Vidu Q4 Preview 开卷 AI 视频下半场：人物能演、镜头敢动，和 9 分钱一秒背后的「世界模型」
新智元实测 Vidu Q4 Preview：文戏里的微表情、屋顶跑酷的动作层次、能量碰撞的物理余波，人物能演、镜头敢动；最多 15 张参考图与 3 段参考音频，首发限时 0.09 元/秒起。与 Seedance、可灵的三线对垒背后，AI 视频正从「生成画面」走向「导演内容」。
综述
最近几部 AI 短片刷爆了全网。Land 工作室的《接招吧！咻孩》把童年守着电视看特摄的那股劲儿拍了出来——老虎怪人、章鱼烧人、孩子们一本正经的幻想，熟悉的粗粝画面几下就把人拽回小时候；而镜头落到旁边的老人身上时，情绪又慢慢变了味：热闹拍得出来，心事也藏得进去。
国庆档前后，生数科技的 Vidu Q4 Preview 出现在几支风格迥异的短片里：《斩梦》有红刃与巨蛇的高速交锋，《青山》把杀气藏进烛光下的磨刀，《吃掉日子的猫》用黏土般的小脸承载情绪。从 2D 热血动漫到 3D 风格化动画，再到手工质感的黏土定格，打戏能燃，文戏能收，镜头开始有了自己的讲究。即将上映的院线级 AI 原生电影《三星堆：未来往事》，也由生数提供首席技术支持。
Q4 Preview 这次主打三件事：人物表现、运镜和复杂视效，尤其在 2D、3D 动漫场景里表现力突出；同时把首发限时优惠价打到 0.09 元/秒起。于是出现了一个很诱人的判断：AI 视频既能拍得好看，又终于拍得便宜了。
但真正值得拆的不是「又发了一个模型」，而是两件事的叠加：表现力正在成为新的竞争维度，而试拍价格正在掉到「分钱级」——这两条线交汇的地方，藏着 AI 视频行业从「上半场拼技术」切换到「下半场拼作品」的换挡点，也藏着生数押注多年的「世界模型」技术路线的一次公开兑现。
专业分析
一、9 分钱一秒的经济学：降价的本质，是把「试错」变成可负担的动作
先把价格结构读清楚。通过 API 调用，图生视频 720P 约 0.6 元/秒、1080P 约 0.75 元/秒；直接在 Vidu 平台创作，Preview 阶段提供为期两个月的限时优惠，首发价低至 0.09 元/秒起。
想象一场 16 秒的武侠打斗：第一版动作漂亮但力量感不够，第二版换机位突出出招瞬间，第三版加人物特写捕捉眼神变化——按最低优惠价算，五次生成只要 7.2 元。而在过去，每多试一次都意味着额外的人力、时间和制作预算，很多创意就是停在反复试拍的账单前：生成几次不满意，再看一眼余额，算了。
这里有一个容易被忽略的行业逻辑：创意生产本质是概率游戏，成片质量 ≈ 单次成功率 × 尝试次数。模型能力决定单次成功率的上限，而价格决定尝试次数的下限。当试错便宜到几块钱，「多拍几遍」从奢侈变成默认动作，创作者才真正有底气反复打磨一个镜头。
更重要的是，这轮降本不是纯补贴。生数与清华联合推出的 TurboDiffusion 研究，从低比特计算、稀疏注意力、减少采样步数三个方向压缩视频生成的计算开销——用更高的计算效率支撑更低的生成成本，这是算法侧的结构性降本。这也让人想起 DeepSeek 带给大模型行业的冲击：当高性能模型变便宜，技术就从少数人的昂贵工具变成多数人的日常生产力。AI 视频正在逼近同样的拐点。
需要冷静的是：0.09 元/秒是限时首发价，API 的 0.6–0.75 元/秒才是长期成本锚点。但即便按 API 价计，这个数字也已经处在有竞争力的激进区间。
二、从「生成画面」到「导演内容」：三段实测，三个真正的难点
Q4 Preview 的「传神表现力」不是宣传词，拆开看是三场戏、三个技术难点。
文戏考的是情绪连续性。 列车上的女子握着一封蓝色信封，从紧绷到抬眼，再到含泪的浅笑，情绪随着窗外的小站一点点展开——全程没有一句对白，靠眼神、嘴角和手部动作把心事带出来。脸上的变化有过程，手里的动作接着情绪走。对模型来说，难的不是画一张好看的脸，而是让表情在时间轴上有起承转合。
动作戏考的是镜头的信息设计。 屋顶邮差这一段，拍出了助跑、蹬地、腾空、屈膝落地、再继续跑的动作层次；侧面全身镜头把起跳点、屋顶缺口和落点一起交代清楚，观众能跟着看懂人物如何从一侧到另一侧。人物怎么动、镜头从哪里看，第一次可以一起成为创作安排——这是「运镜」作为叙事语言的意义。
