AI视频模型行业深度：中国短视频生态构筑隐性壁垒

目录索引TOC\o"1-2"\h\z\u一、行业主要玩家和技迭代隐性成本推高了竞争门槛 5（一）多模态模型要玩家盘：视频模型门槛较，龙头玩在先发优势抑或资优势具备一 5（二）视频模型的术选型和展阶段：从卷积网到DIT架；进入全模态生成 6（三）数据成本和金壁垒推了视频模型的门槛 11二、商业化变现：目标场逐渗透+AI原生内容起量 13（一）AI视频模的潜在市场模测算 13（二）探讨未来商模式的演：目前仍处于2B为主商业阶段 15（三）格局和定价定了中期规模效应 19三、观点总结和投资建议 20（一）海外巨头迭放缓，2026年中模型开始赶超 20（二）视频数据的取的隐性本和CAPEX投入为多模态竞设置了门槛 22（三）中国视频模商业化落领先，未来或成为界的模型厂 22四、风险提示 23（一）版权与合规险 23（二）商业化不及期的风险 23（三）竞争加剧的险 23图表索引图1：主要视频模迭代复盘（2024年1-2026年6月） 5图2：视频模型的术迭代和展阶段 6图3：U-Net（卷积网络架示意图 8图4：DiT(Transformer)架构意图 8图5：Kling-Omni核心架构 10图6：智谱、MiniMax快手灵Kling业成本+研发成本（万人民币对比（2022-2025年） 12图7：快手、智的Capex（万人民币对比（2023-2025年） 12图8：AI+14图9：AI+14图10：AI漫剧/仿人短剧 14图11：B站UpDream 14图12：AI+影视工业 15图13：爱艺纳逗Pro 15图14：目的客户类型变模式 16图15：字跳动火山引生态 16图16：Higgsfield台的视频型选择 17图17：Magnific平台的视作界面 17图18：灵Kling不同版本模的API定价（元/秒） 19图19：Seedance不同版本模的API定价（元/秒） 19图20：主大模型平台利率 19图21：快可灵Kling的利润测算 19表1：视频模型架发展路径主要玩家的技术选型 7表2：U-Net和DiT架构对比 9表3：Kling-Omni技术总结 9表4：以字节不同型模型的用成本对比不同模的模型定价 11表5：AI视频型可渗透市场潜在收入规模测算（2025-2030E） 13表6：主要的聚合型平台列举 17表7：主要的视频模型定价举 18表8：快手可灵Kling收入成本测算（亿元人民币）（2024-2028E） 20表9：主要模型梳理 21一、行业主要玩家和技术迭代：隐性成本推高了竞争门槛（一）多模态模型主要玩家盘点：视频模型门槛较高，龙头玩家在先发优势抑或资金优势具备其一20229月，RunwayGen-1AI20242DiTAIGoogle20245VeoVeo2Veo3Veo3.1。2024-2025GoogleVeoOpenAISoraAIAnthropic的崛6AI2024年迎来技术和商业化的跃迁。快手于2024年6月发布可灵Kling1.5Kling2.0Kling3006年361财报披露可灵linR5Seed2025年推出Seedance12Seedance1.52Seedance6Seedance2.1SeedancelatepostARR20AISeedanceLLMcoding1-2GoogleRunwaySeedance和快手KlingMiniMaxHailuoViduPixVerseWanHappyHorse。图1：主要视频模型迭代复盘（2024年1月-2026年6月）Google、OpenAI、可灵KlingAI等官网、广发证券发展研究中心主力玩家主力玩家（二）视频模型的技术选型和发展阶段：从卷积网络到DiT架构；进入全模态生成1．视频模型发展的技术路径复盘（1）2022年-2023AI、Google、RunwayU-Net（2）2024Sora20242OpenAISoraDiT架构，采用了《VideogenerationmodelsasworldsimulatorsTransformer替U-Net5月，GoogleI/ODiTKlingAI20251080P（例如针对行业应用的ent2/2C226ln3.0和edn2.015s4K2022年-2023年积神经网络（2022年-2023年积神经网络（U-Net）2024年-2025年 2026年-24年2月OpenAISora提出DiT •25年12月快手推出Kling-Omni通(DiffusionTransformer)架构， 用视频生成框架。Google、DiT成为视频模型架构的主流 Seedance也开启全模态融合的世界模拟。