我最近把几款文生视频模型放到同一张桌子上折腾了一轮。桌上摆着同一句提示词、同一张参考图、同一个时长要求，屏幕里的结果却像来自不同星球。有的画面惊艳，人物一动就露馅；有的动作顺滑，文字一出现就糊成马赛克。这个体验让我意识到，文生视频模型对比最怕“拿感觉当结论”。我给这一章定的任务很朴素：把评测坐标系搭起来，让后面每一轮对比都有落点。
1.1 文生视频模型对比的核心问题与评测目标
我关心的核心问题不是“谁最强”。这个问题太容易变成粉丝吵架。我的问题是：在我手里的创作任务中，哪个模型能稳定交付可用片段，哪个模型只适合出概念图，哪个模型需要我反复抽卡才能凑出一条能剪的素材。换个角度，评测目标要服务选型，不服务排行榜。创作者需要知道钱花在哪、时间省在哪、风险埋在哪。
我也会从评测者视角追问：同一句提示词，模型听懂了多少，画面里有多少是提示词带来的，多少是模型自由发挥。这个追问很关键。文生视频的“好看”很容易掩盖“不听劝”。我给自己定的评测目标是三层：能不能生成、生成得稳不稳、生成完能不能进入工作流。三层都过，才算真正可用。这样说有点硬，实际评测时我会不断回到一个画面：深夜剪片，时间只剩两小时，我敢不敢把这条提示词交给它。
1.2 主流文生视频模型对比评测样本与分类：闭源产品、开源模型与平台化工具
样本选择上，我没有追求“大而全”。我按使用方式分了三类：闭源产品、开源模型、平台化工具。闭源产品以在线服务为主，开箱即用，版本更新快，价格和额度经常变。开源模型能本地部署或租算力跑，控制感强，门槛也高。平台化工具把生成能力嵌进剪辑、模板、素材库，适合批量出片和团队协作。这个分类比按公司名排队更贴近实际使用。
我实际挑样本时，会看自己能不能在当天拿到稳定入口。闭源产品里挑有公开试用或订阅入口的，开源模型里挑社区文档相对完整、能跑通推理的，平台化工具里挑和剪辑流程衔接顺的。具体型号我会在后续章节展开，这里先立规矩：同一轮对比以我实际调用的版本为准，记录日期和参数。文生视频模型迭代太快，不写日期，结论过两周就可能失真。
这三类样本也对应三种成本结构。闭源产品按订阅或积分走，试错成本低，长期成本看用量。开源模型前期投入高，算力、环境、调参都要花时间，跑顺之后边际成本可控。平台化工具把成本藏在套餐和模板里，团队用起来省沟通。我把这些差异提前摆出来，后面比较“贵不贵”才不会只盯单价。
1.3 对比评测维度设计：文本理解、画面质量、运动一致性、时长分辨率、可控性、成本与生态
维度设计我用了六个抓手：文本理解、画面质量、运动一致性、时长分辨率、可控性、成本与生态。文本理解看模型能否抓住主体、动作、场景、风格和否定词。画面质量看清晰度、构图、光影、质感，也看细节崩不崩。运动一致性看人物肢体、物体交互、镜头运动是否连贯，物理规律有没有明显穿帮。时长分辨率是硬指标，决定素材能不能直接进时间线。可控性看首帧、尾帧、镜头、运动幅度、局部编辑这些手段好不好用。成本与生态看价格、额度、API、插件、版权条款和团队协作。
我评测文本理解时，会故意把提示词写得更像人话，带一点口语和约束。比如“一个穿旧夹克的男人在雨里等公交，手里塑料袋滴水，镜头从脚边慢慢抬起”。这类提示词有主体、有动作、有环境、有镜头。模型能还原多少，一眼就能看出差距。画面质量我不会只看单帧截图。我会把视频放到正常播放速度下看，动态模糊、噪点、闪烁、面部漂移都会暴露。静态好看不等于视频好看，这个坑我踩过。
