通用视频大模型这条赛道上，眼下已经挤进了Seedance、可灵、Vidu、MiniMax、HappyHorse等多家玩家。

10月底在深圳办的2026腾讯全球数字生态大会上，居中的硕大WorkBuddy展台之外，外界盯得最紧的，是腾讯云官宣推介的纯视频生成序列WAND-Vega-Video等新模型。字节、阿里、快手在这个领域争得火热，大家的第一反应往往是：腾讯云也要下场挑战这个基模竞技场吗？

带着这个疑问，娱乐资本论在大会现场见到了腾讯云副总裁、媒体AI产品负责人李志成，以及腾讯云WAND多模态应用负责人朱琳。

聊下来才发现，Vega-Video并不盯着竞技场上的比分，它服务的是云的商业逻辑。今年6月，WAND产品线最拿手的是超分和擦除模型，此后Vega-Video系列从成本和效果两头切入做差异化：对成本敏感的客户，平均生成成本降20%至30%；对专业影视团队，则给出“实时云渲染3D白模+基础模型渲染”的组合方案，压低抽卡废片率。

按腾讯云的说法，他们想把短漫剧行业的抽卡可用率从原来的“十抽一”提到80%，同时把企业内容生产的综合成本压下去20%至30%。

只有上奥运会的才算好健儿吗？腾讯云WAND的技术路线，会不会和WorkBuddy一样，更看重实用，也更在意生态？

＃本文已采访八位相关人士，他们也是「娱乐资本论」2026年采访的第334-341位采访对象

标称价格之外，废片率才是成本的大头

视频模型拼画质的“军备竞赛”已经打了两年，代价是成本跟着往上走。“一元一秒”只是标称成本，一旦把抽卡失败的各种情况算进去，废片率一高，成本就成倍往上翻。

“生成一个满意的分镜往往需要抽十次卡，单次生成的API价格绝不等于最终成片的真实成本。”腾讯全球数字生态大会期间，这个行业痛点被与会人士反复提起。

抽卡成功率偏低，已经成了AI短剧、漫剧发展最大的掣肘之一。此前有研究提到，当前主流模型按秒计费，若不考虑模型工具方偶尔的折扣、优惠，最高情况下算力成本约1~3元/秒，1分钟视频对应60~180元，再叠加2至5轮迭代修改，单分钟综合成本会超过2000元。

娱乐资本论上周的独家横评显示，在抽卡师常用的画布类工具上，各平台优化方式（harness）不同，抽卡成功率也可能跟着波动；但碰上一些模型的共性问题，平台往往也无能为力。所有扣分项里，中招最多的是画面冒出台词字幕、偷偷加上BGM、人物占位出错这几类。

今年6月5日，腾讯云音视频发布AI原生能力底座品牌WAND，底层是编解码、增强、擦除、生成、理解、音频六大自研媒体模型，把60多项媒体AI能力按生成、理解、处理、编码四个环节重新组织，再通过API、Agent预编排工作流和Skills等方式对外开放。

现在WAND已覆盖90%的头部短漫剧出海企业，服务2000多家客户，日均生成450万张以上图片、300万秒以上视频，帮客户把内容生产综合成本降低约20%。

李志成对娱乐资本论说，Vega-Video“并不是一个单纯从头训练的通用基础大模型”，它是在混元基模和行业优秀开源模型之上，做了大量面向垂直场景的后训练与工程化调优，用来解决垂直场景落地中的具体问题。

在他看来，通用视频基模演进了数年，基础生成能力本身已不再是行业最大的痛点，“但是在解决垂直场景落地的具体Bad Case（坏案例）时，通用基模还是会遇到很多瓶颈。”

针对这些痛点，李志成表示，WAND-Vega-Video在底层融合了腾讯混元多模态基模与行业优秀开源模型，面向短漫剧、电商营销等专有场景做了大量SFT（监督微调）后训练与工程化适配。

商业策略上，该模型同时照顾“成本”与“复杂可控性”两头的诉求。对成本敏感型客户，在对标行业主流SOTA模型同等视觉效果的前提下，生成成本能直接降20%至30%。

Vega-Video系列给用户留出了多样化的选择。娱乐资本论发现，WAND-Vega-Video模型有5个分支，包含lite及pro等层级。李志成和朱琳解释，几个版本是配合不同垂直场景大客户做定制调优时，按各自的专业场景、成本核算等定制出来的，因此分别对应不同的细分使用场景。Lite版主打性价比，服务走批量落地模式的客户；Pro版面向高品质的商业平台及头部短剧厂牌等。

“AI 刚开始爆发那会儿，我们的模型一边要跟基模生态配合，一边还得分层去服务专业工具平台，以及漫森、山海这类内容制作方。不同客户要的动态和画风，差别特别大。”

