数字媒体

敬请参阅最后一页特别声明
1

传媒与互联网组分析师：朱珺（执业
S1130526050001
）
zhujun1
＠gjzq.com.cn
分析师：柴梦婷（执业
S1130525030013
）
chaimengting
＠gjzq.com.cn

视频生成模型
专题深度系列
（一）
报告导读：

目前视频生成模型相比于LLM 仍处于较早期阶段，技术范式尚未完全收敛，近期部分观点认为多模态能力更接近
模型能力组件，而非推动智能能力上限提升的核心主线，但这均不影响多模态模型离商业化相对比较近。我们认
为AI 视频生成赛道仍有不错的商业模式，产业趋势持续向好，正处于商业化加速验证期。从技术端和产业端来
看，AI 视频生成赛道都迎来积极的边际变化：

1、技术端：7 月31 日，Seedance2.5 正式发布，相较于2.0 重点突破：单次生成时长提升至30 秒；多模态参考
素材提升至50 个；精准编辑。模型进一步释放生产力，且应用场景扩充至具身智能、工业制造、汽车等行业。
同日，Minimax 发布全模态生成模型 H3，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力、
能够输出具备原生双声道的音视频。

2、产业端：1）短剧持续爆发：据中国网络视听协会，26Q1，新上线AI 微短剧数量占比超95%。据DataEye，今
年1 月至5 月AI 剧/漫剧市场规模已突破220 亿元，全年有望冲击400 亿元。2）长剧/电影领域拓展：《太平年》
中可灵AI 深度参与部分虚拟场景及视觉特效镜头的创作。国内首部获得《网络剧片发行许可证》的全流程AIGC
网络故事片《奇谭：纸刃渡荒墟》登陆爱奇艺，标志着中国AIGC 影视从AI 短片/概念片到AI 商业长片的突破。

在技术不断迭代推动之下视频生成产业趋势持续向好，我们看好赛道商业化潜力爆发。后续核心关注及潜在催化
包括：Seedance 2.5 实际效果、ARR 转化；H3 实际效果及商业化贡献；其他模型Kling 等更新及ARR。

本系列将就以下问题做答：1）视频生成模型发展进程与技术迭代路线？技术瓶颈？2）以海外为鉴，Sora 关停启
示？3）核心玩家对比及自身迭代复盘？4）商业化变现途径？市场空间？5）竞争壁垒和格局？6）产业链玩家？
投资逻辑：
本篇报告将聚焦于前三个问题进行分析：

DiT 为目前主流基础架构，但技术范式尚未完全收敛。视频生成模型经历了从以GAN/VAE 为代表到Token 化
Transformer 与Diffusion 并行发展再到DiT 规模化，已呈现出Scaling 效应，但尚未迎来类似LLM 的技术范式
收敛时刻。下一阶段技术突破仅靠继续扩大模型规模、训练数据或许还不够，核心目标或将是推动模型从拟合表
面规律走向学习可预测的动态关系，提升复杂场景下的物理合理性。

Sora 是AI 视频生成行业重要转折点之一，其关停表明模型能力突破并不必然转化成商业成功。Sora 实现了生
成时长突破；复杂提示词理解能力增强；时序一致性与画面稳定性明显提升；部分初步模拟能力。Sora 今年全面
关停，主要系，1）战略聚焦：OpenAI 全力备战IPO，叠加应对Anthropic 的竞争，将资源聚焦到Coding、企业
服务等核心领域；2）商业模式未跑通：用户热度不持久，粘性低，收入和成本倒挂。3）版权增加约束。

从核心玩家对比来看，视频模型各有千秋和侧重。Seedance 2.5 更偏向“全模态长叙事与创作控制模型”，拥有
最大规模的多模态参考数量、最长的单次生成时长和专业级精细编辑；Kling 3.0 系列更偏向“角色一致性与可
控分镜模型”，优势在于分镜级精细控制和跨镜头主体一致性；H3 更偏向“全模态理解与参考编辑模型”，核心优
势在于跨模态素材理解，对生成、参考和编辑任务的统一支持；Veo 3.1 更偏向“高画质镜头生成与延展模型”，
核心优势在于高质量短镜头、首尾帧控制和连续视频延展。
风险提示
技术发展不及预期；竞争加剧；商业化进程不及预期等。

互联网
行业研究
2026
年08 月05
日
买入
（维持评级
）
行业专题研究报告
证券研究报告

行业专题研究报告

敬请参阅最后一页特别声明
2

扫码获取更多服务
内容目录
一、视频生成模型历史发展进程与技术迭代路线如何？ ............................................... 3
1.1 技术迭代：从Diffusion/自回归Transformer 过渡至DiT 为主流 ............................... 3
1.2 当下瓶颈：从拟合表面规律走向学习可预测的动态关系 ....................................... 6
二、以海外为鉴，Sora 关停的启示？ .............................................................. 7
2.1 Sora 的突破：时长+文本理解+时序一致性+初现世界模拟 ..................................... 7
2.2 Sora 的关停：战略+商业模式未跑通+合规等问题共同导致 .................................... 8
三、核心玩家对比以及自身迭代版本复盘？ ......................................................... 9
3.1 对比：Seedance 重全模态长叙事与控制、Kling 重角色与分镜、H3 重全模态理解与参考编辑、Veo 重镜
头质量与延展 ............................................................................... 9
3.2 Seedance 历史迭代：从高质量视频生成迈向统一多模态与长叙事创作.......................... 13
3.3 Kling 历史迭代：从视频生成可用化迈向统一多模态与专业叙事创作 .......................... 14
四、风险提示 .................................................................................. 16

