四款主流音视频生成模型
系统化横向评测报告
本报告对国内主流四款音视频生成模型——即梦 Seedance 2.0、可灵 Kling 3.0、快乐马 HappyHorse 1.0、Vidu Q3——进行系统化横向评测。基于 168 条标准化样本、10 个评分维度、7 大场景，由 4 名标注员打分 + 1 名质检员二审，得出可追溯到每条原始评分的量化结论。
4 模型 × 7 场景 × 3 方向 × 2 难度
5 画面 + 4 音频 + 1 音画同步
100% 全量质检
每维度均有崩坏→优秀定义
★摘要与核心结论
综合排名：即梦 4.71 ＞ 可灵 4.47 ＞ 快乐马 4.31 ＞ Vidu Q3 4.22，呈现“一超一强两追赶”格局。
一评测背景与目标
项目背景
随着 AI 音视频生成技术快速发展，市场上已出现生成、编辑、配音、数字人及多模态创作等多类产品。不同竞品在模型能力、生成质量、功能完整度、交互体验、成本效率、应用场景和商业化策略上差异明显。
需从竞品评测角度建立系统化、标准化的评估体系，帮助团队掌握行业趋势、识别竞品优势与短板，为产品规划、模型优化和业务决策提供参考。
评测目标
构建一套面向音视频竞品的综合评测体系，从生成效果、指令遵循、音画一致性、稳定性、创作效率、用户体验、成本价格、场景适配度和商业化价值等维度系统评估。
通过标准化流程与统一评分标准，形成可量化、可对比、可追踪的结果，输出能力对比结论、优势分析、短板归纳与产品优化建议。
二参评模型介绍
四款模型覆盖国内主流音视频生成厂商，在长视频生成、音画同步、角色一致性、物理动态等能力上各有特点。
- 能力第一且单条成本最低
- 背靠抖音电商生态
- 数字人 4.95 全场最高
- 能力第二，单价偏高
- 有“导演共创计划”
- 复杂指令解析最强
- 音频强、极速推理
- 业界首创原生音视频生成
- 波动大，需人工挑片
- 价格极具竞争力
- 基础档无限生成
- 画面美学为最大短板
三竞品选择依据
1 · 参考权威榜单
主要参考 Artificial Analysis Text-to-Video Leaderboard，该榜单通过盲测偏好投票与 Elo 评分横向比较，快乐马、即梦 Seedance 2.0、可灵等均为表现突出的代表模型。
2 · 参考权威媒体报道
参考 Reuters、Wall Street Journal 报道：即梦、可灵、Vidu 属中国 AI 视频生成市场代表性参与者；WSJ 报道快乐马在文生视频榜单中的表现，证明四模型具备行业关注度。
3 · 结合自媒体与行业测评
四款模型频繁出现在 AI 视频生成相关测评、行业文章与横评中。创作者围绕生成效果、稳定性、提示词还原度、可用性等对比讨论，贴近真实用户关注的竞品对象。
4 · 保证样本可比性
评测范围限定为文生视频，四模型均具备文本生成视频形态，能围绕同一批文本提示词测试，可用统一测试集、评分维度与输出标准横向比较。
四评测方向与七大场景
每个场景设 3 个方向，每个方向各 1 条简化版 + 1 条复杂版 prompt，统一画幅 16:9、1080P、5 秒。
五评测方案与流程
采用文生视频方式构建数据集，统一输入条件，保证 4 个模型公平、可复现地横向对比。
评测流程
六评分体系：10 个维度 × 1–5 分锚点
每个视频由评测员从 10 个独立维度（5 画面 4 音频 1 音画同步）进行 1–5 分打分。点击维度展开各分档锚点定义。
画面维度（5）
① 画面质量 · 清晰度 / 压缩痕迹 / 卡顿跳帧 / 过曝过暗
② 画面遵循 · 主体/辅助主体/风格/镜头/环境响应
③ 主体一致性 · 五官稳定 / 服装发型 / 数量 / 身份漂移
④ 运动质量 · 连续性 / 合理性 / 稳定性 / 生动性
⑤ 现实合理性 · 空间关系 / 重力 / 物理结构 / 材质 / 光影
⑥ 画面表现力 · 光影色彩 / 构图 / 情绪故事感 / 运镜 / 感染力
音画同步维度（1）
⑦ 音画同步 · 口型 / 角色发声对应 / 旁白成口型 / 多少音效
