智东西 作者 毕伟豪 编辑｜漠影 近几月， AI视频生成赛道持续升温 。7月31日，Seedance2.5与MiniMax H3同日发布；8月，阿里发布Wan3.0；进入9月，智象HiDream-O1-Video-1.0（下文简称HiDream V1）发布并 冲上权威榜单全球前四 。 短短两个月，多家厂商接连推出新一代视频生成模型，行业竞争进一步加速。以字节Seedance、MiniMax H3、阿里Wan 3.0和智象HiDream V1为代表的中国模型，开始在全球主流榜单头部形成集群。中国视频生成模型正在从“单点领先”转向“多家并进”。 其中，智象作为创业公司进入这一竞争区间，也意味着全球视频模型的头部牌桌上，除了大厂和上市企业，开始出现新的玩家。 几轮密集上新的背后，AI视频生成也逐渐从单一的内容创作 走向影视、广告、电商等诸多生产场景 ，与此同时，行业竞争的重点也开始发生变化。 除了对画质、时长和人物一致性等方面的基础要求，模型对 复杂运动、物理规律等真实世界 的理解，正在成为新的竞争维度。随着视频模型开始处理越来越复杂的动作、空间关系和物理规律， 视频生成也成为当前探索世界模型的重要路径之一 。 9月15日，智象（HiDream.ai）发布了 原生全模态音视频生成模型HiDream V1 ，其图生视频能力在Artificial Analysis排名第4，在Arena.ai的图生视频模型榜单中排名第8，双榜前十， 跻身全球视频生成模型第一梯队 。 相比于榜单排名，更值得注意的是它的位置，从今年4月的HiDream-O1原生全模态架构算起，智象在图像、3D交互、具身方向的模型已相继落地，随着HiDream V1的加入，这套围绕世界模型路线构建的模型矩阵，也 补上了视频这一块重要拼图 。 这款模型的发布，不仅宣告了智象的 原生全模态世界模型矩阵路线完成闭环 ，也在产业角度标志着智象正式跻身视频生成的核心决赛圈。 一、听得懂人话，也敢不凑时长 现如今，人们使用视频生成工具的常规姿势，是把提示词写详尽：镜头、光线、动作、时长一项项交代清楚。但真实场景里， 撰写专业提示词存在门槛 ，用户给模型的输入常常只是 一句口语、一个模糊的念头 。 在这种情况下，模型能否根据用户偏口语化、细碎、模糊的输入理解意图并生成视频，变得尤为重要。 HiDream V1的解法是，在生成前先 通过多模态意图理解模块分析用户需求 ，再调用多模态理解模型进行结构化规划，规划字段覆盖人物、动作、镜头、光影、台词、声音等关键信息，将一句自然语言需求拆解成可执行的分镜信息后，再进入联合生成。 其中， 时长也是规划的一部分 。多数模型的生成时长由提示词预先设定：输入5秒，模型就在5秒窗口内完成内容，动作即使没有结束也只能压缩处理。 HiDream V1则让模型 根据内容自行规划时长 ，结合事件展开、动作完成和叙事节奏决定生成长度，原生支持5—20秒任意时长生成。这样一来，时长不再只是固定参数，而会根据内容同步变化。 在此基础上， 1080p高保真输出保障单镜头画质 ，为连续叙事提供基础。视频生成也由单纯的“按提示词生成画面”，进一步走向“理解用户意图后组织完整镜头”。 为了检验这套机制在真实输入下表现如何，智东西用三个场景做了实测。 首先来测试一下意图理解能力，我们用语音输入的方式提供了一段简单的提示词，并附上了一张从故事的中途切入的参考图，看看HiDream V1会怎样编排镜头。 其实我们最终想要的就是抚摸小狗、小狗跑走，男生接着赶路这条线，同时，“下班”和“有点累”这两个关键词对主人公的状态存在约束。 能看到HiDream V1在生成视频时，根据参考图截取了故事情节，然后精确还原了人与狗的动向。同时在一些细节上，比如男生摸完狗以后手臂搭在腿上，起身时身体微微前倾和打晃等， 透露出疲惫姿态 。 接下来，我们输入了一个非常短的提示词，来测试HiDream V1动态调整时长的能力，提示词和参考图如下： 这个提示词根本撑不住十秒钟的情节， HiDream V1并没有强行凑时长 ，比如拉长等待时间、安排突然跳出一个鸟，或者是猫咪反应超大等情节。猫咪只是简单抬了下头，视频时长仅为7秒，鸟叫、猫咪抬头动作、懒洋洋的姿态都保持得很好。 最后再来看一下HiDream V1在音画一致性上的表现，我们提供了一张参考图和一段说唱舞台的提示词，并且在提示词中的台词部分故意漏掉了一个字，提示词如下： 生成一段约10秒的真实嘻哈音乐节现场。一名年轻说唱歌手站在大型舞台中央，手持麦克风高能说唱，穿大众街头服装，巨型LED屏幕播放动态，视觉舞台灯光跟随鼓点变化，台下观众挥手欢呼。镜头结束场景紧随歌手前方移动，再切到近景捕捉表情、口型和嘴巴，最后拉远表演整个舞台。歌手说唱一首原创歌词：“低轰进胸