上线文生视频功能， 腾讯大模型再追赶

11 月底就被 " 剧透 " 的腾讯混元大模型文生视频功能，在近日正式上线。目前该模型已上线腾讯元宝 App，用户可在 AI 应用中的 "AI 视频 " 板块申请试用，企业客户通过腾讯云提供服务接入，目前 API（应用程序编程接口）同步开放内测申请。自 OpenAI 发布 Sora，国内外的视频生成式大模型轮番抢镜，在国内快手和字节跳动正面交锋，阿里云、MiniMax、美图等也有备而来，和同行相比，腾讯混元不算快节奏。

在提示框输入一段描述，就可以生成一段视频，从使用流程看，腾讯混元大模型的文生视频功能和类似产品无异。在这部分，混元给用户提供了转场视频、多动作视频、超写实视频三种灵感提示。

记者体验发现，用户可以选择写实、动画、电影、黑白、赛博朋克五种视频风格及五种比例。*指令部分的选择更多，包括景别、光线、镜头运动等，其中景别包括特写、近景等五种，镜头运动包括固定镜头、手持摄影、拉近镜头等 14 种。

根据腾讯提供的评测报告，腾讯混元视频生成模型与国内两个同类模型的持续时间都是 5 秒，在文本对齐方面的得分分别是 61.8%、62.6%、60.1%，运动质量方面分别是 66.5%、61.7%、62.9%，视觉质量方面分别是 95.7%、95.6%、97.7%。和 GENN-3 alpha（Web）相比，腾讯混元视频生成模型的持续时间少一秒，文本对齐高 14.1 个百分点，运动质量高 11.8 个百分点，视觉质量持平。

腾讯混元多模态生成技术负责人凯撒介绍，混元基于跟 Sora 类似的 DiT 架构，在架构设计上进行了升级。混元视频生成模型适配新一代文本编码器提升语义遵循，其语义跟随能力可以更好地应对多个主体描绘，实现更细致的指令和画面呈现；采用统一的全注意力机制，使每帧视频的衔接更流畅，实现主体一致的多视角镜头切换；通过图像视频混合 VAE（3D 变分编码器），让模型在细节表现有明显提升，特别是小人脸、高速镜头等场景。

当天，腾讯宣布开源该视频生成大模型，该模型已在 Hugging Face 平台及 Github 上发布，包含模型权重、推理代码、模型算法等完整模型，企业与个人开发者可免费使用和开发生态插件。目前，腾讯混元已开源旗下文生文、文生图和 3D 生成大模型。

对于为何选在此时上线文生视频功能，凯撒的回答是：" 一个月前我们训练完了，现在上线水到渠成。" 业内人士更关心的是，该功能和同行相差的几个月时间差对腾讯的压力，" 视频生成的成熟度还没有到外界想象得那么高，现阶段还是要自己做技术打磨 "，凯撒说。

在和记者交流时，比达分析师李锦清表示，" 文生视频的实现难度更高，但商业空间更大，短期内竞争门槛不会马上建立，行业和企业有共性或特性的问题要解决，比如数据就是个槛 "。

根据 GIR ( GlobalInfo Research ) 调研，2023 年全球文生视频大模型收入大约 720 万美元，预计 2030 年达到 22.19 亿美元，2024－2030 年期间，年复合增长率 CAGR 有望达到 56.6%。