图表目录
图表1： 视频生成模型历史发展及技术迭代路线 .................................................... 3
图表2： GAN 结构图 ............................................................................. 4
图表3： VAE 结构图 ............................................................................. 4
图表4： DiT 架构 ............................................................................... 4
图表5： U-Net 对比Transformer ................................................................. 5
图表6： Google Veo 3 架构 ..................................................................... 5
图表7： 可灵Omni 架构 ......................................................................... 6
图表8： 视频生成模型在物理推理基准上的表现 .................................................... 7
图表9： Sora 视频生成核心流程 .................................................................. 7
图表10： Sora 2 核心升级 ....................................................................... 8
图表11： Sora APP 月度下载量 ................................................................... 9
图表12： Sora APP 月度消费者支出 ............................................................... 9
图表13： Seedance 2.5 VS Kling 3.0 Omni VS H3 VS Veo 3.1 ..................................... 10
图表14： HappyHorse 1.1 VS PixVerse V6 VS Vidu Q3 系列 ........................................ 12
图表15： Seedance 历史版本 .................................................................... 13
图表16： Kling 历史版本 ....................................................................... 15

行业专题研究报告

敬请参阅最后一页特别声明
3

扫码获取更多服务
一、视频生成模型历史发展进程与技术迭代路线如何？
1.1 技术迭代：从Diffusion/自回归Transformer 过渡至DiT 为主流

我们复盘视频生成模型历史发展及技术迭代路线，大致可以归为四大阶段，分别是早
期学术探索阶段（2021 年之前）、Token 化Transformer 与视频扩散并行发展期（2021-
2023 年）、DiT 规模化期（2024-25Q1）和原生音视频与多模态创作产品化期（25Q2-
至今）。
图表1：视频生成模型历史发展及技术迭代路线
发展阶段
核心技术路线
主要能力与局限
代表模型
早期学术探索期（2016—
2020 年）
以GAN 和VAE 式变分潜变量模型为
代表。GAN 通过生成器与判别器的对
抗训练生成视频；VAE 类方法通过学
习潜变量分布和采样，建模视频未来
状态的不确定性
主要用于无条件视频生成、根据
前序帧预测未来及特定数据集实
验；生成视频通常较短、分辨率
较低，场景和运动类型有限，尚
未形成成熟的开放域文生视频能
力
GAN 路线：VGAN、MoCoGAN；VAE
类路线：SV2P、SVG-LP
Token 化Transformer 与视
频扩散并行发展期（2021—
2023 年）
一条路线先将视频转化为离散视觉
Token ，再通过自回归或掩码
Transformer 生成；另一条路线将图
像扩散模型扩展至时间维度，并进一
步发展出潜空间视频扩散
文生视频能力逐步形成，文本控
制、画质及时序连贯性有所提升；
但复杂运动、主体一致性、生成
效率和较长时间范围内的稳定性
仍然有限
Transformer 路线：VideoGPT、
CogVideo、Phenaki、VideoPoet；
扩散路线：Video Diffusion
Models、Imagen Video、Stable
Video Diffusion
DiT
规模化期（2024—
2025Q1）
视频先通过压缩网络或视频VAE 映
射至低维潜空间，再被表示为时空
Patch 或Token，由Transformer 承
担核心生成任务
Transformer 更便于扩大模型、
数据和计算规模，时空建模、提
示词遵循、运动生成和跨帧一致
性进一步提升；复杂场景和长时
稳定性仍有改进空间
Sora
、
CogVideoX
、
HunyuanVideo、Wan 2.1
原生音视频与多模态创作产
品化期（2025Q2 至今）
两类能力加速进入商业产品：一是联
合生成画面、对白、音效和环境声；
二是利用文本、图片、视频和音频等
素材进行参考生成、视频修改及上下
文编辑
视频生成由无声画面扩展至同步
音视频，并进一步支持多素材参
考、续写和视频编辑；不同模型
支持的输入、输出和编辑能力并
不完全相同
原生音视频：Veo 3/3.1 、
Seedance 1.5 Pro；多模态生成
与编辑：Seedance 2.0、Runway
Aleph/Aleph 2.0
来源：arxiv.org，国金证券研究所

2021 年之前：早期学术探索期，以GAN（生成式对抗网络）和VAE（变分自编码器）
为代表。

GAN 通过“生成器—判别器”对抗训练生成视频：生成器根据随机噪声或条件信息
合成视频，判别器判断视频来自真实数据还是生成器，生成器据此不断提升结果
的真实性。VAE 在训练时将视频压缩成带有随机性的潜变量，并训练解码器根据
这些潜变量还原视频，训练完成后，模型可以随机采样一组潜变量，再由解码器
生成一段新视频。当前视频模型仍使用Video VAE 等进行时空压缩与解码，VAE
更多承担“视频压缩器和解码器”的角色，而不是直接决定生成视频的内容。

GAN 需要让生成器和判别器不断博弈，一旦双方训练失衡，模型就可能难以收敛，
或反复生成少数几类相似视频，从而影响内容多样性。与图像生成相比，视频生
成还需要学习物体运动和帧间一致性，而随着分辨率和视频时长提高，时空数据
规模、计算及显存需求增加，对抗训练更加困难。受当时模型架构、算力和训练
稳定性等限制，早期视频GAN 集中于低分辨率、短时长视频生成。VAE 通常要求
生成视频在每个像素上尽量接近真实视频。当同一场景存在多种合理的运动或
细节变化，而潜变量又未能充分区分这些可能性时，模型可能在不同结果之间取