文生视频/图生视频为主 •支持全模态生成720P/1080P分辨率的视频为主流 •Kling、Seedance升级4K画质时长从4-5秒提升至10s •时长开启15s-30s的升级欲试智谱、Google、Runway海外：OpenAI、Google引领 •中国：字节Seedance、快手Kling中国：快手可灵、MiniMax海螺、字 引领节Seedance、Vidu等纷纷跟进 •海外：OpenAI、Google聚焦Coding技术路线模型能力、广发证券发展研究中心早期技术选型正确的模型厂商拥有先发优势，快手可灵Kling2022年-2023年，智谱、Google、RunwayU-net20242月，SoraDiT后，24VeoKling2024架构逐渐成为主流。20256Seedance1.026Seedance2.0表1：视频模型架构发展路径和主要玩家的技术选型阶段一：前DiT时代的探索（CNN/U-Net技术主导）2022年5月智谱AICogVideoCogVideo:Large-scalePretrainingforText-to-VideoGenerationviaTransformers3DCNN(U-Net)+扩散模型。这是国内最早开源的文本生成视频模型，但受限于架构，生成质量和时长有限。2022年10月GoogleImagenVideo&PhenakiImagenVideo:HighDefinitionVideoGenerationwithDiffusionModels级联视频扩散模型+级联U-Net。架构是纯CNN。2023年2月RunwayGen-1StructureandContent-GuidedVideoSynthesiswithDiffusionModels基于U-Net视频到视频生成/编辑模型，主打局部重绘和风格迁移。阶段二：架构交替，DiT(DiffusionTransformer)架构出现2024年2月15日OpenAISoraVideogenerationmodelsasworldsimulatorsDiT(DiffusionTransformer)+SpacetimePatch。证明把视频当成一维Token序列，用纯Transformer处理，通过大力出奇迹可以实现长达60秒的高清生成。2024年5月GoogleVeo谷歌在I/O开发者大会上推出视频生成模型——VeoSora。Veo11080p和电影风格。表示跟随Sora步伐，放弃U-Net，采用了基于潜在空间的Transformer架构。2024年5月生数科技ViduVidu:aHighlyConsistent,DynamicandSkilledText-to-VideoGeneratorwithDiffusionModelsU-ViT(UniformVisionTransformer)，清华团队早期提出的一种将Transformer与U-Net结构结合的变体，后来全面演进为纯DiT路线。2024年6月快手KLING上线可灵KlingAI支持生成1080p分辨率的视频，技术路线对标Sora，采用3D时空联合注意力机制实现对复杂时空运动和物理规律的建模。阶段三：中国模型爆发，全面拥抱DiT2024年8月智谱AICogVideoXCogVideoX:Text-to-VideoDiffusionModelswithAnExpertTransformer3DCausalDiT+FlowMatching。抛弃初代U-Net，引入了专家Transformer处理视频的时空关系。2024年8月MiniMax海螺AI/Video-01MiniMax视频生成模型Video-01正式发布该模型支持生成720p分辨率，25fps的高清视频，具备电影感的镜头移动效果，能根据文本描述快速创造出具有视觉冲击力的内容。2024年10月生数科技ViduSageAttention:Accurate8-BitAttentionforPlug-and-playInferenceAcceleration改为DiT路线，详细分析了注意力量化的可行性。提出了SageAttention，一种高效且精确的注意力量化方法。2024年10月快手KLINGKoala-36M:ALarge-scaleVideoDatasetImprovingConsistencybetweenFine-grainedConditionsandVideoContentTransformer架构成为一致预期后，决定模型上限的已经不是网络3600成“精品”200词标注、做概率分布切镜头的数据工程能力，进一步拉高视频模型入场门槛。