运动一致性是我最看重的维度之一。人物走路像滑冰、手臂穿模、杯子悬空、镜头一顿一顿，这些都会让片段报废。时长分辨率我会结合任务看：社交短视频要竖屏和短平快，广告概念片要横屏和足够时长，短片预演要能接镜头。可控性决定我能不能“修”。模型一次生成不理想很正常，能不能用首尾帧、运动笔刷、局部重绘把它拉回来，直接影响工作效率。成本与生态我会算总账：订阅费、积分消耗、排队时间、导出限制、商用授权。单看生成单价容易误判。
1.4 统一测试提示词集与评分方法：建立可复现的对比基准
我给自己搭了一套统一测试提示词集。里面分几组：简单主体组、复杂动作组、镜头语言组、文字与物理组、风格迁移组。简单主体组看基础还原，复杂动作组看肢体和交互，镜头语言组看推拉摇移和景别变化，文字与物理组看招牌文字、液体、碰撞、重力，风格迁移组看模型能不能守住参考风格。每组提示词固定下来，后续加模型也沿用。提示词集不追求多，追求能反复用。
评分方法我采用“双轨制”：客观记录加主观盲评。客观记录包括生成时长、分辨率、失败次数、可用片段比例、排队时间、积分消耗。主观盲评把模型名藏起来，按1到5分打分，维度对应前面的六项。我会找一两位剪辑师一起看，减少个人偏好。盲评不是装专业，它逼我把“我喜欢”跟“画面可用”分开。同一提示词我会跑两到三轮，记录随机性。文生视频的抽卡属性很强，一轮结果说明不了稳定性。
可复现的对比基准还需要写清楚参数。种子、宽高比、时长、运动强度、参考图、负面提示词、模型版本、调用日期，我都会记在表格里。平台化工具的参数藏在界面里，我也会截图存档。这样做有点麻烦，换来的是后面写结论时心里有底。我给这套基准起了个朴素名字：同题同参同盲评。它不完美，足够让我在下一章比较生成效果时不跑偏。
上一章我把评测坐标系搭好了，这一章就该把各家模型拉到同一条起跑线上跑两圈。说实话，跑完两轮下来，我最大的感受是：没有全能冠军。每个模型都有自己特别擅长的那一下，也有让你挠头的短板。我拿同一组提示词喂给它们，出来的结果就像让五个厨师做同一道菜，有人火候猛，有人摆盘精，有人味道正但出菜慢。
2.1 文本理解与复杂提示遵循度对比
我拿“穿旧夹克的男人在雨里等公交，手里塑料袋滴水，镜头从脚边慢慢抬起”这条提示词先测了一轮。有的模型把“旧夹克”理解成了破洞牛仔外套，有的把“塑料袋滴水”直接忽略了，画面里男人两手空空站在雨里。最让我哭笑不得的是一个模型把“从脚边慢慢抬起”做成了镜头从天空往下摇，完全反着来。文本理解这块，闭源产品整体表现更稳，尤其对口语化描述里的隐含关系抓得准一些。
复杂提示遵循度我专门设计了一组带否定词的测试。比如“不要出现文字，不要有路人，主角全程不笑”。有个开源模型画面质感很惊艳，但每条视频都给我在背景里塞了块广告牌，文字虽然模糊但明晃晃杵在那。另一个平台化工具倒是听话，提示词说不要路人，它就真把街道清得跟凌晨四点似的，连只猫都没有，干净得有点假。我后来想明白了，遵循度高不代表画面生动，有时候太听话反而丢了烟火气。
多动作叠加的提示词最能看出差距。我试过“女人推开咖啡馆的门，抖掉伞上的水，把伞插进门口的桶里，然后走向柜台点了一杯拿铁”。能完整走完这套动作的模型不到一半。大部分模型会在“插伞”这个环节翻车——伞凭空消失，或者女人手里突然多了个杯子。有一个模型干脆把门做成了旋转门，人进去转了半圈才出来，动作倒是连贯，就是跟我写的剧本对不上。这种时候我会在表格里记一笔：动作链超过三个，失败率飙升。
2.2 画面质量、风格表现与角色场景一致性对比
