做一条产品短片，最让人头疼的未必是第一版不够惊艳。可能是换个机位后包装变了形，也可能是人物说到一半突然不像同一个人。镜头只有几秒，但只要有一处不能用，生成、筛选和修改都得重新来。
10 月 8 日，生数科技推出视频模型 Vidu Q4 Preview，首发优惠价低至 0.09 元／秒起。便宜当然容易吸引人，可制作团队真正关心的不是“按下生成键花多少钱”，而是同样一笔预算，最后能拿到多少条可以交付的镜头。
这也是理解这次更新的一条线索：价格让人愿意多试，人物和镜头的控制力决定重试能不能带来更好的结果，生成效率则决定团队一天能迭代几轮。三件事合在一起，AI 视频才可能从展示样片的工具，变成日常工作流的一部分。
便宜一秒，能换来多少次重拍
拍摄现场说一句“再来一条”，背后要重新协调演员、场地、灯光和设备。AI 视频把很多步骤移进电脑，却没有消除试错：你得修改提示词，挑选参考素材，等待结果，再看角色、商品、动作和声音有没有跑偏。失败的片段即使没有进入成片，也占用了时间和预算。
Q4 Preview 的首发价格改变了试拍时的心理门槛。人物表演太平，可以让情绪慢一点再爆发；产品特写不够清楚，可以把镜头拉近；转场抢走了商品的注意力，就换一套运镜。过去团队可能只愿意为一个想法生成两三版，价格下降后，同一个镜头有机会比较更多方案。
但“0.09 元／秒起”不是所有用法的统一价格。这是首发优惠起价，具体费用还会随购买渠道、清晰度、声音和活动条件变化。Vidu 开放平台另按积分计费：Q4 Preview 的图生或参考生视频，540p 为每秒 9 积分，4K 为每秒 78 积分；按平台标出的每积分 0.03125 元计算，540p 的 API 标价约为每秒 0.28 元。创作者页面的优惠价与 API 标价，不能直接当成同一张报价单。
如果团队要做的是内部创意预览，较低的分辨率可能已经够用；如果要交给客户审片，或进入需要细看商品细节的流程，就得按实际输出规格预算。声音、并发和排队时间也会影响工作流。报价表上的“每秒”只是生成成本的入口，项目经理最终要算的是“每条通过验收的镜头”。
举个纯粹的算账例子：假设一条五秒镜头生成十次，只有两条能直接剪进成片，剩下八条都要重做。那就要把十次的费用和筛选时间，分摊到这两条可用镜头上。这个例子不代表 Q4 Preview 的实际合格率，却说明为什么单次低价并不自动等于项目省钱。若模型更稳，试十次能留下六条，价格优势才更容易落到交付结果里。
示意图：相同生成量下，可用镜头越多，费用分摊越低；图中比例是假设情境，不代表 Q4 Preview 实测。
人物、商品、场景，三个最容易露馅的地方
Q4 Preview 把人物演绎、镜头语言和复杂视效放在这次预览版的重点位置。对读者而言，这些词有点抽象；对制作团队，可以直接变成三个试用任务。每个任务都要看两件事：最好的一条能做到什么，连续生成时又有多稳定。
第一种任务：固定镜头里演一场情绪戏。 给模型一张人物参考图和一个简单场景，让角色从强忍委屈、落泪、失笑走到爆发，再慢慢平静。全程保持近景，不用切镜掩盖问题。表情变化本身并不稀奇，难的是眼神、眉头、嘴角、发型和衣服在连续动作里仍属于同一个人。
如果灯光也随情绪变化，问题会更明显：侧光和逆光出现时，脸的结构是否稳定？泪痕会不会突然消失？拍桌之后手臂和身体能不能自然回到下一段动作？对短剧团队来说，这些细节决定镜头能否接上前后场，而不是只在朋友圈里播放一次。
第二种任务：让商品穿过多个机位。 用同一件产品做一支 16 秒广告，安排推进、遮挡、转场、俯拍和最终定格。看起来最亮眼的可能是转场和节奏，品牌团队却必须盯住包装：颜色有没有变，文字和图案有没有走样，白色吸管之类的细小部件是否在各个景别里还在正确位置。
这也是“镜头语言”与“可交付广告”的差别。模型可以把画面剪得热闹，但如果观众认不出产品，或者商品在近景中变成了另一种形状，团队仍要返工。评估时不妨先放慢播放速度，把商品出现在画面里的每一段都截出来比对；好看的运动不能替商品准确性兜底。
第三种任务：让多个物体在同一空间里动起来。 用一张家居图做八秒组装镜头：沙发、落地灯、边几、挂画和抱枕依次进入，落地时有弹性，随后环境变暗、灯光亮起。单张图只要摆得好看就行；视频里的每件家具还要有合理的大小、落点和运动轨迹，不能互相穿过，也不能前一秒在左边、后一秒跑到右边。
这样的测试对电商场景同样有价值。一个产品周围常常还要出现手、桌面、道具和阴影。物体越多，模型越需要同时维持空间关系。看一条精选样片只能知道上限；把同样的素材换几个提示词、反复生成，才能知道它在日常需求里有多可靠。
