报道（文/周凯扬）自从文本和图片类的AIGC应用火起来以后，基本上有点想法的互联网公司和开发者都冲了进去。但有意思的是，Sora这一波爆火之后，真正决定跟进做文生视频的厂商却少了很多。问题出在哪？说到底，还得回到硬件成本上。毕竟，一个能生成视频的应用，背后的服务器开销，远比做GPT那种纯文本应用要高得多。

从配置看硬件成本

目前市面上几款主流的文生视频模型，配置直接决定了用户体验的上下限。比如Runway的Gen-2，能生成4K分辨率、影视级构图和运镜的视频，同时支持图片和文本输入。听起来很强大对吧？但代价就是硬件的压力也跟着上去了。

Sora就更不用说了，一出来就引爆了整个行业。它不光把视频时长拉到了1分钟，还尝试模拟真实世界的物理规律，支持多镜头切换。但话说回来，和Gen-2一样，Sora在分辨率上也有“克制”——目前只支持1080p。你再看看别家，比如Meta的Emu Video，最长只能生成4秒的512x512分辨率视频。从这些配置可以看出，为了保证画面一致性，视频的分辨率、时长和帧数，直接决定了生成单个视频时的硬件负载。目前在硬件要求上，最“吃”资源的，还得是Runway的Gen-2和OpenAI的Sora。

这也是为什么几乎所有文生视频应用都走订阅模式，甚至按量计费。你生成的项目数量、存储空间、导出质量，每一样都直接和成本挂钩。文生视频考验的不仅是算力，还有存储成本。毕竟你得让用户能回溯和修改，生成好的视频总得在服务器上保留一段时间吧？

拿Runway来说，如果你想要完全无限制地生成视频，每月订阅费用是76美元。而且注意，这仅仅是包了450秒的Gen-2视频生成量。想多生成？得额外买。相比之下，GPT类应用在服务器成本上的压力，显然要轻松得多。

不只是云端，本地部署更是“烧硬件”

ChatGPT和Stable Diffusion这两个AIGC的标杆应用，已经让我们看清了一个事实：硬件，就是开发这类应用的最大门槛之一。用低成本的硬件去做ChatGPT类似的产品，响应速度慢、生成质量差，体验根本谈不上。而像Stable Diffusion这样的文生图模型，已经在消费级硬件上跑得不错，甚至能下放到一些低功耗的端侧设备上。

但到了Sora这种文生视频的模型，想在个人电脑上本地部署，那难度基本是“难如上青天”。视频生成只是第一步，后面还有风格化、分镜、遮罩、渲染、自定义等一系列流程。它考验的不仅是AI算力，更对视频渲染能力提出了极高的要求。

据说已经有开源开发者在尝试复现Sora的迷你版本，甚至能在搭载消费级英伟达GPU的高配电脑上跑通。马斯克对此的评论倒是很直接：技术上可行，但帧渲染速率会低得让人绝望。试想一下，花上好几个小时，才生成一个质量还不咋地的4秒视频——对绝大多数用户来说，这显然谈不上什么好体验。

写在最后

从硬件成本的角度来看，无论是对开发者还是用户，文生视频目前都还像个“昂贵的大玩具”。但也不能因此就否定它的前景。随着算力成本逐步下降，未来文生视频不仅可以成为内容创作的直接途径，还能作为辅助工具，替代一部分重复性的工作——尤其是在广告视频这样的行业。

不过这类应用的出现，也让我们开始重新审视GPU在整个AIGC硬件市场中的地位。毕竟视频生成多出了图形渲染这一额外的硬性要求，其他ASIC方案在这一点上，显然比GPU逊色不少。再叠加英伟达GPU在物理仿真上的天然优势，说不定文生视频这一波，反而会给英伟达带来更多超预期的市场机会。