画面质量我分两个视角看。静态截图视角下，闭源产品的中远景几乎都有电影感，光影层次和材质细节经得起暂停截图。开源模型的质量波动更大，同一提示词有时候出片像广告大片，有时候像十年前的游戏过场动画。我把这归结为模型版本的差异和随机种子的影响，但用户不会管这些，用户只看这一条能不能用。平台化工具的画面偏“安全”，滤镜感重一些，细节少一点，胜在稳定，批量出片不容易翻车。
风格表现上，我拿同一段提示词跑了赛博朋克、水墨、胶片纪实三种参考风格。有一个模型对赛博朋克的霓虹色调掌握得特别准，画面里的湿漉漉路面反光都带着品红色，但换成水墨风格就完全失控，墨韵变成了灰蒙蒙的雾。另一个开源模型在风格迁移上更均衡，什么风格都能接住六七成，但每个风格都差一口气。我自己的判断是，如果你有明确的风格需求，选那个在目标风格上特别突出的模型，比选一个万金油更划算。
角色一致性是我最头疼的地方。我试过让同一个角色在三个镜头里出现，提示词里固定了外貌描述。有的模型第一镜是圆脸络腮胡，第二镜脸型就拉长了，第三镜胡子直接没了。场景一致性稍好一些，同一个咖啡馆的布局在连续镜头里基本能对上，但桌上的杯子一会儿高一会儿矮，墙上的画从风景变成了抽象色块。这些细节单独看不算致命，剪到一起就露馅。我后来养成了一个习惯，角色一致性要求高的项目，我会锁定首帧参考图，能锁几个锁几个。
2.3 运动真实性、物理规律与镜头语言控制对比
运动真实性这事，走路姿势是最直接的照妖镜。我让几个模型分别生成“男人在沙滩上慢跑”的片段。有的模型跑起来膝盖不打弯，像踩着滑板在飘；有的手臂摆动幅度大得夸张，看着像竞走运动员冲刺。闭源产品里有一个在肢体协调性上明显高出一截，步伐节奏和重心转移都比较自然。开源模型跑顺了也能出好结果，但十次里有一次会出现脚底打滑的诡异画面，沙滩上的脚印跟人完全对不上。
物理规律我专门测了液体和碰撞。提示词写“水杯从桌边掉落，在地板上碎开”。完成度最高的是一个平台化工具，水花溅开的轨迹和碎片分布都有模有样。另一个模型让杯子落地后直接弹起来，像橡皮球一样滚了两圈，牛顿看了得掀棺材板。烟雾和布料这两类软体也容易穿帮，有的模型把烟雾做成了固体块状，飘到一半停那了。这些物理细节对普通观众来说未必会逐帧盯着看，但一旦注意到，整条片子的可信度就崩了。
镜头语言控制方面，推拉摇移的完成度跟模型对“镜头指令”的理解直接相关。我用“缓慢推进，最后定格在男人眼睛特写”这条提示词测了一圈。能准确做到“缓慢推进”的模型，画面主体通常也会同步变大，景别切换有逻辑。有几个模型倒是推进了，但推到一半突然切了个全景，节奏完全断了。有意思的是，镜头运动跟时长有微妙关系，三秒的片段里做复杂运镜更容易糊，五秒以上成功率明显提升。我在表格里把这记成了一条经验：运镜复杂就加时长，别抠那两秒钟。
2.4 生成效率、时长分辨率、编辑迭代与成本对比
生成效率我拿手机秒表掐的。闭源产品从点下生成到出片，三秒片段平均等四十秒到一分半，高峰期排队能翻倍。开源模型在本地跑，首次加载慢得让人想泡杯茶，跑顺了之后单条生成跟闭源差不多，但调参和重启服务的时间得算进去。平台化工具出片最快，模板化流程省掉了不少渲染步骤，适合我这种要批量出十条竖屏素材的时候用。有个细节值得记一笔：闭源产品排队时间波动大，我周二下午和周六晚上测同一模型，等待时长差了将近三倍。
时长和分辨率放在一起看，差距就出来了。大部分模型五秒以内是舒适区，超过八秒画面开始出现“后劲不足”——人物动作变慢、细节变糊、镜头运动停滞。能稳定输出十秒以上的模型不多，有一个闭源产品能出十五秒，但后半段基本靠慢动作撑时长，实际有效内容还是十秒左右。分辨率方面，1080p是标配，4K输出不是每个模型都给，有的给4K但码率压得厉害，放大看还是糊。我自己的感受是，分辨率参数好看不如码率实在，导出前一定得看源文件。
