整体情况

场景一：城市多场景

●Vidu：《IT时报》记者输入提示词后，Vidu仅用1分钟左右就生成了一条4秒的视频，是四款大模型中最快的。从生成效果来看，画面符合写实设定，一开始展示出在街道上行走的人形机器人，一秒后切换为室内场景，展示出做早餐和商场指引的场景，每个场景的衔接都是直接切换。尽管Vidu可以实现多场景生成，但与文本关联性并不密切。第一个提示词中的街道场景出现的人形机器人只是在行走，并未清扫街道。而后两个场景都是真人完成的动作，并未出现“主角”人形机器人。

●清影：在输入提示词后，清影需要等待5—8分钟才完成生成，尽管选择写实风格，但生成画面依旧偏向3D动画。一个镜头是人形机器人用吸尘器快速清扫着街道，主体清晰背景却十分模糊。随着画面的快速运动，场景也从街道转为室内，人形机器人开始做早餐，但无论是背景还是主体，都较为模糊，尤其是人形机器人，已经发生严重畸变。最后进入单一场景，画面才变得清晰，人形机器人站在镜头前操控着数字屏幕导购。清影虽然可以理解文字意思，且在场景衔接处加入了过渡和转场，但模糊难以避免，畸变情况较为严重。

●可灵：在场景生成中，可灵并没有生成多个画面，仅一个未来商业场景就将清扫街道和导购两个任务涵盖其中，多个人形机器人穿梭在街道，执行不同的任务。由于做早餐属于室内场景，在视频中没能体现出来。但可灵生成的场景写实感较强，更符合记者所设想的画面，清晰度和流畅度也是最好的。不过，在第三秒时，画面中的一个人形机器人突然分裂成两个，细节还需要改进。

●即梦：从整体画面来看，即梦生成的视频偏向3D动画，同样以一个场景进行展现。画面中心是多个人形机器人利用清洁工具清扫街道；右侧是一个人形机器人与人类对话，完成导购指引；旁边的早餐铺虽不起眼，但能看出有机器人在做早餐。即梦也是所有大模型中多场景能力展现最好的，但画面动作幅度不大，更像是动图的感觉。

场景二：人物动作运镜

●Vidu：Vidu能理解并展现“竹林”与“武侠”两个关键词，同时保持较强的写实感，生成的人物贴近真人。但在动作处理方面，表现一般，最直观的是两位武侠在比武过程中，一会是拳脚比试，一会手中又出现宝剑。镜头也没有由远及近推拉运动，直到最后一帧突然出现一张人物脸部特写，十分突兀。无论是画面精细程度还是连贯性，远不及场景一。

●清影：在测试的四款大模型中，清影的人物和场景畸变最为严重，从视频开头到结尾，两位武侠的动作幅度虽大，但十分模糊，面部轮廓也没能呈现出来，直到最后特写定格才快速生成出一张清晰的人脸。但在镜头运动方面，清影做到了由远及近推拉运动。记者重新生成一条同样的视频并加上旋转镜头后，清影依旧可以展现很强的运镜效果。

●可灵：可灵的画面采用俯拍视角，竹林间，两位身穿盔甲的士兵扭打在一起，看不清面部，也没有理解“武侠”一词。人物动作以推搡为主，不及前两家大模型。运镜方面，可灵生成的视频完全没有镜头运动，从始至终都保持一个角度和景别，让视频观赏性大大减弱。

●即梦：即梦注重人物面部呈现，视频中两位武侠紧贴在一起，脸部始终清晰，长袍束腰的服饰也符合中国武侠的形象。但人物以静止为主，直到最后才做出扭头和挥手的动作，没有比武打斗动作，也没有镜头运动。

场景三：动物拟人

●Vidu：一只与《功夫熊猫》非常相似、身着奥运五环红色背心的熊猫站在鞍马上举起上臂欢呼，随后弯下腰跳下鞍马，这是Vidu在场景三中生成的画面。与之前不同的是，Vidu在此轮测试中采用3D卡通风格，更符合动物拟人形象。动作方面符合逻辑且没有出现重影、卡顿，是目前测试中效果最佳的视频。

●清影：用同一提示词生成两条视频后，清影没能呈现出清晰的熊猫形象。视频中位于鞍马上的熊猫一直背对用户，做出一个翻滚动作后，黑白配色便开始错乱，重影、模糊等问题明显，背景中的观众也会随着画面抖动。尽管只有6秒时长，但每一个画面都存在形变。

●可灵：可灵依旧保持写实风格，熊猫以动物形象呈现，没有拟人效果。它对着镜头缓慢爬行，随后伸个懒腰便坐了下来，整体动作行云流水，并未出现形变、重影，也符合熊猫的行为逻辑。不过，在体操表现上不足，除了一块蓝色的体操垫，便再无体操元素。虽然整体生成视频与提示词的关联性不强，但画面质量、动作流畅度在四款大模型中较好。

●即梦：画面单一、动作幅度小是即梦生成视频的特点，在场景三中，即梦依旧没能改变这一现象。画面中的熊猫保持动物形态用四足站在鞍马上，但在运动过程中，熊猫增加了一条腿，对熊猫的物理运动方式不能完全理解。

记者手记

生成效果如同“开盲盒”

动作流畅、符合逻辑、多种运镜等已经成为各家视频生成大模型重点宣传的功能，但从《IT时报》记者测试来看，视频生成效果与想象还有一定差距，每一条视频可能存在意想不到的错误，类似“开盲盒”。

对于新人用户来说，不需要输入非常复杂的提示词，大模型自动提示而生成的效果最佳。若输入提示词，也并非越复杂越好，而是需要拆分成一个个短句进行描述，单画面生成效果最佳。此外，生成之后还需要进行优化调整，以此来减少失误率，提升视频质量。

值得一提的是，视频生成需要花费较长时间，一条6秒的视频生成大约需要5分钟，且每次改进都需要重新生成。

尽管视频生成大模型降低了入局门槛，但想要实现一人“拍”一部剧，还需要花费大量时间和精力。