行业专题研究报告

敬请参阅最后一页特别声明
4

扫码获取更多服务
折中，导致画面偏平滑、边缘模糊，细节和纹理不足。
图表2：GAN 结构图

图表3：VAE 结构图

来源：Google for developers，国金证券研究所

来源：Wikimedia Commons，国金证券研究所

2021-2023 年：Token 化Transformer 与视频扩散并行发展。当时主流路线：
1）基于扩散模型Diffusion 生成视频：训练时不断向真实视频加入噪声，让模型学
习反向去噪，生成时从随机噪声出发，在文字提示的引导下经过多轮去噪，逐步形成
清晰视频。传统扩散模型通常采用 U-Net 作为去噪网络，通过逐级压缩和恢复视频
特征、融合不同尺度的信息，预测每一步需要去除的噪声。该路线优势是通常能够生
成质量较高的内容、训练相对稳定，缺点是需要多次迭代，生成速度较慢。代表模型
为Runway Gen-1 等。
2）基于Transformer 架构大语言模型生成视频：像语言模型一样预测视频Token。
模型先将文字、图像、视频音频压缩为离散化Token，再根据已有Token 依次预测后
续Token，注意力机制可以寻找不同画面、时间和输入条件之间的关联。该路线优势
是能以统一的 Token 序列处理多种模态，在同一模型中灵活组合多种输入和生成任
务，缺点是生成速度较慢，长序列计算开销较大。代表模型为Google VideoPoet 等。

2024-2025 年：Diffusion 与Transformer 融合，DiT 成为主流架构。

DiT 架构：模型通常先通过视频压缩网络（VAE 或类似的自编码器），将原始视频
在空间和时间维度压缩到计算量更低的潜空间，再将视频潜变量切分为一系列
时空Patch，并转换为Transformer 能够处理的Token。训练时，模型向视频潜
表示加入噪声，在文字、图像等条件的引导下，由Transformer 建模不同画面区
域及前后帧之间的关联，并学习如何将带噪表示逐步更新为干净的视频表示。生
成时从随机噪声出发，经过多轮迭代得到视频潜变量，最后由解码器将其还原为
像素空间中的完整视频。Sora、可灵等均明确采用了Diffusion Transformer 或
相近的Transformer 扩散架构，DiT 已成为视频基础模型的主流技术路线之一。
图表4：DiT 架构

来源：《Scalable Diffusion Models with Transformer》，国金证券研究所

行业专题研究报告

敬请参阅最后一页特别声明
5

扫码获取更多服务

与此前的自回归Transformer 路线不同，DiT 一般不是按照固定顺序逐个预测
“下一个视频Token”，而是在扩散框架下，对整组时空Token 进行多轮更新。
其核心变化是以Transformer 替代扩散模型中传统的U-Net，作为处理带噪潜变
量的主干网络，从而将扩散模型的迭代生成机制与Transformer 较强的规模扩
展能力、长距离依赖建模能力结合起来。

去噪环节从U-Net 到Transformer，核心区别在于：U-Net 是从局部出发，通过
多层网络逐渐理解整体，再恢复细节；Transformer 则是把视频拆成一组时空
Token，让不同画面区域和前后帧的信息相互参考，在整体关系中不断更新并还
原视频。核心优势包括：1）时空关系建模能力更强。更容易联系相隔较远的画
面区域和前后帧，提升视频连续性。2）模型规模扩展能力更好。随着模型规模
和训练算力增加，性能通常能够持续提升。
图表5：U-Net 对比Transformer
对比维度
U-Net 去噪主干
Transformer 去噪主干（DiT）
处理方式
采用U 形多尺度网络，结合卷积及时间模
块逐层处理带噪视频特征
将视频表示为时空Token，利用注意力
计算不同区域及帧之间的关系
主要优势
局部细节和多尺度结构处理成熟，计算相
对高效
长程时空关系、跨帧一致性和模型规模
扩展能力更强
主要局限
远距离关系主要通过多层网络和额外时间
模块传递
视频Token 数量庞大，注意力计算和显
存开销较高
代表模型
Video Diffusion Models、Imagen Video、
Video LDM、Stable Video Diffusion
Sora 、可灵1.0 、Seedance 1.0 、
Seedance 1.5 Pro、HunyuanVideo
来源：arxiv.org，国金证券研究所

2025-至今：原生音视频与多模态创作成为主流的进化方向，DiT 架构仍为核心底座。

1）原生音视频：此前视频模型通常先生成画面，再通过其他模型后期添加音效，
而原生音视频模型则在同一生成过程中共同生成画面和音效，使人物口型、动作
和声音内容更自然地对应。核心优势是减少后期拼接，提升音画同步和整体叙事
效果。代表模型包括Google Veo 3、Seedance 1.5 Pro 及可灵VIDEO 3.0 等。
图表6：Google Veo 3 架构

来源：《Veo 3 Technical Report》，国金证券研究所

2）多模态创作：模型不再只接受文字或单张图片，而是可以同时理解文字、图
片、视频和音频等多模态素材。其核心变化是将过去分散在多个模型和工具中的
生成、参考与编辑能力逐步整合到统一模型中，使视频创作从“单次生成”逐步走
向连续、可控制的完整工作流。代表模型包括可灵O1/VIDEO 3.0 Omni、Gemini