特效戏考的是物理因果。 星轮迎上陨石，碎块向两侧散开，披风掀起，人物后撤；随后火花散开、烟尘上浮，星轮消退，人物与石台上的金光一起变弱。起势、碰撞、余波接成一场戏，能量碰撞和人物受力发生在同一次冲击里——复杂视效不只是「炫」，而是参与了叙事。
三场戏指向同一个分水岭：会生成漂亮画面只是入场券，会让观众「看懂」一个镜头才是真本事。AI 视频的上半场拼技术参数，下半场开始拼作品。
三、15 张参考图与 3 段音频：一致性从「后期修补」前移到「输入端管理」
Q4 Preview 最多支持 15 张参考图、3 段参考音频——人物、场景、道具与角色音色，都能成为创作输入。新智元的动漫双人对话实测用五张参考图和两段音色，生成了一场 16 秒的日语对话：两位女生坐在同一张长凳上轮流说话，一人开口，另一人用眼神和表情回应，两个角色各有自己的脸，也各有自己的声音。
这件事的分量比看上去重。系列化内容最大的成本从来不是单镜头生成，而是一致性——角色不能转头变脸，音色不能下一句就漂移，道具遮挡后要能接上。过去这靠后期修补和反复重roll，现在多参考把一致性前移成输入端约束：多图给角色定形，音色给角色添性格，提示词就能腾出来集中描述台词、停顿和情绪。
再叠加效率参数：单次最长 16 秒，支持 2K、4K 输出，官方口径 5 秒视频最快约 110 秒生成，人物与音色参考可以在不同镜头间复用——尝试新动作、新表情、新机位时，不必重复设定角色。
多参考维持一致性、快速生成缩短反馈周期、低价格让反复试拍可承受，三者叠加改变的不是某一个环节，而是精品内容的生产方式本身。
四、「Vidu 味儿」背后，藏着一条世界模型的技术暗线
看完这些片段，会发现几个很具体的细节：人物挥刀，衣摆跟着甩动；巨石碎裂，碎片与烟尘接着散开；能量消退，角色和地面上的光一起变弱。一场戏要拍得可信，模型就得把动作和后续变化接起来；镜头换个角度，人物、道具和空间关系也要跟得上。
这背后是生数长期探索的「世界模型」（World Model）路线：Motus、Motubrain 等世界动作模型研究，把视频、语言与动作放进统一框架，让未来画面的预测与机器人动作生成发生联系——其中 Motubrain 在 RoboTwin 2.0 和 WorldArena 排行榜上位居第一。
在生数的通用世界模型布局里，Vidu 是面向内容创作者的产品，相当于产品家族里长期站在台前的「大娃」。人物转身会不会变脸、道具经过遮挡还能不能接上、下一场戏能否延续上一场的状态，都要在具体作品里接受检验——研究底座的价值，最终要兑现成创作者手上的好镜头。
这条暗线的商业含义值得点破：视频生成既是内容生意，也是世界模型的训练场。内容侧的收入与真实创作需求反哺长期研究，而世界模型又是具身智能的底座——一鱼两吃，这是纯视频生成公司没有的结构。
关联信息与影响
把这次升级放进整个行业的情报网，能看到几条交叉线索。
第一条：中国 AI 视频的「乒乓球队内赛」成形了。 Seedance 2.5 继续往专业制作流程里深入，强调 30 秒长叙事、精准参考与编辑，加入白模控制、绿幕编辑；可灵持续加码真实感与精细控制，围绕长叙事、关键帧和多模态参考；Vidu Q4 Preview 则把「传神表现力」打到台前，再用更低的试拍起价把能力送进更多人的预算。三条路线，一个方向：从「生成画面」走向「导演内容」。队内厮杀，拉高的是整个行业的天花板。
第二条：需求端已经变天了。 2025 年《哪吒 2》狂揽超 159 亿元全球票房、登顶全球动画电影票房榜，证明中国观众愿意为顶级动画、优秀角色和精彩故事付费——但观众记住的从来不只是特效，还有角色的脾气、情绪和个性。技术负责制造奇观，故事负责留下观众。
第三条：短剧与漫剧正在工业化。 全国网络视听用户逼近 11 亿，漫剧商业化加速，行业政策开始发力；短剧、漫剧告别粗放生产、走向精品化竞争。会演戏、懂镜头、能讲故事的模型，正好卡在这个升级窗口的供给侧。