2025年6月字节跳动Seedance1.0Seedance1.0:ExploringtheBoundariesofVideoGenerationModels探讨工程能力，例如通过洗数据（精准标注）→改训练目标（多镜头+联合训练）→上后训练手段（多维RLHF）→极致压榨推理算力（10倍蒸馏加速），把前沿的Diffusion模型打磨一个具备“导演思维”、且生成速度快到能当消费级产品的工业级引擎。阶段四：全模态融合+比拼后训练效率和产品生态2025年12月快手KLINGKling-OmniTechnicalReportKling-Omni是Kling通用视频生成框架，打破了传统视频生成、编辑和智能推理之间的功能壁垒，采用端到端架构，能够直接从多模态视觉语言（MVL）输入中合成高保真视频。它标志着从单一的“内容创建工具”向“多模态世界模拟器”迈出了关键一步。2026年4月字节跳动Seedance2.0Seedance2.0:AdvancingVideoGenerationforWorldComplexity全模态融合的世界模拟。不再区分“画图”、“做视频”、“配乐”，直接向AI描述“包含声音、画面、动作的复杂场景”，AI一次性将其渲染出来。、可灵AI微信公众号、广发证券发展研究中2．U-Net和DiT的架构对比U-NetU-Net压缩器解压器SkipConnection（）U-Net（U-NetU-Net可能图3：U-Net（卷积络）构意图 图4：DiT(Transformer)架示图火山引擎开发者中心、广发证券发展研究中心 火山引擎开发者中心、广发证券发展研究中心DiT架构可以通过提高模型参数来提升视频生成质量，转型DiT架构，解决了模型训练瓶颈。DiffusionTransformers(DiT)（LDM）Patch，送入TransformerDiT（自注意力机制（表2：U-Net和DiT架构对比对比维度U-Net(卷积网络)DiT(Transformer)底层基本单元卷积层，只看相邻的像素。自注意力层，每一个Patch都和全图所有Patch交流。架构形态U型结构，有明显的Encoder和Decoder，依靠跳跃连接传递细节。直筒型结构，像一段一段的砖头直线堆叠，没有跳跃连接。处理图像的方式像素级/局部邻域处理。Patch化（把图切成比如2x2的小块当Token）。注入条件(文本/时间)通常用交叉注意力，在中间层把文本塞进去。通常用adaLN-Zero，把文本和时间直接变成调节参数，注入到每一层。视野(感受野)局部感受野，需要堆很多层才能看到全图。第一层就是全局视野，懂整体布局。扩展性(缩放法则)差。把U-Net加宽加深，性能提升很快会遇到瓶颈，甚至训练崩溃。极好。算力(Gflops)增加，性能几乎呈线性提升。火山引擎开发者中心、广发证券发展研究中心模型定位与核心贡献Kling-Omni是快手Kling团队推出的通用视频生成框架。它打破了传统视频生成、编辑和智能推理之间的功能壁垒，采用端到端架构，能够直接从多模态视觉语言（MVL模型定位与核心贡献Kling-Omni是快手Kling团队推出的通用视频生成框架。它打破了传统视频生成、编辑和智能推理之间的功能壁垒，采用端到端架构，能够直接从多模态视觉语言（MVL）输入中合成高保真视频。核心架构提示词增强器（PE）基于多模态大语言模型（MLLM），能够理解复杂的用户输入，并结合世界知识推理出创作者的具体意图，重写并优化提示词。全能生成器（Omni-Generator）在共享嵌入空间中处理视觉和文本Token，实现深度跨模态交互，确保视觉一致性和指令遵循。多模态超分辨率模块（MultimodalSuper-Resolution）基于低分辨率潜变量和MVL信号，采用局部窗口注意力和非对称注意力机制，高效生成细粒度的视觉细节训练策略与工程优化全能生成器（Omni-Generator）的训练策略大规模预训练：大规模文本-视频配对数据，向模型注入稳健的基于指令的文本到视频生成能力监督微调：继续训练（重点是将模型与复杂的MVL输入深度对齐）、质量微调（每个数据样本都配有精确的指令标注）强化学习：采用DPO算法对齐人类审美偏好，优化目标集中在关键感知指标上，即运动动态和视觉完整性两阶段模型蒸馏：将推理步数从150步压缩至10步训练优化开发端到端训练系统，包含多模态数据流水线与负载均衡、高效算子（MM-FlashAttention）、显存优化（重计算与卸载），以及高可用设计（有效训练时间比达97%）。推理优化采用混合并行策略、几乎无损的FP8混合量化方案以及专属的KV缓存机制，大幅降低推理延迟和显存消耗。