音频维度（4）
⑧ 音频质量 · 清晰度 / 连续性 / 纯净度 / 音量异常
⑨ 音频遵循 · 台词内容 / 主体人物 / 声音数量 / 方言语种 / 音效缺失
⑩ 音频呈现力 · 情绪表现 / 机械感 / 音效节奏 / 整体氛围
七Prompt 设计规范
每条数据分简单版与复杂版 prompt，统一编写方式，使数据难度可控、可复用、可对比，并能被评测维度有效验证。
八大设计原则
开头说明生成对象、时长、媒介形态（“生成一个 5 秒视频”）。
明确主体数量、身份、外观、状态，避免“一个人”等过泛表达。
优先“跑入、递给、抬头、对视、摇尾巴”等可被镜头捕捉的动作。
声音具体到来源、节奏、音量层级和同步关系。
复杂 prompt 按秒/阶段拆解，避免动作挤在同一瞬间。
画面风格、镜头语言、背景音乐、情绪氛围互相匹配。
含可判断要求；简单版验证基础能力，复杂版评测同步/连续/调度。
复杂版与简单版保持同一主体，简单版是复杂版的概括简化。
标准结构模块
| 结构模块 | 必填/选填 | 填写说明 | 示例 |
|---|---|---|---|
| 场景与环境 | 必填 | 地点、时间、光线、背景、空间氛围 | 森林清晨 / 赛博朋克雨夜后巷 |
| 主体设定 | 必填 | 主体身份、数量、外观、服装、状态 | 一只橘猫 / 28 岁中国女性主播 |
| 动作与时序 | 复杂必填 | 按时间顺序描述，复杂建议按秒拆解 | 第1秒低头闻食物，第2秒快速舔第一口 |
| 镜头与构图 | 复杂建议 | 镜头运动、景别、特写、推近、切换 | 从肩后快速推近到 NPC 面部特写 |
| 音频设计 | 复杂必填 | 人声、环境音、拟音、音乐及优先级 | 舔食声、碗碰撞声、呼噜声，背景乐极轻 |
| 情绪与表现 | 复杂建议 | 表情、情绪变化、语气、节奏 | 从兴奋转为催促，语调上扬 |
| 限制项 | 选填 | 不能混乱、遮挡、违背现实合理性 | 口型需与中文语音严格对齐 |
| 输出要求 | 分析类必填 | 需输出的分析结果或评分对象 | 输出情绪强度曲线、火力变化曲线 |
Prompt 禁止项
八评测数据集（21 方向 · 简化版示例）
7 大场景 × 3 方向 = 21 条方向基线，每条方向再配简化版 + 复杂版 prompt（共 42 条 × 4 模型 = 168 样本）。下列为各方向简化版 prompt。
九综合能力排名
对所有 168 条评分取平均，四款模型综合得分排名如下。
综合能力排名（单条均分 /50）
| 排名 | 模型 | 单条均分 | 维度均分 | 累计总分 | 标准差 | 评价 |
|---|---|---|---|---|---|---|
| No.1 | 即梦 | 4.71 | 1979 | 2.91 | 梯队领先 | |
| No.2 | 可灵 | 44.69 | 4.47 | 1877 | 3.23 | 稳定第二 |
| No.3 | Happy Horse | 43.12 | 4.31 | 1811 | 上限高、波动大 | |
| No.4 | Vidu | 42.17 | 4.22 | 1771 | 4.20 | 均衡偏弱 |
十十维度雷达对比
即梦 10 个维度全部第一（无短板），最强项为音画同步 4.90、运动质量 4.83、主体一致性 4.81。
| 维度 | Happy Horse | 即梦 | 可灵 | Vidu |
|---|
十一七大场景能力对比
即梦在全部 7 个场景均为冠军。最强场景为数字人，最难场景为体育竞技。
| 场景 | Happy Horse | 即梦 | 可灵 | Vidu | 场景冠军 |
|---|
十二视觉能力 vs 音频能力
四款模型音频能力（4 维）普遍略强于视觉能力（6 维），画面是当前一体化生成的瓶颈。
| 模型 | 视觉能力（6维） | 音频能力（4维） | 视-音差值 | 特征 |
|---|---|---|---|---|
| 即梦 | 4.69 | 4.74 | -0.04 | 音视频均衡，双优 |
