AI 视频模型行业深度：中国短视频生态构筑隐性壁垒

识别风险价值发现媒体Ⅱ前次评级买入相对市场表现AI视频模型行业的发展复盘。2022年后智谱/Google/Runway发布论文探讨U-Net先。我们根据目前主要渗透的场景如微短剧、视频广告、影视工业等行业算，预计AI视频模型行业收入规模在2025、2026相对市场表现行业的格局和定价逻辑决定了中长期的模型UE。毛利率来看，海外平台高于国内大模型，例如和定价1）AI视频模型格局有望保持玩家海外巨头在多模态领域战略收缩，2026年中国模型抓住反超相关研究Kling3.0在物理规律理解、智能运镜、多镜头原生生成等底层技术上领先相关研究海量IP储备与影视工业化降本预期的深度分析|媒体Ⅱ股票简称股票代码货币最新最近报告日期评级合理价值EPS(元)PE(x)EV/EBITDA(x)ROE(%)收盘价2026E2027E2026E2027E2026E2027E2026E2027E快手-W01024.HK港元40.882026/5/28买入77.493.904.519.117.888.367.0815.014.0哔哩哔哩-W09626.HK港元124.702026/3/6买入242.118.4411.2414.7711.1014.0012.009.012.0爱奇艺IQ.O美元0.962026/5/19买入1.970.020.81327.618.093.473.19-2.02.0阅文集团00772.HK港元18.662026/3/29买入42.051.421.5811.4210.2723.0020.006.07.0深度分析|媒体Ⅱ 5 5 6 11 13 15 19 20 20 22 22 23 23 23 23深度分析|媒体Ⅱ 5 6 8 8 12 12 16 16 17 17 19 19 19 19 7 9 9表4：以字节不同类型模型的调用成本对比不同 11 13 17 18）（ 20 21深度分析|媒体Ⅱ海外较早开始探索视频模型，海外巨头在大模型各领域希望保持齐头月，Runway发布Gen-1，首次实现基于文本和图像的视频生成，并率先开启AI视频商业化探索。2024年国内AI视频模型于2024年开始涌现多个玩家内玩家给予发展多模态更高的战略优先级，26年迎来技术和商业化的跃数据来源：Google、OpenAI、可灵KlingA深度分析|媒体Ⅱ视频模型发展按标志性事件可切割为三个阶段1）2Google、Runway都发布了学术论文DiT架构，采用了《Videogenerationmodelsasworl月，Google在I/O大会上官宣了VEO；6月快手基于平台也纷纷跟进并推出自己的视频模型。这一阶段的视频模型靠文/图输入可生成数秒钟长度的视频，分辨率•24年2月OpenAISora提•海外：OpenAI、Google聚焦•25年12月快手推出Kling-Omni通•海外：OpenAI、Google引领•720P/1080P分辨率的视频为主流2022年-2023年2024年-2025年2026年-早期技术选型正确的模型厂商拥有先发优势，快手可灵Kling在一开始就押注对了方向。从架构选型来看，深度分析|媒体Ⅱ多模态领域，资金能力和训练效率也是另一种优势阶段一：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——Veo，对标Sora。Veo可以生成超过1分钟的1080p高质量视频，并具有多种视觉和电影风格。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-grainedConditionsandVideoContent在Transformer架构成为一致预期后，决定模型上限的已经不是网络结构，而是数据的质量，本论文提出一套流水线，把3600万个视频洗成“精品”。例如处理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深度分析|媒体Ⅱ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一次性将其渲染出数据来源：、可灵AI器通过SkipConnection（跳跃连接）传输信息，将左边提取的高清细节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)，其核心是在潜在扩散模型（深度分析|媒体Ⅱ对比维度-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。Kling-Omni是快手Kling团队在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，并结合在共享嵌入空间中处理视觉和文本Token，实现深度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（重计算与卸深度分析|媒体Ⅱ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），数据来源：Kling-OmniTech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。态交互，确保视觉一致性和指令遵循。（3）多模态超分辨率模块（MultimodalSupe全能生成器（Omni-Generator）的训练策略包含1）预训练：预训练利用大规模文图像/视频编辑，以及一系列用于语义理解的专业任务。通过让模型暴露于这种异构且信息丰富的数据中，有通过多轮偏好对齐训练，模型在视频生成质量上取得了显著改善，更符合人类意图。（4）模型加深度分析|媒体Ⅱ从模型训练的成本来看，视频数据获取、清洗和合成的成本），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]60.01730doubao-seed-code输入长度(128,256]2.80.0170.242.