3．Omni：融合多模态Kling-OmniKling25（MVL）构建了涵盖跨模态（图构建了涵盖跨模态（图/文/视频）和跨任务（图生视频、视频编辑、参考生成等）的全面数据系统。通过真实世界数据挖掘与合成数据构建，并经过三层严格的数据处理（基础过滤、时序质量评估、跨模态对齐），确保模型训练的高质量。数据系统Kling-OmniTechnicalReport、广发证券发展研究中心Kling-Omni（2）(Omni-Generator)（3）（MultimodalSuper-Resolution）：基于低MVL图5：Kling-Omni核心架构Kling-OmniTechnicalReport、广发证券发展研究中（Omni-Generator）的训练策略包含：（1）-（2）MVL（4）和分布匹配蒸馏，将模型推理压缩至10次函数评估，而在蒸馏前合成单个视频样本需要150次函数评估。Kling（三）数据成本和资金壁垒推高了视频模型的门槛（）TokenToken输16元-300.2元-0.25（5s）2元-60（），token16-51表4：以字节不同类型模型的调用成本对比不同模态的模型定价1.大语言模型模型名称条件千token输入(非音频)元/百万token缓存存储元/百万token/小时缓存命中(非音频)元/百万token输出元/百万tokendoubao-seed-2.1-pro输入长度[0,256]60.0171.230doubao-seed-code输入长度(128,256]2.80.0170.24162.图片生成模型模型名称单价元/张doubao-seedream-5.0-lite0.22doubao-seedream-4.50.25doubao-seedream-4.00.23.视频生成模型模型名称输出分辨率输入条件元/百万token元/个（5s视频）（元/s）doubao-seedance-2.0输出视频分辨率为480p，720p输入不含视频462.31/4.970.46/0.99输入包含视频282.53~5.62/5.44~12.101.99~4.42/4.28~9.50输出视频分辨率为1080p输入不含视频5112.392.48输入包含视频3113.56~30.13不支持输出视频分辨率为4k输入不含视频2625.275.05输入包含视频1627.99~62.21不支持火山引擎、广发证券发展研究中心MiniMaxCapexR&D（模型的研发KlingCogsCapexKling2024-202515026Capex300图6：智谱、MiniMaxKling研发成本）（2022-2025年）