Q4 Preview 支持最多 15 张参考图、3 段参考音频，也提供 2K 和 4K 输出。参考素材能帮助创作者描述角色、场景与声音，但数量上限不等于必须塞满。素材太杂，反而可能让“到底要保持谁、保持什么”变得模糊。试用时先从少量关键参考开始，再逐步增加角色、道具和音色，会更容易看清每一种输入带来的变化。
为什么视频模型开始谈“世界”
视频生成常被说成“连续画很多张图”。但人物一转身、镜头一绕行，模型面对的就不只是某一帧好不好看，还包括谁站在什么位置、物体如何移动、下一秒的状态怎样接上上一秒。时间越长、运动越复杂，前后不一致的问题越容易累积。
生数科技把 Vidu 放在自己的世界模型路线中，称视频生成是“生成世界”的第一步。这个表述听起来宏大，落到短片里其实有很具体的含义：角色走动时身份不要漂，衣服和头发要跟着动作变化，镜头换角度后场景仍保持同一套空间关系。模型若不能处理这些连续变化，再高清的单帧也很难支撑叙事。
动漫和强动作画面是一个直观例子。人物快速转身，发丝、衣料和背景要一起变化；镜头推拉时，近处与远处的物体不能随意互换位置；粒子、烟雾和光照若只是贴在画面上，观众很容易看出“特效”和动作不在同一个世界里。创作者喜欢的速度感和戏剧张力，背后其实是一组时间与空间的一致性要求。
不过，能生成一段流畅视频，与模型已经可靠理解现实物理规律，仍是两回事。制作团队不必先判断“世界模型”这个大概念是否成立。更实用的问法是：给它连续动作、多主体和复杂光照时，它能在多长时间里保持角色与场景？失败通常发生在哪一步？这些答案会直接影响选型。
低价背后，还有一笔算力账
AI 视频贵，部分原因是它必须在多帧之间维持大量信息。时长增加，模型要记住更长的状态变化；画面变清晰，参与计算的视觉细节也更多。生成速度慢，团队就不能在同一个下午比较足够多的方案。即使每条片段报价不高，等待也会拖慢整个制作流程。
生数团队这些年的效率研究，试图从计算过程里挤出空间。SageAttention 着眼于让注意力计算更快；SLA 结合稀疏与线性注意力，减少长序列中的计算负担；TurboDiffusion 则把注意力加速、减少采样步骤、量化和工程优化组合起来。Vidu S1 的实时视频研究也使用了其中的技术。
这些工作解释了为什么视频模型的竞争不只在画质上：同样的硬件，如果生成一条片子所需的时间和计算能下降，团队才可能更频繁地修改、比较和交付。但论文中的加速结果是在特定模型与硬件条件下得到的，不能直接写成 Q4 Preview 的速度承诺。真正与制作相关的，是你使用当前版本、当前规格时，从提交到拿到可用片段究竟要多久。
等待时间还会改变创作方式。五秒片段如果很快返回，导演可以边看边改人物情绪；如果每次都要排队很久，团队往往会提前堆满提示词，希望一次生成解决所有问题，结果反而难判断哪项修改起了作用。低价与高吞吐结合，才让“先试一版，再有针对性地改”成为可执行的方法。
把试用做成一次小型生产，而不是挑样片
资料图：Blender 视频编辑界面，非 Vidu 产品界面。摄影：Ehécatl Cabrera，图源：Wikimedia Commons，许可：CC BY 4.0；原图未修改。
如果你正为广告、电商或短剧团队选视频工具，可以选三段自己真正会用到的素材：一个有人物连续表演，一个有商品多机位展示，一个有多个物体与光照变化。不要只选模型擅长的奇观镜头。素材、时长、画幅和验收标准先固定，再用候选模型各生成几轮。
每轮记录三组数字。第一组是可用率：总共生成多少条，其中多少条无需大修即可进入剪辑？失败是人物换脸、商品变形、动作断裂，还是声音不合用？第二组是全程时间：从提交、排队、生成到筛选完毕分别花了多久？第三组是总费用：生成、重试和必要的人工修正加起来是多少？
“可用”最好由实际交付要求定义。内部讨论分镜，可以允许低清晰度和一些细节瑕疵；面向客户的商品广告，包装与标识可能一处都不能错。标准若不断变化，最后的合格率就没有比较意义。需要声音的团队还应单独检查口型、音色与画面是否同步，不要让一项明显的声音问题藏在画面评分后面。
做比较时，也别只把每个模型最好的一条摆出来。保留失败版本更有价值：如果十条里九条都发生同一种错误，团队就知道下一轮该调整素材、提示词，还是换一个工具。如果失败原因能通过简单修改解决，这个模型仍可能值得用；如果每次都需要人工逐帧修补，再低的单秒价格也难变成省下来的预算。
最后把所有费用除以通过验收的镜头数，再把等待和修改所需的人力算进去。团队要买的从来不是“生成了多少秒视频”，而是“在交付日期前，拿到了多少条可用镜头”。
Q4 Preview 的首发低价，让“再拍一条”更容易说出口；人物、镜头和复杂场景的控制力，决定这句话会不会换来更好的片子。所谓视频模型的下一阶段，也许就体现在这件很具体的事上：创作者不必押宝唯一一条样片，而能在预算内反复尝试，直到找到真正能用的那一条。