行业专题研究报告

敬请参阅最后一页特别声明
6

扫码获取更多服务
Omni、Seedance 2.0 等。

以可灵O1 为例，核心流程如下：1）模型同时接收文字指令、参考图片和参考视
频，并以多模态视觉语言（MVL）的形式，将文字与视觉素材组织为统一输入表
示。2）Prompt Enhancer 基于多模态大语言模型理解不同输入之间的关系，推
断创作者的具体意图，并重新组织提示词，使优化后的提示词更符合模型熟悉的
指令表达方式，进而改善主体身份一致性、空间关系连贯性、色彩还原度和物理
合理性。3）优化后的指令特征与图片、视频形成的多模态上下文共同进入Omni-
Generator。生成器在共享嵌入空间中联合处理视觉Token 和文本Token，使不
同模态进行交互，以提高视觉一致性。4）基础生成器首先输出视频的低分辨率
潜变量，随后多模态超分辨率模块同时以该潜变量和原始MVL 信号为条件，进
一步补充纹理、边缘等高频细节，最后经解码输出视频。
图表7：可灵Omni 架构

来源：《Kling-Omni Technical Report》，国金证券研究所
1.2 当下瓶颈：从拟合表面规律走向学习可预测的动态关系

目前，视频生成模型的技术评价重点已不再局限于能否生成视觉质量较高、表面合理
的单个视频，而是进一步转向长时一致性、复杂交互和物理合理性等能力。头部模型
实践及相关研究表明，增加模型规模和训练计算通常能够改善生成质量，扩充并优化
视频和文本训练数据也有助于提升指令遵循，视频生成领域已呈现出Scaling 效应。
但现有研究也表明，仅靠Scaling 或不足以使模型自动掌握能够稳定外推至训练分
布外场景的物理规律。在速度、尺寸等条件超出训练分布的物体运动与碰撞场景中，
模型仍可能更接近于模仿训练数据中的相似案例，而非学习出能够稳定外推的底层
物理规则。

下一阶段的突破仅靠继续扩大模型规模、训练数据和算力或许还不够，核心目标之一
或将是推动模型从学习表面规律，进一步转向建模物体状态、材料属性、运动轨迹、
相互作用及其结果之间的动态关系，让模型学到更具预测性的动态结构。从而使模型
在场景条件发生变化时，也能较准确地判断后续会发生什么，提升复杂场景下的物理
合理性。

在新发布的Seedance 2.5 描述中，也指出了新模型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。

行业专题研究报告

敬请参阅最后一页特别声明
7

扫码获取更多服务
图表8：视频生成模型在物理推理基准上的表现

来源：《Apple-π:Benchmarking Thinking with Video Towards Law-Grounded Physical Intelligence》，国金证券研究所
二、以海外为鉴，Sora 关停的启示？
2.1 Sora 的突破：时长+文本理解+时序一致性+初现世界模拟

核心流程：1）构建统一视觉表征。训练阶段，Sora 通过视觉压缩网络将图像和视频
从像素空间映射到经过空间和时间压缩的潜在空间，再将潜变量切分为一系列时空
Patch，作为Transformer 处理的视觉Token。2）构建文本与视觉条件。训练阶段，
OpenAI 利用视频描述模型为训练视频生成更加详细的文字标签，以提高文本与视频
内容的对应关系。生成阶段，GPT 会将用户的简短提示扩展为更完整的描述。3）
Diffusion Transformer 迭代去噪。训练阶段，模型接收带噪声的时空Patch，并在
文本等条件引导下学习预测原始的干净Patch。文生视频时，模型根据目标视频的时
长、分辨率和宽高比，排列相应规模的随机初始化Patch 网格，再通过扩散去噪逐步
生成视频潜变量；图生视频和视频生视频则在输入图像或视频的条件下完成动画化、
延展或编辑等任务。4）解码输出视频。生成完成后，视频潜变量通过对应的解码器
映射回像素空间，形成最终视频。
图表9：Sora 视频生成核心流程

来源：OpenAI 官网，国金证券研究所

Sora 的突破体现在以下几个方面：
1）生成时长与规格实现突破。Sora 能够生成最长约1 分钟的高清视频，并支持不同
的时长、分辨率和宽高比。Sora 通过将不同规格的图像和视频统一转换为“时空
Patch”，扩大了可利用的训练数据范围，也增强了模型处理长视频和多种画幅的能力。
2）复杂提示词理解能力增强。Sora 可以更准确地呈现提示词中的主体、动作、场景
细节和镜头要求。得益于用重描述技术为训练视频生成更详细的文字标签，并利用
GPT 将用户的简短提示扩展为完整描述，从而提高文字条件与视频内容之间的匹配度。
3）时序一致性与画面稳定性明显提升。Sora 在部分长视频中能够维持人物、动物和

行业专题研究报告

敬请参阅最后一页特别声明
8

扫码获取更多服务
物体的外观，在主体被遮挡、短暂离开画面或切换镜头后，仍保留一定的连续性。其
基于Transformer 的扩散模型直接在时空Patch 上建模，有助于学习相隔较远的画
面区域和时间片段之间的关系，从而改善长时序一致性，但这种能力并非始终稳定。
4）初步展现“世界模拟”能力。 Sora 能够在动态镜头下保持一定的三维空间关系，
并表现物体持续存在、人物动作改变环境状态等现象，说明大规模视频训练使模型开
始学习现实世界中的部分空间与运动规律。但仍属于统计意义上的视觉模拟，Sora 尚
不能可靠还原玻璃破碎、物体形变等基础物理过程。