图7：快手、智谱的Capex（百万人民币）对比（2023-2025年）智谱营业成本+研发费用 MiniMax营业成本+研发费快手可灵推理+研发50002022 2023 2024 2025

0

快手可灵 智谱2022 2023 2024 2025智谱、MiniMax年报、广发证券展研究中心 智谱、快手财报、广发证券发展研究中心二、商业化变现：目标市场逐步渗透+AI原生内容起量（一）AI视频模型的潜在市场规模测算20253670AIAI视频广告制作、微短剧和AI漫剧等行业，不考虑未来可能渗透的更多场景和市场。根据DataEye、verifiedmarketresearch、thebusinessresearchcompany2025年合366620305010亿美元。表5：AI视频模型可渗透市场和潜在收入规模测算（2025-2030E）单位：十亿美元20252026E2030E1 电影、电视剧、动画等视频内容制作市场USDbn2792973832视频广告制作市场USDbn7175933微短剧USDbn161418国内微短剧产业规模USDbn12912海外微短剧产业规模USDbn4564AI漫剧USDbn147国内漫剧市场规模USDbn135海外漫剧产业规模USDbna可渗透市场规模合计a=1+2+3+4USDbn367390501bAI模型渗透率合计%0%2%16%电影、电视剧、动画等视频内容制作市场0%0%5%视频广告制作市场1%6%50%微短剧1%7%60%漫剧40%55%90%cAI视频模型的收入规模合计（C=a*b）USDbn1.27.782.7电影、电视剧、动画等视频内容制作市场USDbn0.00.319.2视频广告制作市场USDbn0.64.546.4微短剧USDbn0.21.010.8漫剧USDbn0.52.06.3DataEye、verifiedmarketresearch、thebusinessresearchcompany、广发证券发展研究中心AIAIAIAIAIAIAIAI要求较高，生产链路较为负责，AIAI202520261277亿美2030827亿美元。AI（1）SKUAI模型，仅需要简单的输入图片形象，给予生成指令，AI图8：AI+广告 图9：AI+电商可灵Kling开发者平台、广发证发展研究中心 可灵Kling开发者平台、广发证发展研究中心AI漫剧、微短剧转向纯AI生成带动了26年AI视频模型收入的爆发。25年下半年AI漫剧开始起量，Seedance2.0AIAI制作，短期，AIAI图10：AI漫/仿人短剧 图11：B站UpDream阅文漫剧助手、广发证券发展研究中心 B站UpDream、广发证券发展研中心AI聚合工具26KlingAIBUpDreamUpProAI短HarnessAPIAI图12：AI+影视业 图13：奇艺逗Pro腾讯新闻、《太平年》、广发证券发展研究中心 爱奇艺纳逗、广发证券发展研究中心（二）探讨未来商业模式的演进：目前仍处于2B为主的商业化阶段2B（P端创作者），（B企业KlingAPPPC（2）端）开始接入API使用视频模型。客户销售方式通常分类两类，一类是分销平台，类似于HiggsfieldBAPIToken消耗收费。客户类型接入方式收费方式订阅会员+积分消耗APP/网站登录使用P端超级创作者客户类型接入方式收费方式订阅会员+积分消耗APP/网站登录使用P端超级创作者自媒体C端个人用户B端直销：企业客户分销：聚合平台B端直销：企业客户分销：聚合平台API按消耗收费按时长收费可灵KlingAI开放平台、火山引擎、广发证券发展研究中心GoogleOpenAICoding2.0B端客户，2CSeedance。图15：字节跳动火山引擎生态火山引擎、广发证券发展研究中HiggsfieldMagnific（Freepik）Higgsfield.AIARR2图16：Higgsfield平的视模选择 图17：Magnific平台视频界面higgsfield.ai、广发证券发展研究心 、广发证券发研究中心表6：主要的聚合模型平台列举平台名称 成立时间 用户数 平台名称 成立时间 用户数 ARR(USD) 融资(USD) 接入模型Higgsfield

2023成立，2025上线

25M+

200M（01.15路透社）

2024.04.03-seed-8M2025.09.09-A-50M2026.01.15-A+-80M2025.04.25-天使轮-

除Gen、Vidu、Pixverse外以上模型均有接入WaveSpeedAI 2025 1M+ 10M（2025.10.28）百万聚合 GoogleFlow 2025.05.20 未披露 未披露 Google内部项模型2023年初未披露（8M

以上模型均有接入GoogleAIVeo、GeminiSora、Pixverse外以上模型均有接KreaAI 2022

ARRclub）

2023.06-A-33M入2025.04-B-47MAPI

Freepik（改名Magnific）

2010成立2022AI

100M+1M阅用户

230M（2026.04.28） 未披露 除Vidu外以上模型均有接入2024.09.18前-seed-9M（非官方）聚合 Fal.ai 2021 1.5M+平台

未披露（400MARRclub）

2024.09.18-A-14M（非官方）2025.02.12-B-49M2025.07.31-C-125M

除Gen以上模型均有接入Runware 2023 500M+

2025.09.09-seed-13M2026.01.29-A-50M

以上模型均有接入路透社，各平台官网、广发证券发展研究中心PBAPI消耗收费。（1）P50民币。（2）APItoken/随着需求场景的扩充，未来定价可能会越来越两级化。针对C端用户更为轻量级的创作需求，可能会推出低价的匹配性能普通模型的套餐。针对B端越来越复杂的生成需求，例如影视工业的创作场景，可能也会有更高价格匹配性能最好模型的定价出现。表7：主要的视频大模型定价列举平台包月套餐API收费套餐API单价即梦（Seedance）69元/199元/499元/4299元196元-2800元Seedance2.0系列：0.5元-5.4元/秒可灵Kling58元/234元/586元/1149元5千元/1.5万元/3万元/4.5万元/6万元可灵Kling3.0系列：0.6元-3元/秒HappyHorse70元/350元HappyHorse1.1:0.9元-1.1元/秒（无4K)海螺68元/245元/578元/1399元海螺2：0.3元-0.6元/秒(无4K）VEO4.99美元/19.99美元/99.99美元VEO3.1standard:0.4美元-0.6美元/秒各平台官网、广发证券发展研究中心随着模型版本的迭代，更高参数/性能更高的模型普遍还是会比前代的定价更高。我们对比了可灵Kling和SeedanceAPI图18：灵Kling不同本型API定价元/） 图19：Seedance不同本型API定价元/6543201.10