编辑迭代能力我测了“改一句提示词重跑”和“局部重绘”两种方式。改提示词重跑最简单，所有模型都支持，问题是你改一处它可能把整个画面重洗一遍，之前满意的部分也没了。局部重绘对可控性要求高，有的模型画个遮罩能单独改手部动作，有的模型一遮罩就整段崩坏。成本这块我算了笔粗账：闭源产品按积分走，一条五秒1080p大概几毛到两块不等；开源模型算上算力租金和折腾时间，单条成本不好直接比；平台化工具套餐价看着便宜，但导出水印和高清导出要加钱。我一般会建议先拿十块钱试错，看哪个模型在你手里出片率最高，再决定往哪充钱。
2.5 主流文生视频模型生成效果与优缺点归纳：能力边界与适用场景对比
把前面几轮测试的结果拢到一起，我画了张粗略的能力分布图。文本理解和复杂提示遵循度上，闭源头部产品优势明显，适合广告脚本和概念片这种“提示词写多细就要还原多细”的场景。画面质量和风格表现上，开源模型上限高但下限也低，适合愿意花时间调参、有明确风格目标的创作者。运动真实性和物理规律这块，闭源产品整体更稳，尤其是人物肢体和刚体碰撞，开源模型偶尔能出惊艳的运动片段，但稳定性靠抽卡。
生成效率和成本结构决定了我拿它们干什么活。平台化工具适合社交内容批量出片，速度优先、质量够用、模板化流程省沟通。闭源产品适合短片预演和广告提案，出片慢一点但废片率低，时间成本反而更省。开源模型适合技术验证和定制化需求，前期投入大，跑顺之后边际成本可控，还能接私有化部署。我自己的组合策略是：概念阶段用平台化工具快速试方向，锁定方向后拿闭源产品精修关键镜头，特殊风格或降本需求再上开源模型兜底。
说到适用场景，我列了个简单的对照。社交短视频和口播素材，平台化工具胜在竖屏适配和批量导出。品牌广告和产品概念片，闭源头部产品的文本遵循度和画面质感能撑住甲方审片。独立短片和艺术实验，开源模型的风格弹性更对我的胃口，代价是得自己修bug和调参数。概念预演和分镜可视化，我会选生成速度快、编辑迭代方便的模型，画面糙一点没关系，能快速出十个版本比出一个完美版本重要。
这一章写下来，我反复提醒自己别陷入“参数党”的思路。模型版本更新太快，今天的短板下个月可能就补上了。我把测试日期和版本号都标在表格备注里，方便回头看的时候知道结论的时效性。下一章我会把这些对比结果落到具体选型策略上，聊聊不同预算、不同团队规模、不同交付节奏下该怎么挑模型，以及多模型组合怎么搭才不互相拖后腿。
前两章我一直在干一件事——把模型拉到一起比个高低。比完了，问题也来了：知道谁强谁弱之后，我到底该用哪个？这章就是来还这笔账的。我把自己踩过的坑、花过的冤枉钱和跑通了的流程都摊开聊，希望能帮你少走两步弯路。
3.1 不同创作场景下的模型选型建议：广告、短片、社交内容与概念预演
广告和品牌片这块，我的经验很简单：文本遵循度优先，画面质感第二。甲方给的脚本经常细到“第三秒画面左下角出现产品logo”，提示词里全是这种硬约束。我拿几个模型跑过同一版产品脚本，闭源头部产品能还原八成以上，开源模型能到六成就算超常发挥。有一条汽车广告的预演，我用了闭源模型出十五秒概念片，画面里车的流线型和光影质感直接能拿去提案。贵是贵了点，但省掉了来回沟通“我想要的感觉是这样的”的时间成本。广告场景我一般不纠结单条价格，废片率低才是真省钱。