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）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27.99~62.21不支持数据来源：火山引擎、广发证券发展研究中心深度分析|媒体Ⅱ略会更为灵活，主要以租赁第三方算力结合小部智谱营业成本智谱营业成本+研发费用MiniMax营0202220230深度分析|媒体Ⅱ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、thebusinessresearchcompany等机构测算计可渗透的市场在3666亿美元，预计到2030年增长至50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USDbn4国内微短剧产业规模海外微短剧产业规模AI漫剧USDbnUSDbnUSDbn4195467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模型渗透率合计电影、电视剧、动画等视频内容制作市场视频广告制作市场微短剧漫剧%0%0%40%2%0%6%7%55%16%5%50%60%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USDbn0.52.06.3数据来源：DataEye、verifiedmarketresearch、thebusinessresearchcompany、广发证券发展研究中心目前AI视频模型对目标市场的渗透率仍较AI视频模型在不同行业的渗透率和渗透速度，因漫剧本身是AI催生的原作的普及率应该较高；微短剧目前也开始有大量的行业的产值应有较高比例的AI渗透；而视频广告市场，随着视频模型的能力提升，对广告公司制作降本增效带来更大的增益，视频广告制作市场应该也有较大的潜力被AI渗透。最后，考虑到传统影视工业对内容制作深度分析|媒体Ⅱ要求较高，生产链路较为负责，AI对传统影视内容创作的赋能和改造还需要一定时间，但这部分可触达的空间或决定了多模态的上限。我们预计整体AI视频模型的收入规模在2025、20型，仅需要简单的输入图片形象，给予生成指令，AI视频模型就制作出动态的视频展示效果，这在广告、电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，Seedance2.0推出进一步推动了AI漫剧产出效果的提升。目前，更多真人微短剧也深度分析|媒体Ⅱ作视频提供工具。爱奇艺则针对影视团队和超级创作者提供了纳逗Pro剧、漫剧等不同品类的内容创作提供工具。这类平台基于自身创），人或小团队用于创作效率提高的场景，有较好的付费获取快速通道和积分，生成不同分辨率的视频消耗对多企业客户（B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Higgsfield这些为创作者提供多模态生成工具的聚合模型平深度分析|媒体Ⅱ客户类型接入方式客户类型接入方式收费方式•个人用户•订阅会员+积分消耗•按Token消耗收费•按时长收费•APP/网站登录使用•超级创作者•直销：企业客户•分销：聚合平台C端Google、OpenAI、字节、阿里等平台型玩家，多模态是模型组合享有一定的分发渠道优势，同时豆包等2C产品也有多模态生成的需求，也深度分析|媒体Ⅱ市面上还有较多的聚合模型，例如Higgsf数据来源：www.magnific.co平台名称成立时间用户数ARR(USD)融资(USD)接入模型HiggsfieldAI2023成立，2025产品上线25M+200M（01.15路透2024.04.03-seed-8M2025.09.09-A-50M2026.01.15-A+-80M除Gen、Vidu、Pixverse外以上模型均有接入WaveSpeedAI20251M+10M（2025.10.28）2025.04.25-天使轮-数百万以上模型均有接入聚合GoogleFlow2025.05.20未披露未披露Google内部项目GoogleAI创作平台，整合Veo、Gemini等模型能力，并逐步引入Omni模型KreaAI202230M+未披露（8MARRclub）2023年初-seed-3M2023.06-A-33M2025.04-B-47M除Sora、Pixverse外以上模型均有接入Freepik（改名2010成立100M+接近1M订230M（2026.04.28）未披露除Vidu外以上模型均有接入Magnific）2022年开始AI转型阅用户API2024.09.18前-seed-9M（非官方）聚合Fal.ai20211.5M+未披露（400MARRclub）2024.09.18-A-14M除Gen以上模型均有接入平台2025.02.12-B-49M2025.07.31-C-125M深度分析|媒体ⅡRunware2023500M+未披露2025.09.09-seed-13M2026.01.29-A-50M以上模型均有接入数据来源：路透社，各平台官网、广发证券发展研究中心随着需求场景的扩充，未来定价可能会越来越两级价的匹配性能普通模型的套餐。针对B端越来越复平台包月套餐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/秒数据来源：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和深度分析|媒体Ⅱ65432101.00.50.70.40.90.30.5体模型的OP利润率可以达到~10%。后续决定利润率的深度分析|媒体Ⅱ）（亿元人民币202420252026E2027E2028EARR4691收入3773Capex30累计摊销6306286研发人员成本68推理毛利润282246OP利润-21-33-23历了SoraApp等C端应用探来自Anthropic、Google等平台模型公司的竞争，关停Sora视为阶段性的战起步早，最新的ARR披露为9000万美元，在26年2月完成了3亿美元融资，投后估值达到53亿美元。深度分析|媒体Ⅱ美国withJointAudio-VideoVeo2-2024.12.16Veo3-2025.5.20Veo3.1-2025.10.15Gemini-native+Any-inpu/Autoregressive-to-Diffusion中国VideoJointGeneration+Seedance1.5pro-2025.AlibabaWan2.1-2025.01Wan2.2-2025.07Wan2.5-2025.12（9月Wan2.6-2025.12Wan2.7-2026.04forNativeAudio-Video/ViduAudio+Multi-shotConVidu1.5-2024.11.13ViduQ1-2025.0329ViduQ2-2025.09.25ViduQ3-2026.01.30VideoGeneration2023.08.07-天使轮-数千万元（数据来源：ARRClub、晚点、各