| 可灵 | 4.43 | 4.52 | -0.09 | 音频略强，画面表现力待提升 |
| Happy Horse | 4.24 | 4.42 | -0.18 | 音频明显强于画面，画面遵循拖累 |
| Vidu | 4.16 | 4.30 | -0.14 | 双项偏弱，画面表现力为最大短板 |
十三指令稳定性：简化版 vs 复杂版 prompt
随着指令变复杂（多段时序动作 + 多重音效），多数模型出现衰减但幅度有限；可灵反而在复杂 prompt 上略有提升。
| 模型 | 简化版 | 复杂版 | 变化 | 解读 |
|---|---|---|---|---|
| 即梦 | 4.76 | 4.67 | -0.09 | 高位稳定 |
| 可灵 | 4.43 | 4.51 | 唯一正向，复杂指令解析突出 | |
| Happy Horse | 4.39 | 4.24 | -0.15 | 复杂下遵循能力明显下滑 |
| Vidu | 4.30 | 4.13 | 衰减最大，复杂时序处理偏弱 |
十四案例详解：食品餐饮-烹饪
同一条复杂 prompt 下四模型的逐维度打分与归因，展示评分如何追溯到原始维度。
从食材入锅前的切配动作开始，逐帧识别刀工手法（直切、滚刀、片切）、砧板撞击声节奏；下锅瞬间判断油温（油面微纹+轻微青烟=五六成热，密集气泡+剧烈“刺啦”声=七八成热）；跟踪颠勺动作、锅铲翻动频率，结合连续爆裂声、蒸汽声判断火候；识别肉片粉转褐、青椒虎皮焦斑过程；区分排风扇嗡鸣、传菜喊话、碗碟碰撞等背景音的干扰。最终输出总时长、火力变化曲线与厨师熟练度评分。
逐维度打分
| 模型 | 画面质量 | 画面遵循 | 主体一致 | 运动质量 | 现实合理 | 画面表现 | 音画同步 | 音频质量 | 音频遵循 | 音频呈现 | 综合 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 即梦 | 5 | 3 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | |
| 可灵 | 5 | 3 | 5 | 5 | 4 | 4 | 5 | 5 | 5 | 4 | 45 |
| Vidu | 5 | 2 | 4 | 5 | 3 | 4 | 5 | 5 | 3 | 4 | 40 |
| 快乐马 | 5 | 3 | 4 | 5 | 5 | 5 | 2 | 4 | 35 |
十五低分与崩坏案例分布
统计各模型 ≤2 分（较差/崩坏）的评分次数，直观反映模型“下限”与风险点。
各模型低分（≤2 分）次数
典型 Badcase 归因
| Happy Horse | 复杂动画指令“多处不遵循”，画面遵循曾 1 分；体育田径“不美观”、宠物“清晰度不够”。 |
| Vidu | 宠物“饱和度过高、部分过曝、过卡通”；动物叫声不正确致音频遵循 2 分；篮球“多人变形、模糊”。 |
| 可灵 | 偶发噪点；多人知识问答“黑板字看不清”，文字渲染是细节短板。 |
| 即梦 | 几乎无崩坏，唯一可感知问题为多人知识问答“字看不清楚”，整体仍达 5 分。 |
十六模型使用体验
从生成速度、价格、功能、指令限制等角度记录四款产品的真实使用感受。
- 生成速度快：VIP 通道 1080P/5s 普遍 2–3 分钟，约行业平均 3.2 倍，支持多任务并发。
- 价格贵：每条消耗 165 积分（≈14.8 元/条），42 条共约 623 元。
- 指令安全条件苛刻：42 条 prompt 中 6 条首发被判违规（约 15%），涉及“NBA/联赛/23 号球衣/呼吸/血腥”等词。
- 指令细化程度高：六大创作类型，可生成无水印视频，但视频最长 15 秒。
- UI：黑色为主、绿色点缀，左侧纵向菜单，文生视频页左侧 prompt、右侧结果，易上手。
- 功能全：文生/图生、主体参考、动作控制、数字人、智能分镜、对口型、定制模型。
- 分辨率：720p/1080p/4k（后两者需会员）；时长 1–15s；一次最多 4 个视频。
