在表现力、手部及口型精准控制上有提升，且支持最长 5 分钟的视频时长。

除了在年末迎来 " 技术周 "，前不久三季度财报披露时，可灵宣布 2025 年收入将达 10 亿元的商业化进程，再次引起不小的市场反应。

值得一提的是，目前可灵用户构成仍以 B 端客户为主。而随着 Open AI 正式发布的第二代 AI 视频生成模型 Sora 2 等将视频生成与社交互动深度融合，C 端消费级应用的落地进程明显加快。

快手科技创始人兼首席执行官程一笑在三季报电话会上也指出，" 当前我们的主要精力依然是面向专业创作者，但未来也会将可灵的技术能力进一步产品化，与社交互动结合，加速 C 端应用的商业化。" 这也回答了可灵未来增长方向的问题。

工信部信息通信经济专家委员会委员盘和林此前接受《每日经济新闻》记者微信采访时表示，视频生成赛道的最终受益者，可能还是内容创作平台，因为这些平台具备两样东西：其一，是最相关的用户群体，未来视频生成可能更多还是为短视频自媒体服务；其二是最大规模的用户受众，生成式 AI 带来的内容创作上的升级，会进一步影响创作者和观看者。

" 未来，快手平台上的创作者，需要借助可灵这样的 AI 工具来生成内容，或者至少辅助内容创作，这会大大提高平台内容输出的质量，从而更好地吸引用户，扩大快手在内容平台领域的影响力。" 盘和林如此补充。

每日经济新闻