海外市场观察：Sora如何面临可灵的激烈竞争

在开放公测后，一众业内人士和吃瓜群众迅速涌入，在快手旗下创作工具快影 App申请，一试可灵“到底灵不灵”。而汇集多项测评及反馈，可以看到，可灵在技术上还和Sora有一定差距，除了语义理解问题、生成画面不符合物理世界规律、真实性差等“硬伤”外，“画风质感一言难尽”“美观性欠佳”“快手味过浓”也是被频繁提及的关键词。

一言以蔽之，正如当年依靠下沉市场异军突起的路径，快手如今在AI界，又一次展现出惊人相似的气质——基本功底不差，但仍然难逃“下沉”标签与命运。

一、存在语义理解、画风质感等多薄弱环节：可灵难逃“下沉”标签？

在架构选择上，可灵紧跟Sora步伐。据快手大模型团队介绍，其采用类似 Sora 模型的 DiT 结构，用Transformer代替了传统扩散模型中基于卷积网络的U-Net，这也是当下文生视频领域的主流趋势——过去几年，基于U-Net架构的扩散模型暴露出无法处理复杂指令等问题，而Diffusion Transformer在处理大规模视觉数据方面具有显著优势，能够生成更为复杂和连贯的视频内容。

基于此，可灵整体表现不会太差，然而，在进一步功力比拼中，可灵的短板逐渐暴露。

首先，是语义理解层面，在知乎“如何看待中国版Sora可灵爆火”这一问题下，有网友表示，输入“一只大熊猫在开心地吃粽子”，结果生成了熊猫在吃水饺；再比如，想生成猫咪赛龙舟的场景，输入“一群猫咪坐在龙舟里”，结果生成的视频中没有猫咪，只有人。

而这背后，则显露出可灵在语义理解能力的与细节捕捉能力的功力不足：无论是无法分别出“人类”和“猫咪”的区别，还是混淆“粽子”和“水饺”，都意味着着可灵在语义层面上存在理解偏差，无法精确捕捉输入描述中的关键信息，尤其是在处理非常规或特定领域的对象时，语义解析层面还有提升空间。

再往前追溯，可灵在构建视频场景时，可能受限于其训练数据和算法能力，无法准确地将文字描述转化为符合预期的视觉内容：

训练过程中，可灵所依赖的数据集或缺乏足够的“赛龙舟”等特定场景的数据，导致模型无法准确学习并生成相关视频，此外，训练策略可能没有针对细节进行足够的优化，让模型未能充分学习到“人类与猫咪”等不同对象之间的区别和特征。

再比如，据《每日经济新闻》测评，在一些视频生成时，可灵存在诸多“失灵”时刻。例如，弹吉他的熊猫拥有人类的手指；提示词中“浅绿色的布艺沙发”，到了视频中呈现的则是红棕色的皮质沙发。同时，在一些视频中，当有多个主体时，有时也会出现一些元素无法完全呈现在视频中的情况。

事实上，台上一分钟的文生视频秀肌肉背后，比拼的是“台下十年功”的训练积累。这也是为什么，大差不差的架构下，可灵生成的视频有诸多“bug”。

正如此前，一览科技创始人罗江春公开表示，国内生成式视频大模型面临的最大挑战，本质上是底层能力的差距，这个底层能力包括数据、模型和算力：“我们有能力追上Sora今天的效果，但是当追上的时候，Sora又已经往前走了一大步，这个差距会保持比较长一段时间。”

除了硬伤外，可灵的画风更是被诟病最多的地方。在同样的提示词下，可灵和Sora生成的画风对比“一言难尽”。

拿让Sora迅速爆火出圈的那段视频来说，提示词为“一位时尚的女人走在东京的街道上，街道上到处都是温暖的发光霓虹灯和动画城市标志，她背着一个黑色钱包。她戴着墨镜，涂着红色口红。她自信而随意地走路。街道潮湿而反光，营造出五颜六色的灯光的镜面效果，许多行人四处走动。”

而有网友把同样的提示词投喂给可灵，生成的视频却极为“快手风”：

歪嘴女主角迈着六亲不认的步伐，穿着看上去正常但凑在一起就莫名土味的穿搭，走出了精神小妹进城讨债的气势，背后还有紧身裤小伙乱入，整个街道也有一种浓浓的城乡结合部既视感。让人不禁想配一段社会语录，比如“精致小包怀里夹，开上我的小捷达”“大姐走路就这么der，好像赵四跳皮筋”之类的。

在社交平台上，也有很多网友表示“生成的画风很古早”“有点土”“果然是快手做出来的东西，有一种快手味”。