780P1080P4K.0001.07.0001.071.000.880.40..500.700.800.700.70.40.470.4.800.770

6.05.04.03.02.01.00.0

480P780P1080P4K 可灵Kling官网、广发证券发展究中心 火山引擎官网、广发证券发展研究中心（三）格局和定价决定了中期的规模效应OpenAIAnthropic30-40%MiniMaxMaaS19-25%图20：要大型平毛利率 图21：手灵Kling利润算45%40%35%

20242025

40%33%25%19%40%33%25%19%0%

推理毛利率OPM30%25%20%15%10%5%0%

2020%22%20%22%30%35%10%6E25

202-90%

2027E 2028E-31%Reuters、theinvesting、各公司财报、广发证券发展研究中心

-200%公司财报、广发证券发展研究中心UEKlingCapexCogsOpex130OP~10%表8：快手可灵Kling的收入和成本测算（亿元人民币）（2024-2028E）亿元人民币202420252026E2027E2028EARR134691164收入103773131Capex30120160120100累计摊销6306286106研发人员成本681012推理毛利润282246OP利润-21-33-2314快手财报、广发证券发展研究中心三、观点总结和投资建议（一）海外巨头迭代放缓，2026年中国模型开始赶超战略追赶窗口。SoraAppC26OpenAISoraAICAnthropic、GoogleSora（2）GoogleVeo3模202526Omni版AnthropicARR9000262353亿美元。中国“双寡头”SeedanceKling，MiniMaxViduPixverseSeedance2.0和Kling3.0表9：主要模型梳理行业主要模型和所属公司模型技术原理上线时间不同版本迭代时间融资情况(USD)ARR/RunRate(USD)美国GoogleVeoLatentDiffusionTransformerwithJointAudio-VideoGeneration2024.5.14Veo2-2024.12.16Veo3-2025.5.20Veo3.1-2025.10.15Google内部项目未披露OMNIGemini-native+Any-input-to-videoGeneration+Reasoning-guidedEditing2026.5.19/Google内部项目未披露OpenAISoraDiffusionTransformeroverSpacetimeLatentPatches2024.2.15（preview）Sora-Turbo-2024.12.9Sora2-2025.9.30Sora关闭-2026.4.26OpenAI内部项目未披露RunwayGenAutoregressive-to-Diffusion2023.02.06Gen2-2023.03.20（宣发）Gen2-2023.06.07（上线Gen3-2024.06.17Gen4-2025.8.12018-seed-2M2020.12.16-A-8.5M2021.12.15-B-35M2022.12.05-C-50M2023.06.29-C-141M2025.04.03-D-308M2026.02.10-E-315M90M（26年5月）中国BytedanceSeedanceUnifiedMultimodal+Audio-VideoJointGeneration+ReferenceControl2025.06.11Seedance1.5pro-2025.12.16Seedance2-2026.02.12字节内部项目2000MN（26年6月）KuaishouKlingUnifiedMultimodalVideoGeneration+NativeAudio+StoryboardControl2024.06可灵Kling1.5-2024.09可灵Kling1.6-2024.12可灵Kling2.0-2025.04可灵Kling2.1-2025.05可灵Kling2.5Turbo-2025.09可灵Kling2.6-2025.12可灵Kling3.0-2026.01.31快手内部项目500MN（26年3月）AlibabaWanFlowMatching+MoE-DiT+3DVAE2023.07（概念，无应用）Wan2.1-2025.01Wan2.2-2025.07Wan2.5-2025.12（9月preview）Wan2.6-2025.12Wan2.7-2026.04阿里巴巴内部项目未披露HappyhorseUnifiedMultimodalTransfusionforNativeAudio-VideoGeneration2026.04.28/阿里巴巴内部项目未披露MiniMaxHailuoNCR+Physics-awareMotion2024.