Sora 2 进化到视频生成GPT-3.5 时刻：第一代Sora 被OpenAI 称为视频生成的“GPT-
1 时刻” ，强调其意义在于证明扩大预训练规模可以带来物体持久性等此前较难稳定
出现的能力，而Sora 2 进一步将行业推进至近似“GPT-3.5 时刻”——视频模型已由
展示性生成迈向具备原生音频、复杂指令控制和初步物理模拟能力的实用阶段。
图表10：Sora 2 核心升级
Sora 2 核心升级
相较第一代Sora 的变化
物理模拟更准确
更能遵循物理规律，合理表现浮力、刚体运动以及动作失败后的结果
原生同步音频
从视频生成扩展为视频与音频生成，可同步生成对白、环境声和音效
可控性明显增强
能够遵循跨多个镜头的复杂指令，并更好地保持人物、物体和环境状态
真实感与风格范围提升
画面真实感提高，同时增强写实、电影和动漫等风格的生成表现
来源：OpenAI 官网，国金证券研究所
2.2 Sora 的关停：战略+商业模式未跑通+合规等问题共同导致

战略：OpenAI 全力备战IPO，叠加应对Anthropic 的竞争，将算力、人力、资金等资
源聚焦到Coding、企业服务等核心领域。Sora 的关停也是公司重新分配稀缺算力资
源、减少非核心产品投入的举措。

商业模式：

用户数据在上线初期表现亮眼，热度并不持久：Sora 上线5 天内下载量突破100
万，并迅速登顶App Store 榜首。但一个月后，下载量就开始明显下滑，2025 年
12 月，Sora 下载量环比下降32%；2026 年1 月，下载量继续暴跌45%。

用户粘性低：据a16z 合伙人Olivia Moore 转引的Sensor Tower 早期数据（2025
年11 月），Sora App 的7 日用户留存率约为2%，30 日留存率约为1%，早期60
日留存曲线接近0%。用户体验一次新鲜感后，由于缺乏持续使用的刚需场景，
难以找到长期使用的价值，从而导致用户粘性极低。

商业模式未跑通，收入和成本严重倒挂：收入端，Appfigures 估算Sora 整个生
命周期的应用内购收入仅约210 万美元。成本端，根据《福布斯》在较高用户使
用量假设下的测算，其日算力成本可能达到1,500 万美元。《华尔街日报》援引
知情人士称，Sora 实际每天亏损约100 万美元。整体来看，Sora 虽然实现了较
大用户触达，但用户付费和持续度不足以覆盖高昂的视频生成成本，UE 尚未跑
通。

行业专题研究报告

敬请参阅最后一页特别声明
9

扫码获取更多服务
图表11：Sora APP 月度下载量

图表12：Sora APP 月度消费者支出

来源：Appfigures，国金证券研究所

来源：Appfigures，国金证券研究所

合规：Sora 2 仍未完全解决版权问题。产品上线初期，OpenAI 采取“主动退出”（opt-
out）机制，即版权方需主动申请，才能限制相关角色被生成，引发影视公司和版权
组织反对。2025 年10 月，OpenAI 宣布向更接近opt-in 的权利人控制机制调整。此
后，美国电影协会和日本CODA 均要求OpenAI 加强生成端的拦截，并停止未经许可使
用版权作品。2025 年12 月，OpenAI 与迪士尼达成授权合作，允许Sora 在授权范围
内使用超过200 个旗下角色，显示其开始转向明确授权模式。但该合作仅覆盖特定
IP，训练数据授权、未授权角色识别及规模化版权合作机制等问题仍未完全解决。
三、核心玩家对比以及自身迭代版本复盘？
3.1 对比：Seedance 重全模态长叙事与控制、Kling 重角色与分镜、H3 重全模态理解与
参考编辑、Veo 重镜头质量与延展
我们选取目前头部视频生成最新模型进行对比，核心结论：

Seedance 2.5 更偏向“全模态长叙事与创作控制模型”：1）输入与参考方面，模型延
续2.0 统一的多模态音视频联合生成架构，单次最多可输入30 张图片、10 段视频和
10 段音频，并强化白模、运动和创意参考。2）生成与控制方面，模型可在30 秒内
组织多个有逻辑关联的镜头，使故事从铺垫、推进、转折到收尾逐步展开，并通过优
化镜头衔接和场景过渡提升连贯性；在延展中也可保持主体特征、场景环境和叙事节
奏的连贯。同时，模型支持时间戳级控制与编辑，可定向修改特定时段的角色、动作
和剧情，并增强绿幕、视角、运镜及参考编辑能力。3）输出与延展方面，单次可生
成最长30 秒的音视频，并支持多轮延展。4）整体来看，Seedance 2.5 将大规模多
模态参考、30 秒长叙事和精细音视频编辑相结合，核心优势在于更长的单次生成时
长、长叙事连贯性和专业级精细控制。

Kling 3.0 系列更偏向“角色一致性与可控分镜模型”：1）输入与参考方面，3.0 Omni
支持文字、图片、视频和Element（将角色外观和声音沉淀为可重复调用的主体资产）
组合输入，无视频输入时最多可使用7 张图片或Element，有视频输入时可使用1 段
3—10 秒视频，并搭配最多4 张图片或Element。2）生成与控制方面，角色外观和声
音可沉淀为重复调用的主体资产，在不同场景和镜头中保持一致；支持自动多镜头和
自定义多镜头生成，用户可逐镜头设定时长、景别、视角、叙事内容和运镜。3）输
出与延展方面，单次可生成3—15 秒、720p 或1080p 音视频。4）整体来看，可灵3.0
系列将角色资产复用、逐镜头编排和原生音视频生成相结合，核心优势在于分镜级精
细控制和跨镜头主体一致性。