朱琳表示，线上每个版本的生命周期都会完整保留。“每个版本背后站着的都是 To B 的企业级客户。在具体场景里，客户把工作流跑通、用出了习惯之后，最在意的就是模型跟自家管线能不能适配、稳不稳定。所以只要还有客户在用，腾讯云就会把长期稳定的服务保障给到位。”

用3D白模替代提示词，抽卡命中率更高

对追求复杂镜头表现的专业影视团队，Vega-Video给出了“实时云渲染3D白模+基础模型渲染”的组合方案。

“像一些漫剧或者影视剧的场景，光影一变、物理规律一复杂，用户光靠写 Prompt（提示词）去抽卡，废卡率就特别高。经常抽 10 次甚至 20 次都解决不了问题，整体算下来 ROI 很低。”

李志成告诉娱乐资本论，腾讯云视频团队内部做实时云渲染的那支队伍，早在四五年前“全真互联”等概念热的时候就已经存在。四五年的云渲染积累，如今被做成了一款实时渲染的“3D白模”预演产品。

落到实际生产流程里，创作者不用再对着文字提示词盲盒抽卡。他们先用轻量级3D软件快速生成一段简单的“白模”预演视频，把人物空间站位、肢体交互和物理运镜规律统统锁定，再把这段白模视频喂给底层视频大模型或WAND-Vega做风格化渲染。李志成说：“这样出来之后不仅效率极高、成本极低，而且能把以前单纯靠Prompt无法解决的复杂物理关系Bad Case彻底解决掉。”

李志成强调：“我们肯定不是只做一个单纯的视频编辑模型。”他说，SOTA基模的480P草稿模式确实压低了单次预览的算力单价，可骨子里还是拿文字抽卡，复杂空间调度和物理穿帮照样解决不了，“只能省单次抽卡的钱，省不了反复抽卡的废片率”。

超分加擦除：漫剧算力省30%，人效增30%

腾讯云今年6月发布了WAND家族的超分和擦除模型，眼下客户已经“火速”把它们整合进了生产线。

生成式AI爆发之前，腾讯云音视频团队就替央视、腾讯视频修复过大批上世纪70、80年代的经典老剧集。进入AIGC时代，这套画质修复技术长成了生成式深层次增强（WAND-Enhance+）：支持“低分辨率低成本生成+AI超分到4K”，成本比原生高清生成便宜一半；针对所有基模都无法100%避免的画面局部崩坏、残影闪烁以及乱码伪造字幕，还能配合智能擦除工具（WAND-EraseVibe+）做一站式修复。

“白模控制”这类办法解决的是生成前端空间与动作的确定性。这两个模型撑起的后端音视频处理工具链，干的则是直接抢救“废片”、进一步拉高管线成片率的活。

腾讯云WAND多模态应用负责人朱琳算过一笔细账：“过去做一部漫剧，从分镜到沉淀为成片，行业经验数据叫‘十抽一’，抽10张卡才能有1次满意。”客户在前端生成分镜后，叠加WAND-Vega模型以及擦除修复、生成式超分增强技术，这套实践已经被漫森文化、山海星辰等客户采用。

几家客户代表在现场答记者问时提到，这套组合方法的镜头综合可用率已提升到80%左右，“也就是说10次抽卡里有7到8次能够一次成型直接可用，正是靠可用率的大幅跃升与低成本超分链路，帮客户实实在在降低了约20%的内容生产综合成本。”

腾讯云WAND展台

新美集团旗下的漫森文化是国内头部短剧与漫剧出品方。今年年初，它凭AI漫剧《从赖皮蛇开始吞噬进化》一战成名：全剧没有真人演员，也没有实景影棚，上线一周播放量突破2亿，最终收入超1000万元，投资回报率超过15倍。集团旗下有全国大型广告代理商，发行优势在手，漫森文化从制作到投流的闭环得以跑通。

可产能一扩张，算力和人力的瓶颈照样迫在眉睫。漫森文化负责人对小娱说，团队过去拍传统真人短剧，单部制作成本高达150万元左右，月产能约50至60部；全面转向AI漫剧后，单部制作成本直接降了90%。

眼下漫森主打的精品AI漫剧，单部成本控制在10万至20万元区间，部分高规格项目能到30万元；月产能则翻倍式跃升，仅上个月单月就产出133部剧集，目前月均产能稳定在130至150部。

今年6月漫森文化对外披露的内部数据显示，当时其AI团队初始模型抽卡可用率只有20%左右，一部剧10人团队里有一半人力被捆在反复抽卡上。其自研制作中台深度嵌入腾讯云WAND模型家族之后，抽卡可用率显然已经变了样。