短片和叙事类内容，我的选择更看重角色一致性和镜头语言控制。跑独立短片的时候，我会把同一个角色的不同景别分给同一个模型跑，哪怕画质稍微降一档，也不想剪到一起脸变来变去。有个开源模型在角色一致性上做得不错，配上首帧参考图能锁个七八成，中间偶尔抽个风，多跑两条挑一条能用的就行。镜头语言方面，闭源产品对推拉摇移的理解更准，我试过一条“从背面跟拍男人穿过走廊，最后绕过他肩膀拍正面特写”，只有两个模型把“绕过肩膀”这个运动逻辑做对了。短片项目周期长，前期选错模型后面全是修补，我宁愿在测试阶段多花两天。
社交内容和口播素材，完全是另一套逻辑。竖屏、快节奏、批量出，这三个需求一摆，平台化工具就是最优解。我试过用闭源产品跑十条竖屏口播背景素材，等了快半小时，平台化工具五分钟全出完了。画质有差距吗？有。但社交平台的压缩画质下，那点差距被抹得七七八八，观众根本不会暂停逐帧看。我自己的标准线是“手机屏幕上看着不假”就够用。批量出十条里选三条能用的，剩下的当备选，这种打法平台化工具最顺手。
概念预演和分镜可视化，我要的是速度和可编辑性。导演或者制片人坐在旁边等着看下一个镜头怎么走，我总不能说“您等我一分半钟”。这时候生成速度比画面质量重要得多，粗糙一点没关系，能快速出五个版本让他们挑方向才是正事。我用过一个模型，生成快但画面经常崩，人物比例失调那种。可恰恰是这种模型在预演阶段最受欢迎——够快，崩了也无所谓，反正只是示意。等到方向锁定了，再换高精度模型精修关键帧。
3.2 从优缺点对比到工作流组合：多模型协同与提示词优化
单模型打天下的时代已经过去了，我现在干活基本是三四个模型轮着上。概念阶段用平台化工具快速试方向，五分钟出十个版本，挑出两三个感觉对的。方向确定后，把挑中的版本截图当参考图，喂给闭源产品做精修，这时候提示词里加上“参考首帧构图和色调”，出来的质量能提一个档次。特殊风格需求比如水墨或者复古胶片感，再切到那个风格专精的开源模型上跑。这套流程跑顺了，一条片子的制作时间比死磕一个模型少了快一半。
提示词优化这块我攒了一套自己的写法。不同模型对提示词的吃法不一样，闭源产品喜欢长句和细节描述，开源模型对关键词堆叠更敏感。我一般会准备两版提示词：一版是完整场景描述，给闭源模型用；一版是关键词列表加权重标记，给开源模型用。中间转换看着麻烦，但出片率差异明显。有个小技巧我经常用：把上一轮生成结果里满意的部分截下来，作为下一轮提示词的视觉参考，再加上“保持这个构图和色调”的描述。这招在多模型之间倒腾素材的时候特别好使。
多模型协同时最大的坑是风格漂移。同一个项目里A模型出的镜头偏冷色调，B模型出的偏暖，剪到一起像两部片子。我后来在提示词里固定了一套色彩描述词，比如“青橙色调、低饱和度、胶片颗粒感”，每个模型都加这段。效果不能说完全统一，但至少不会一个像夏天一个像冬天。还有个笨办法也挺管用：最后统一过一遍调色，把不同模型出来的镜头拉到一个色系里，多花半小时调色，省掉几小时的返工。
工作流组合的核心逻辑是让每个模型干它最擅长的事。文本遵循度强的模型跑对白和产品特写，运动真实性强的跑动作镜头，风格专精的跑氛围空镜。听起来复杂，跑熟了之后就是填空，什么镜头填什么模型，脑子里有张现成的表。我现在的习惯是每接一个新项目，先花半天做模型分配表，把镜头按类型分好组，再批量跑。批量跑的好处是同一模型的参数可以复用，不用每个镜头重新调。
3.3 成本、版权合规与商用风险对比评估
成本这块我吃过亏，得掰开说。闭源产品的积分制看着透明，但实际用起来有个隐藏成本：试错。一条五秒片平均要跑三到四次才能出满意的，积分哗哗掉。我算过一笔账，一个三十秒的品牌短片，光生成成本能到几十块，这还没算上我坐在那调提示词的时间。开源模型表面上省了积分钱，但本地跑需要显卡，租云算力按小时计费，跑一天下来也不便宜。平台化工具的套餐价最唬人，看着包月随便用，仔细看条款——高清导出要加钱，去水印要加钱，商用授权还得另买。