Minimax H3 更偏向“全模态理解与参考编辑模型”：1）输入与参考方面，H3 可统一
理解文字、图片、视频和音频组成的多模态上下文，单次最多支持9 张图片、3 段视
频和3 段音频，混合素材总数不超过12 个，并可通过自然语言描述不同素材之间及
其与目标视频之间的关系。2）生成与控制方面，模型将文生视频、首尾帧生成、多
模态参考、视频动作迁移和音视频编辑等任务统一建模，可分别参考或修改人物、动
作、运镜、风格、声音和剪辑节奏。3）输出与延展方面，单次可生成4—15 秒、最
高2K、24 FPS 的视频。4）整体来看，H3 将全模态理解、多模态参考与生成编辑统
一到同一套系统中，核心优势在于跨模态素材关系理解，对生成、参考和编辑任务的
统一支持。

行业专题研究报告

敬请参阅最后一页特别声明
10

扫码获取更多服务

Veo 3.1 更偏向“高画质镜头生成与延展模型”：1）输入与参考方面，模型支持文字、
首帧、首尾帧和Ingredients 参考生成，最多可输入3 张人物、角色或产品参考图。
2）生成与控制方面，Veo 3.1 强调电影化画面表现、提示词遵循、首尾帧之间的自
然过渡和原生音频生成，但公开接口不支持多段视频和独立音频混合参考。3）输出
与延展方面，单次可生成4 秒、6 秒或8 秒视频，支持720p、1080p 和4K 及原生音
频；视频延展每次增加7 秒、最多延展20 次，合并后最长约148 秒，但仅支持720p，
且输入必须是此前由Veo 生成的视频。4）整体来看，Veo 3.1 的核心优势在于高质
量短镜头、首尾帧控制和连续视频延展，但其素材参考规模相对中国的模型更有限。
图表13：Seedance 2.5 VS Kling 3.0 Omni VS H3 VS Veo 3.1
模型
Seedance 2.5
Kling 3.0 Omni
MiniMax H3
Veo 3.1
特征
更偏“全模态长叙事与创作控
制模型”：围绕30 秒多镜头叙
事，强化镜头衔接、场景过渡、
多轮延展、大规模多模态参考
和时间戳级编辑，提升复杂内
容创作的可控性
更偏“角色一致性与可控分镜
模型”：以Element 为核心复用
角色外观和声音，并将主体一致
性、原生音频与逐镜头编排结合
更偏“全模态理解与参考编辑
模型”：统一处理文字、图片、
视频和音频，将生成、参考、动
作迁移及音视频编辑等任务纳
入同一框架
更偏“高质量镜头生成与延
展模型”：突出画面质量、电
影化表现、提示词遵循、原生
音频、参考图控制和视频延展
总体架构
延续Seedance 2.0 的统一多
模态音视频联合生成架构；未
进一步披露具体Transformer、
VAE 及参数量等底层结构
Kling 3.0 系列采用深度融合的
统一模型训练框架，将多模态输
入、原生音频、Element 和多镜
头生成整合至统一流程；具体网
络结构及参数量未披露
完整系统由H3-Context-IR、
H3-Base 和H3-Regenerate-2K
组成。H3-Base 采用33B 参数
的稠密单流
H3-Omni-
Transformer，将不同模态编码
为统一序列并联合预测音频与
视频潜变量
Veo 3 采用音视频联合潜空间
扩散架构：音频和视频分别经
自编码器压缩为潜变量，再由
基于Transformer的去噪网络
联合生成；Veo 3.1 未披露单
独的底层架构变化
输入模态
支持文字指令，以及图片、视频
和音频等参考素材混合输入
支持文字、图片、视频和Element
混合输入；Element 可通过多角
度图片或角色视频建立，并可上
传声音样本绑定角色音色
支持文字、图片、视频和音频输
入；覆盖文生视频、首帧、尾帧、
首尾帧及多模态参考生成
Gemini API 支持文字和图片
输入；此前由Veo 生成的视频
可作为延展输入
参考素材规
模
单次最多输入30 张图片、10 段
视频和10 段音频，可混合使用
无视频输入时最多输入7 张图片
或Element；有视频输入时可输
入1 段3—10 秒视频，并合计输
入最多4 张图片或Element
最多输入9 张图片、3 段视频
和3 段音频，混合素材总数不
超过12 个；视频和音频单段不
超过15 秒；音频不能单独输入
最多输入3 张参考图片，用于
保持人物、角色或产品的外
观；首帧和尾帧属于独立的帧
控制模式
多模态参考
能力
可综合理解参考素材中的构
图、场景、风格、人物、道具和
声音；强化白模、运动和创意参
考，可控制空间结构、人物姿
态、运动轨迹、镜头角度和运镜
图片、视频、Element 和文字均
可作为提示信息，可参考人物、
商品、场景、动作及运镜，并将
人物外观和声音沉淀为可复用
Element
可通过自然语言指定不同素材
与目标视频之间的关系，例如
分别参考视频运镜、图片人物
和音频音色；支持人物、动作、
镜头、风格、声音及剪辑节奏参
考
通过Ingredients 参考图、首
帧和首尾帧控制人物、产品、
物体、场景及视觉风格；公开
API 不支持多段视频和独立音
频混合参考
复杂动作与
指令
可结合文字、白模、运动参考和
时间戳控制复杂动作、运动轨
迹及镜头；复杂运动的物理合
理性和多主体交互稳定性仍有
提升空间
提升文本指令响应和动作表现，
在多人群像及互动场景中可分
别锁定人物或物体特征，并将动
作、运镜和主体一致性结合
强调复杂多模态指令遵循、跨
模态关系理解和视频到视频动
作迁移；H3-Context-IR 负责理
解、整理和细化复杂多模态指
令
强调提示词遵循、复杂动作描
述、电影化镜头运动和视觉物
理真实感；可通过详细提示词
控制主体动作、环境变化和镜
头运动
多镜头与分
镜
30 秒内可组织多个具有逻辑关
系的镜头，使故事形成铺垫、发
展、转折和收尾；可利用时间戳
控制特定时段的叙事、视角、运
支持自动Multi-Shot 和Custom
Multi-Shot，可逐镜头指定时
长、景别、角度、叙事内容和运
镜，并优化镜头之间的衔接
预训练任务包含原生多镜头建
模，可通过自然语言描述不同
镜头及视听关系；未披露逐镜
头参数化分镜界面
可通过提示词描述景别、视
角、运镜、动作和镜头变化；
公开API未提供逐镜头时长和
参数化分镜设置