- 价格：5s≈5.4 元、15s≈16.2 元（约 1.08 元/秒），略贵；偶有明显 AI 感。
- UI：偏科技感、界面简洁，首次使用学习成本低。
- 速度：专业版 3–4 分钟出片，适合频繁测试调 prompt。
- 计费：约 10 元 100 积分，5s/1080P≈64 积分、8s≈102、10s≈154。
- 稳定性优于预期：相近 prompt 下风格、主体、场景方向基本一致，“抽卡感”不强。
- UI：比即梦更详细，首页快捷找到各种生视频方式，适合 0 基础初学者。
- 高性价比：标准版 59 元 800 积分，5s 及以下消耗 24 积分（≈35 条/59 元）。
- 规格：1–16s、1080p、H264、16:9，可同时生成 4 个，3–5 分钟出片。
- 特点：色彩鲜艳、可快速编辑已生成视频，极简操作、极速出片。
十七市场匹配分析
把“综合能力”与“单条生成成本”叠加，四款模型呈现清晰的差异化市场卡位。
| 模型 | 厂商 | 市场卡位 | 核心优势 | 目标市场 |
|---|---|---|---|---|
| 即梦 | 字节跳动 | 全能性价比之王 | 能力第一且单条成本最低，背靠抖音生态 | 追求稳定交付的全场景商用 |
| 可灵 | 快手 | 影视级精控 | 能力第二，单价偏高，有导演共创计划 | 重质感与复杂创作的专业团队 |
| Happy Horse | 阿里巴巴 | 音频社媒利器 | 音频强、极速推理，背靠阿里生态 | 音频优先、求快的社媒玩家 |
| Vidu | 生数科技×清华 | 低成本入门 | 价格极具竞争力，无限生成档 | 预算敏感的入门与轻度用户 |
综合匹配矩阵与选型指引
| 用户类型 / 业务需求 | 首选 | 备选 | 匹配依据 |
|---|---|---|---|
| 专业内容团队 / 规模化商用 | 即梦 | 可灵 | 能力+成本+生态三优 |
| 影视短剧 / 复杂分镜创作 | 可灵 | 即梦 | 复杂指令解析最强 + 导演共创背书 |
| 直播带货 / 数字人电商 | 即梦 | Happy Horse | 数字人 4.95 + 抖音电商闭环 |
| 音频口播 / 多人对话社媒 | Happy Horse | 即梦 | 音画同步强、出片快，需人工挑片 |
| 音乐 MV / 演出内容 | 即梦 | 可灵 | 音乐场景两者均强（4.82/4.77） |
| 入门尝鲜 / 预算敏感 | Vidu | 即梦轻量档 | 低价无限生成，做大用户基数 |
| 体育 / 高速运动等高难场景 | 即梦 | 可灵 | 全行业最难，仅即梦勉强达标，需人工质检 |
十八结论与展望
基于 168 条标准化数据、10 个维度、7 大场景，得出“一超一强两追赶”的清晰梯队格局。
方法论可信度
- 样本控制：168 条统一画幅、分辨率、时长；每场景固定 3 方向 × 2 难度。
- 评分可追溯：10 维 × 1–5 分锚点清晰，所有汇总均可追溯到单条原始评分。
- 双重审核：4 标注员 + 1 质检员，同条目跨人复评偏差 ≤1 分占比 >95%。
局限性与下一步
- 每组合仅 1 条样本，单点偏差难排除 → 后续扩至 3 条以上做方差分析。
- 多人交互“全员失败”，可拆分细化（情绪/冲突/教学）定位拖累。
- 美学维度主观性大 → 下一版引入“双盲打分 + 异议复议”。
- 成本/速度未入主排名 → 后续建立“质量/成本”综合指标。
给厂商的优化建议（按优先级）
增加高美学训练样本，引入构图/色彩/运镜 token；音频侧引入情绪标注与节奏监督。
构建多人对话/冲突/教学数据集，攻克多人物画面合理性 + 声音数量响应 + 多角色口型。
针对长 prompt 分镜增加“指令拆解→时序对齐”训练，可灵方法论值得参考。
现实合理性反映穿模、光影逻辑问题，可引入物理引擎仿真数据辅助训练。
Q&A评分规则问答集（31 条）
用于统一评分标准、降低评分员主观漂移、提升一致性。点击展开答案。
源原始文档链接（飞书）
本报告整合以下飞书原始文档，点击可跳转查看完整内容。