版权合规这事我专门咨询过做法律的朋友。目前大部分模型的服务条款里，生成内容的商用权利归用户，但有个前提：你得确认模型训练数据不涉及侵权素材。这话听着绕，翻译过来就是——平台不保证你生成的画面里不会蹦出个似曾相识的卡通形象。我自己的做法是，涉及品牌商用和公开发行的片子，生成后人工过一遍，看到任何眼熟的角色、logo、艺术品元素就重跑或者后期抹掉。听起来谨慎过头，但真出事的时候，这条习惯能救命。
肖像权和声音权是另一个雷区。我用真人照片当参考图跑过测试，有的模型直接复刻了人脸特征，出来的人跟照片有七八分像。商用场景下这绝对不能用，除非你有肖像授权。我现在养成的规矩是：参考图只用自己拍的或者明确授权的素材，生成的虚拟人脸再用一遍AI换脸工具微调，确保跟任何真实人物都拉开距离。声音也是同理，有的模型支持文本转语音，但声音样本的来源必须干净，别随手拿网上的音频喂进去。
商用风险的评估我列了个简单清单：第一看模型服务条款里有没有“商用需额外授权”的条款，第二看生成内容有没有内置水印或追踪标识，第三看平台有没有数据使用权的争议。三条里有一条踩红线，这个模型我就不碰商用项目。还有个小细节，有的平台在用户协议里写了“生成内容可用于平台宣传”，意味着你的片子可能被拿去做案例展示，涉及保密项目的时候得提前确认能不能关掉这个选项。
3.4 文生视频模型对比评测的未来趋势与持续评测机制
模型更新速度太快了，我上个月测的结论这个月就可能被推翻。有个开源模型三周内发了两个版本，第二个版本在运动真实性上直接追平了闭源产品。我现在的做法是每个月抽半天做一轮快速回归测试，只跑核心提示词集，看排名有没有大变动。全量评测太耗时间，快速回归够我判断“手里的活要不要换模型”了。测试结果我记在一个共享表格里，标上版本号和测试日期。团队里谁想用新模型，先看表格里最近一轮的成绩，再决定要不要花时间试。
未来半年我关注三个方向。一是物理模拟的精细度，现在液体和布料还是重灾区，哪个模型先把这俩搞定，在广告和短片场景里就是降维打击。二是长视频生成，十秒以上的连贯叙事目前只有少数模型能做到，时长突破之后整个工作流都得重写，分镜和剪辑的逻辑会变。三是可控性的提升，局部重绘和运动轨迹指定这些功能一旦成熟，文生视频就从“抽卡”变成“雕刻”了，那时候选型逻辑又不一样——谁家的控制工具好用，谁就赢。
持续评测这事我建议别搞太复杂。我的核心测试集只有十二条提示词，覆盖文本理解、运动、风格、一致性四个维度，跑一轮不到两小时。复杂提示词和极端场景每季度加几条就行，不用每次都全测。关键是把测试结果和实际项目反馈对上——表格里评分高的模型，在实际项目里是不是真的省心。我遇到过评测分数中等但实际干活特别顺手的模型，也遇到过评测高分但一到真项目就翻车的。数据是参考，手感是另一回事。
最后说个实在的感受。这一年测下来，模型之间的差距在肉眼可见地缩小。去年闭源产品在文本理解上领先开源模型一大截，今年这个差距已经小到需要仔细对比才能看出来。这对创作者是好事——选择多了，议价空间大了，不用被一家绑死。坏处是选型越来越费脑子，以前闭眼选最贵的就行，现在得看场景、看预算、看团队习惯。我的建议是别追求“最好的模型”，找那个跟你干活节奏最合拍的。有人喜欢快出片多试错，有人喜欢慢工出细活，模型没有绝对优劣，匹配你的工作方式才是正经事。这章就到这，下一章如果还有的话，我想聊聊具体案例——拿真实项目从头到尾跑一遍，把前面说的这些选型逻辑落到实操里。
