国产AI视频模型又卷起来了：Seedance 2.5和MiniMax H3谁更值得用

视频领域好久没这么热闹了。

7月最后一个工作日， 2.5和 H3 齐刷刷上线。

2.5

最开始的是, 经过一个多月预热时段的2.5, 最终要实现上线这一状况了, 其上线行为已经在既有的梦以及豆包专业版本里, 达成了全面覆盖的情形。

（我在即梦网页端已经看到了，记得先登录）

API服务尚未正式上线, 也未曾有公开可调用的模型ID, 预计一周之后开放。

然模型价格信息已更新至火山方舟平台, 相较于上代SD2.0, 2.5的API价格上涨幅度达五成。

在涨价之际把分辨率上限进行了削减, 此模型的算力成本明显高很多。2.5当下API最高仅支持720P, 并且不支持4K视频。

2.5升级了什么？

在架构方面, 2.5持续沿着上一代那种统一的多模态音视频联合生成路径前行, 着重在于对长叙事方面进行突破性进展, 对多模态参考予以重点突破, 对编辑能力达成重点突破。

第一，30秒长叙事

视频单次生成的时长, 从原本15秒直接提升到30秒, 并且它还支持多轮延长续写, 在续写过程中, 人物、场景、风格以及声音都要保持一致。

从后台开始, 一位歌手一镜到底登台参与演出, 全程处于没有剪切的状态, 在30里面, 模型能够组织出来好多有着逻辑关联的镜头, 按照「铺垫—推进—转折—善后」去完成一段完整的叙事。官方演示里是这样呈现的。

以下是改写后的内容: 手持稳定器进行跟拍, 呈现一镜到底的效果, 镜头先是从红色厚重幕布的缝隙那里, 缓缓地推进, 进而进入到有着暖色的后台化妆间区域, 年轻的女歌手背对着镜头在整理耳机, 这时有工作人员提醒她要准备登台了, 她转过头来望向镜头, 接着就开始唱起了City Pop, 镜头向后退进行跟拍, 歌手穿过幕布进入到后台通道, 还与舞伴很自然地互动着, 有一位工作人员把麦克风递给了她, 随后歌手和舞伴登上舞台, 镜头绕至背面, 红黑舞美、LED屏、追光、烟雾以及反光地板逐渐展现出来。最后的镜头, 朝着远处拉伸, 一直到啦体育馆的全景, 满满都是观众, 还有灯牌以及荧光棒, 伴随着欢呼声, 一起营造出了那种年轻又自由的演唱会高潮氛围。

第二，多模态参考&精准编辑

当下, 单次能够输入的图片数量上限是30张, 视频数量上限是10段, 音频数量上限也是10段, 并且它还支持精确的时间戳控制以及定向编辑。

改哪一秒、改哪个人，可以指哪打哪。

编辑视频 1, 保持人物不变、动作也不变、风格也不变, 只调整运镜, 这是 R2V 的要求。15 秒分段运镜设计如下: 0 到 4 秒, 微型 FPV 贴着锅穿行, 跟着弹起的吐司然后横甩到咖啡那里；4 到 7 秒, 推近并且沿着锅边横向移动, 跟着煎蛋翻再落回；7 到 11 秒, 快速升到顶视角, 匀速向下压扫过餐盘和钥匙；11 到 15 秒, 手持近镜跟着双手快速横甩, 最后推近早餐, 再拉回双人中景。全程连贯稳定。

第三，连贯性和质感

模型对镜头衔接予以了优化, 对场景过渡也进行了优化, 画质得到了提升, 音质获得了提升, 运动质量获得了提升, 并且有效地弱化了视频生成过程中常见的那种“油腻感”。

能够生产出那种, 时长为数分钟的, 视听语言保持统一的, 高质量、连贯的内容, 也就是精彩故事, 并一次进行呈现的是用户。

能看官方这个时长为 3 分钟的视频, 当时真当作迪士尼新出作品了。大家都可以这么做。

H3

昨天更早一些， 也发布了最新的视频生成模型 H3。

一款通用全模态生成模型，对标 2.0。

专注于具备针对文本、图片、视频以及音频的统一理解本领, 最高可达2K分辨率, 单次生成的用时是4至15秒。

普通用户目前可以直接在海螺AI网页端和App里使用了。

而且H3已经开放API，国内外同步上线。

价格是最大优势：

以每秒十元标价的时长单位相比较, 一条15秒的2K视频, 其API给出的标价是美元一点九五, 与之相较，名为H3的产品, 它每秒的使用费用仅需0.8元。

除了价格优势，我们接下来说说产品亮点！

第一，最多 12 个素材共同控制一条视频

H3, 一次请求, 顶多能够输入, 9 张图片, 还有 3 段视频, 以及 3 段音频。

从事电影作品创作之际, 并非要把角色, 以及人物, 还有动作, 连同运镜与声音, 统统都塞入提示词里。

能够把有关人物的图进行锁定, 借助视频去确定动作方面的节奏, 接着运用音频给出配乐或者声音的参考。

不用靠猜文字就能轻松生成电影级别的视频。

一处场景是, 有名中年男人站立于开阔沙漠的土路正中央, 他手持手枪指向那个拍摄他的人, 他发出了指令, 对方喊出了他的名字, 他警诫对方不许再重复说一遍, 然而枪声并没有响起来。

第二， 文字、品牌元素和动作迁移更适合商业内容

AI视频制作持续保持着热度, 然而, 当AI涉足商业制作领域之后, 倘若包装、Logo、文字、人物在运动过程中出现变形的状况, 样片便很难直接投入使用。

此次H3, 特别强化了文字以及品牌元素的渲染, 达成了动态文字漂移, 达成了商品包装变化, 达成了品牌元素跨帧且不失真。

H3 还支持视频到视频的动作迁移。

比如舞蹈, 那种动作, 游戏角色所展现的动作, 还有复杂运镜, 这些都能够直接去借用已经存在的动作, 如此一来, 就省去了放在提示词里面去进行描述的那种麻烦。