第四条：AI 原生内容正在叩响院线大门。 《三星堆：未来往事》把 AI 原生电影带进电影院。从卡梅隆对 3D 与表演捕捉的探索，到李安对 4K、120 帧的尝试，新的视听语言从来都是在争议中一次次摸索出来的——从小屏幕到巨型银幕，中间跨越的正是技术能力的断代考验。
第五条：「DeepSeek 时刻」的逻辑正在视频生成上重演。 当高性能模型变得更便宜，技术就从少数人的昂贵工具变成多数人的日常生产力。大模型推理侧已经走完这条路，视频生成侧的算法降本（TurboDiffusion 一脉）刚刚开场。
未来展望
短期看三件事：两个月限时优惠结束后的真实定价与用户留存——「Vidu 味儿」能不能从惊艳样片变成持续创作的工作流，这是第一块试金石；《三星堆：未来往事》上映后的票房与口碑，等于院线级 AI 原生电影的一次公开压力测试；以及可灵、Seedance 和国际厂商是否跟进价格与表现力的双重竞赛。
中期，竞争焦点会从单镜头表现力升级到分钟级长叙事、声画同生与角色资产化。多参考机制若能长成「数字演员」体系——一套角色形象与音色资产在整部剧里复用——AI 视频就真正接上了短剧、漫剧的工业化生产线。15 张参考图和 3 段音频是这条路的起点，不是终点。
长期，最值得盯的是世界模型这条暗线。如果视频模型真的学会了物理与因果，「生成」与「模拟」的边界会消失：同一套底座，向上长出游戏、交互式视频和虚拟拍摄，向下长出机器人训练环境。内容创作与具身智能共享一个研究底座的公司，会在两条赛道上同时收利息。
泼的冷水同样明确：官方演示是精选样片，平均水准与 demo 之间永远有距离；「最快 110 秒」是最优情况，实际受分辨率、规格与排队影响；限时价不等于常态价；版权与内容监管仍是悬在所有 AI 视频厂商头上的变量；而 Sora、Veo 等国际选手同样在表现力与降本上狂奔——下半场没有轻松的对局。
信号强度
个人创作者与小团队：几块钱的试错价是最直接的利好，「多拍几遍」第一次进入预算表。但记住 0.09 元/秒是两个月限时首发价，做长期预算请以 API 的 0.6–0.75 元/秒为锚。动漫、二创、短片赛道的创作者是当前受益最大的群体。
短剧、漫剧与动画制作公司：精品化竞争叠加多参考一致性能力，直击规模化生产的核心痛点——角色一致、音色可复用、单镜头成本可控。关键验证点在于能否嵌入现有制片流程：分镜脚本到成片链路的打通程度，比单条 demo 的惊艳度重要得多。
同行厂商（可灵、即梦、国际选手）：表现力这个维度被 Vidu 拉到台前，价格锚点被重新定义。三条路线各守一端固然成立，但下半场拼的是作品而非参数——只有单点长板的厂商会越来越被动，全维度均衡加上成本结构优势才是终局门票。
研究者：Motubrain 在 RoboTwin 2.0 与 WorldArena 登顶，为「视频生成是世界模型的训练场」这一论断提供了榜单证据；视频-语言-动作的统一框架仍是开放的富矿，物理一致性（衣摆、碎片、光影余波）的评测方法学尤其值得建立。
投资人：生数的叙事结构是「研究底座 + 产品前台」的双兑现——世界模型路线有榜单背书，Vidu 有价格与表现力的双重攻势。需要盯的是：优惠期结束后的留存与毛利、《三星堆》的院线验证结果、以及价格战下的烧钱可持续性。「AI 视频的 DeepSeek 时刻」这个判断，一半是技术趋势，一半是营销叙事，需要分开计价。
信息局限说明：本文基于新智元报道与生数官方口径整理。0.09 元/秒为 Preview 阶段限时首发优惠价（约两个月），API 常规参考价 720P 约 0.6 元/秒、1080P 约 0.75 元/秒；「5 秒视频最快约 110 秒生成」为官方最优口径，实际耗时受分辨率、生成规格与排队情况影响；15 张参考图/3 段参考音频、Motubrain 排行榜第一、《哪吒 2》159 亿元票房、11 亿网络视听用户等数字均为厂商发布或媒体报道口径，尚未经第三方独立交叉验证。
生数科技 Vidu Q4 Preview 实测表现力与 0.09 元/秒首发价，AI 视频进入下半场（AI 情报库 2026-10-15 收录）
本文基于 AI 情报库收录的条目展开深析；事实性信息以原始报道为准，分析与展望为编辑观点。