行业专题研究报告

敬请参阅最后一页特别声明
11

扫码获取更多服务
镜和节奏
角色一致性
在多人同框和群像叙事中，可
保持多个人物的外观、声音和
主体特征；视频延展时可保持
主要人物、环境和叙事节奏
可将角色外观和独特声音绑定
为Element，并在不同视频、场
景和镜头中反复调用；复杂群像
中可分别维持多个主体特征
参考生成可在单段生成视频中
保持参考人物、产品或其他资
产的主要特征
可利用最多3张参考图保持同
一人物、角色或产品的外观，
并将其置于不同场景中
原生音频
基于统一音视频联合生成架
构，可同步生成音视频并接受
音频参考；2.5 进一步提升音
质、人物声音保持和音画同步
支持原生音视频同步生成，可生
成对白、环境声和音效；Element
可绑定人物音色并跨视频复用；
有参考视频输入时暂不支持同
时开启原生音频
H3-Omni-Transformer 联合预
测音频和视频潜变量，输出
32kHz 双声道音频；语音、音效
和音乐统一建模，稳定支持11
种对白语言
原生生成对白、音效和环境
声，并提升音视频同步；自然
且连贯的短对白仍属于持续
改进方向
视频编辑
支持时间戳级音视频编辑，可
修改指定时段的角色、动作、声
音或剧情；同时强化绿幕换背
景、视角、运镜及参考编辑，并
保持修改前后的连续性
视频编辑能力延续O1，支持主体
增加、移除或替换，背景修改，
局部及整体调整，风格、色彩、
天气、构图和视角修改，以及根
据参考视频生成前后镜头
将参考与编辑统一为通用任
务，可通过自然语言表达素材
的保留、修改、迁移和复用关
系，覆盖图片到视频、视频到视
频及音视频联合编辑
官方模型体系提供扩画、增加
或移除物体、角色控制、运动
控制和场景延展等能力；
Gemini API 主要开放参考图、
首尾帧和视频延展
单次生成时
长
最高30 秒
3—15 秒，支持整数时长
4—15 秒，支持整数时长
4/6/8 秒；参考图、1080p 或
4K 仅支持8 秒；延展每轮7
秒，最多20 轮，最终≤148 秒
输出分辨率
当前公开服务支持480p、720p
输出
模型指南支持720p 和1080p；
Kling 3.0 系列已上线原生4K 视
频生成能力，可直接生成
3840×2160 视频
支持768P 和2K，输出帧率为
24 FPS
支持720p、1080p 和4K；4K 不
适用于Veo 3.1 Lite，视频延
展仅支持720p
视频延展
支持多轮延展，并在延展过程
中保持主要人物、环境、声音和
叙事节奏
可根据参考视频生成前一镜头
或后一镜头；Kling 平台另提供
自动延展和自定义延展功能，最
长约3 分钟
未披露独立的视频续写或时长
延展功能；H3-Regenerate-2K
用于高分辨率再生成
可将此前由Veo生成的视频每
次延长7 秒，最多延展20 次；
输入视频最长141 秒，合并后
最长约148 秒，延展仅支持
720p
开放状态
未公开模型权重
未公开模型权重
部分开放权重：H3-Base 的任务
检查点、Transformer、Visual
VAE、Audio VAE 及推理代码已
开放；H3-Context-IR 、H3-
Regenerate-2K 及稀疏注意力
实现尚未开放
未公开模型权重
来源：各公司官网，国金证券研究所

行业专题研究报告

敬请参阅最后一页特别声明
12

扫码获取更多服务
其他主流视频生成模型如阿里巴巴的HappyHorse、爱诗科技的PixVerse、生数科技的Vidu，
技术相关信息披露相对有限，我们适当减少对比维度，核心结论如下：

HappyHorse 1.1 重点突出多参考图理解与融合能力，可提高参考图片与生成结果之
间的一致性，更准确地保留商品、人物和场景等视觉信息；同时通过优化动作建模与
时序一致性，改善复杂动作的流畅性和连贯性，并提升指令遵循、画面细节及音画同
步能力。模型支持文生视频、首帧图生视频和参考图生视频，其中参考图生视频可输
入1—9 张图片，最高输出1080P，单次最长15 秒。

