今年年初，OpenAI突然扔出了一颗深水冲击波——文生视频大模型Sora。它不仅能生成一分钟的连贯高清视频，还展现出了对物理世界的初步理解，仿真能力相当强。一时间，国内AI行业又一次被甩开的焦虑开始在网络上蔓延。

可谁曾想到，仅仅半年过去，当Sora几乎“查无此人”时，国内的文生视频模型已经开始了捉对厮杀。就在快手的可灵AI宣布全面开放内测之后，字节跳动剪映团队研发的“即梦AI”也正式上架，并且同步上线了付费会员体系。

为什么OpenAI的Sora还停留在PPT阶段，反而是“中国版Sora”率先跑通了商业化？说快手、字节跳动的AI研发能力碾压OpenAI，显然不现实——毕竟豆包、快意还比不了GPT-4o。真正的原因或许在于：Sora只是OpenAI当时狙击谷歌Gemini 1.5的一个工具，而对于快手和抖音这两大短视频平台来说，文生视频模型的意义完全不同。

为什么快手和字节跳动的文生视频大模型落地如此迅速？这一切还得从Sora带给业界的启示说起。在Sora之前，最好的文生视频产品Runway、Pika，都只能生成不到十秒的视频，与其说是视频，不如说是一段GIF。直到Sora实现了连贯的一分钟视频，并在多角度多镜头切换中保持一致性，还能遵循现实世界的物理规律。

这背后的关键在于Sora采用的Diffusion Transformer架构。OpenAI创造性地把训练大模型的Transformer架构融入Diffusion扩散模型，为图像视频等多模态数据找到了适合Transformer的训练方式。解决了从零到一的问题之后，如何将文生视频模型商业化就成了工程问题——于是便有了即梦AI和可灵AI的青出于蓝而胜于蓝。

对于OpenAI来说，使命是实现AGI，Sora不过是秀肌肉的工具。但快手和字节跳动做文生视频，目标非常明确：为核心业务短视频服务。这也是Sora没了下文，而可灵AI、即梦AI后来居上的重要原因。对于短视频平台而言，文生视频工具意义重大。事实上，可灵AI和即梦AI的正面对决，就像五年前那场视频编辑工具之争。

2019年夏季，抖音的剪映和快手的快影同时迎来爆发式增长，再加上一年后B站的必剪，三大以UGC起家的视频平台不约而同地布局视频编辑产品。这场工具之争背后，是从2019年起随着流量红利消失，视频网站开始从UGC向PUGC转型。抖音、快手、B站纷纷搞起了对创作者的培训。

问题在于，给创作者办培训班固然有效，但平台的人力面对海量创作者群体，无疑是捉襟见肘。互联网厂商宝贵的人工资源显然不是这样用的——用技术手段解决问题才是他们的法宝。抖音和快手开始思考：如何通过技术提升用户制作短视频的效率和质量，从而让更多优质内容涌现？

现实也确实如各家所想。剪映等视频编辑工具通过提供模板、滤镜、主题等模块化功能，成功降低了视频创作的门槛，让更多人有了输出内容的能力。参与创作的人多了，出现优质内容的概率自然更高。

只可惜，即便剪映、快影已经比Adobe Premiere Pro、Vegas Pro等专业软件更加傻瓜化，每个功能都配有视频讲解，但依然存在一定的上手难度，距离真正的零门槛还有相当距离。随着微信视频号加入赛道，分蛋糕的厂商又多了一家，抖音和快手吸引用户停留的压力变得更大。

但AI大模型的出现，给了抖音和快手实现“人人皆是创作者”的机会。文生视频大模型的卖点在于：通过文字直接生成视频，用户不需要任何剪辑知识和技巧，直接就能把文字脚本变成视频。那么这一特质最适合什么样的创作者？答案显而易见——那些还留在微信公众号、知乎以及各大新媒体平台的图文创作者。

没错，图文创作者向视频创作者转型，是几年前就已出现的现象。但直到今天，微信公众号、知乎乃至小红书上依然有大量图文创作者在坚守阵地。短视频平台为了留住这批人，不惜开辟图文专区，但短视频和图文终究是两码事。当年的剪映横空出世，已经让有志于视频创作的用户加入了生态，所以这次AI工具面向的并不是他们。

有了可灵AI、即梦AI，图文创作者可以直接用文字生成想要的视频内容，或者为文字配上符合情境的视频。对于没有接触过视频制作的内容创作者来说，这些工具的效果远超以往的文生视频产品。举个例子，知乎曾在2020年搞过一个图文快速生成视频的工具，但由于效果差强人意，用户根本不买账。

以往的文生视频工具，都是借助NLP技术进行断句和配音，再利用OCR技术通过标签智能配图，从而把平面的图文转化为半立体化的视频。但这种视频的效果和原生视频天差地别，只能解决“有没有”的问题，远达不到商业化水平。

经过过去数月的测试，可灵AI已经证明：它们生成的视频和人类借助编辑工具创作的视频，没有质的差距。既然可灵AI、即梦AI已经具备商业化水平，而抖音、快手又需要更多内容创作者来丰富生态，所以这场AI文生视频工具之战，就像五年前的视频编辑工具争夺战一样，正式拉开了帷幕。