PixVerse V6 重点强化多片段生成、音频生成及图像／视频混合参考能力；其参考生
视频模式可理解输入视频中的主体、动作、场景、运镜和视觉风格，并根据提示词进
行主体替换、视频重构和动作模仿，最多可同时输入10 张参考图和2 段参考视频，
参考视频总时长不超过15 秒。V6 支持文生视频、图生视频、首尾帧生视频、视频延
展和参考生视频，常规模式支持1—15 秒、360P 至1080P 输出，并可选择是否生成
音频。

Vidu Q3 系列以音视频同步生成、镜头控制和叙事节奏为核心能力，可直接输出包含
对白、旁白、音效和音乐的视频。Q3 单次最长生成16 秒，并提供帧级镜头运动与叙
事节奏控制。参考生视频最多可输入1—7 张参考图；在主体参考模式下，可通过图
片或文字定义主体，图像或文字素材合计不超过7 项，每个主体最多配置3 张图片。
部分子型号支持智能切镜，Q3 还支持多人对话以及中文、英文和日文音视频生成。
不同子型号分别覆盖文生视频、图生视频、首尾帧生视频和参考生视频，最高支持
1080P 输出。
图表14：HappyHorse 1.1 VS PixVerse V6 VS Vidu Q3 系列
模型
官方重点能力
主要生成方式
参考素材能力
镜头／分镜控制
音频能力
最高输出规格
HappyHorse 1.1
提升文本语义理
解、镜头调度和动
态生成表现；强化
多参考图下主体、
场景风格及画面
一致性，并改善图
生视频的画面质
感、跨片段一致
性、动作流畅度、
文字稳定性和音
画同步
文生视频、首帧图
生视频、参考图生
视频
首帧图生输入1 张
图片；参考图生输
入1—9 张参考图；
不支持参考视频
或自定义音频输
入
官方强调镜头调
度，可通过提示词
描述景别、镜头切
换和运镜；未披露
时间戳或逐镜头
独立设置参数
文生、首帧图生和
参考图生均支持
生成有声视频；未
提供自定义音频
上传或主体音色
设置参数
最高1080P；3—15
秒
PixVerse V6
支持多片段生成、
内联音频、视频延
展及图像／视频
混合参考；可理解
参考视频中的主
体、动作、场景、
镜头运动和视觉
风格，并按提示词
进行内容调整或
动作模仿
文生视频、图生视
频、首尾帧生视
频、视频延展、参
考生视频
图生输入1 张图
片；首尾帧输入2
张图片；最多输入
10张参考图和2段
参考视频，参考视
频总时长不超过
15 秒
文生和图生视频
支持多片段生成
参数；首尾帧、延
展和参考生视频
未提供相同参数，
未披露时间戳级
逐镜头设置
文生、图生、首尾
帧、视频延展和参
考生视频均支持
内联音频生成；另
提供音效生成和
口型同步能力
最高1080P；1—15
秒

行业专题研究报告

敬请参阅最后一页特别声明
13

扫码获取更多服务
Vidu Q3 系列
系列重点覆盖原
生音视频输出和
智能切镜；Pro 侧
重综合表现，Mix
侧重效果平衡，
Drama 侧重对白、
角色站位、动作及
电影化叙事，Ad 侧
重短广告节奏和
细节一致性，
Turbo 侧重速度与
性价比
Pro 支持文生、图
生和首尾帧；Mix、
Drama、Ad 支持参
考生视频；Turbo
支持文生、图生、
首尾帧及参考生
视频
图生输入1 张首帧
图；首尾帧输入2
张图；参考生视频
支持1—7 张参考
图。部分模式可用
图像或文字定义
主体，素材总数不
超过7 个，每个主
体最多使用3 张图
片；Q3 系列不支持
参考视频输入
Pro、Mix、Ad 和
Turbo 明确支持智
能切镜；Drama 强
调多角色对白、角
色空间站位和电
影化叙事；未披露
时间戳级逐镜头
时长设置
Pro、Mix、Drama 和
Turbo 明确支持同
步音视频生成，可
输出语音和音效；
Ad 官方模型表未
明确标注同步音
视频
最高
1080P ；
24fps；Pro／Mix
／Turbo 为1—16
秒，Drama／Ad 为
3—15 秒
来源：各公司官网，国金证券研究所
3.2 Seedance 历史迭代：从高质量视频生成迈向统一多模态与长叙事创作

Seedance 经历了几轮迭代（自2025 年6 月以来已完成四个主要版本迭代），从“高质
量视频生成”向“原生音视频、多模态创作与长视频生产”持续升级。其中，Seedance
2.0 的推出是最关键的里程碑，从模型技术上做到全球SOTA，也是第一个跨过生产质
变点的视频生成模型。Seedance 2.0 采用统一的多模态音视频联合生成架构，支持
文字、图片、视频和音频四种模态输入，同时具备稀疏架构的效能优势，并将多模态
参考、视频生成、视频延长和编辑能力纳入统一创作体系。

Seedance 2.5 版本于7 月31 日正式发布，延续了 Seedance 2.0 统一的多模态音视
频联合生成架构，重点突破长叙事能力、多模态参考能力和编辑能力。主要包括以下
升级：

单次生成时长达 30 秒，支持多轮延长：Seedance 2.5 可单次生成 30 秒高质
量视频片段，并支持多轮延长。同时，模型优化了镜头衔接和场景过渡，让长视
频保持更好的连贯性。模型还大幅优化了画质、音质以及运动质量，并有效