“单个镜头靠原生抽卡，一开始能用的比例大概在30%。底座让Agent自动去调WAND，整体可用率就能拉到50%至80%。眼下我们做得更细，基本稳在80%左右了。”

漫森文化表示，单部10万至20万元的精品剧预算里，全链路引入WAND-Enhance+做生成式超分增强，不光把人力从调画质、校对擦除字幕、选配音这些细枝末节的返工中解放出来，后处理环节还额外省下30%的算力成本，整体制作人效再提升30%。

“擦除、超分这些功能，市面上家家都在做。WAND不一样的地方是，它把模型底座整条链路都打通了；而且用下来能清楚感觉到，这个底座是冲着微短剧、漫剧专门做过垂直训练的。”

另一家短剧巨头山海星辰内部也在发生同样的改进。其国内“山海短剧”产品月均票房稳定在3亿元左右，爆款率达40%；海外短剧平台Stardust TV覆盖全球200多个国家和地区、支持14种语言，月均剧集翻译交付量超1000部，全球累计触达用户超5亿，全剧库月产量突破300部。

山海星辰AI产品负责人闫依帆在现场表示，公司已把短剧工业化知识点（Know-how）沉淀为对外自研的一站式AI内容生产平台Nova AI，从剧本拆解、拆镜头、素材生成、分镜控制到合成成片的全流程都打通了，视频生成、画质增强与画面擦除环节则与腾讯云WAND深度绑定。

AI影视智能体，需要更聪明的模型

一线抽卡师的痛点摆在那里，娱乐资本论观察到，大量工具层产品正在开发或接入智能体，把智能化程度往上提、把手动调节频次往下压，从“人适应工具”转向“工具适应人”。智能体实际好不好用，又和底座模型的选择分不开，WAND模型家族在智能体方向上同样大有作为。

李志成认为：“往后‘模型’跟‘Agent’之间，边界不会太分明。”他判断，再过一两年，行业里聊的重点恐怕就不再是大模型底座的参数，而是Agent那一整套方案能替用户交出什么样的业务结果，“最终用户不用管底层调的是哪个模型，他只要跟Agent打交道，直接拿到满意的商用成片就行。”

他注意到，去年到今年上半年，海外主流AI推理平台上被展示、被调用的，还都是一个个独立模型。如今情况变了：平台上大量调用需求已经变成封装好的Agent应用和垂直工作流，与模型调用平起平坐。普通公司想自己训基础大模型、甚至做微调，都不容易。可要是站在基模之上做智能体、做垂直应用，门槛就低多了，效果也不差。

顺着这个判断，腾讯云打算在多模态TokenHub里单独开一个“AI应用/Agent”专区，把垂直场景里攒下的AI能力和行业解决方案，封装成标准的OpenAI兼容接口或Agent API。“用户甚至不需要理解背后到底串了哪几个模型，对他来说就是一个解决特定问题的Agent接口。”

AI作图by娱乐资本论

客户那边，让Agent去调度模型的玩法，已经进了生产管线。

漫森文化总经理助理谭琳说，他们自研的中台更愿意用Agent自动跑完整套工作流。剧本分析、分镜画面生成、画面后期处理、剪辑这些环节，WAND-Vega-Video和WAND-Enhance+都封在Agent里面，“我们的创作者不需要再去单个节点工具里手动调用它，而是在生成过程中由系统自动触发调用”。

山海星辰AI产品负责人闫依帆把服务“讲故事”的Agent演进归成三个方向：其一，能主动盯市场热点、摸创作者偏好，自己发起提案的主动式智能体；其二，音频、视频、图片、文字各种输入都能在一个工作台里流转的All-in-One交互；其三，把行业Know-how沉淀下来的垂类Skill。

拿已经对外发布的剧本Agent来说，团队把内部编剧的创作方法论、爆款剧集投流验证的数据，整理成结构化的Skills，专门用来打磨决定整部剧生死的前3集剧情钩子。在她看来，终局会是“上层垂类Agent+底层专有模型/基模”深度整合的一体化打包方案。

大会期间，娱乐资本论在展厅里还看到，有AI影视画布产品演示了通过WorkBuddy调用自家Agent的能力。现场工作人员向小娱解释，这种调用跟直接在界面里用Agent问答相比，多了两个变量：

第一，WorkBuddy自己带多种基模可选，其中有些复杂的推理模型和调度模型，能把简单提示词拆得更细、调得更优。用户输进WorkBuddy的只是一句话，WorkBuddy传给画布Agent的，却是一串更细致、更懂潜台词的指令。

第二，WorkBuddy充当串联各种生态的中间层，已经接入了多种软硬件。麦克风、手表、智能工牌、智能眼镜这些终端，用户都能拿来“言出法随”地指挥操作。

同台交流的HiDream智象元一（原“智象未来”），曾在三个月内累计完成超20亿元人民币融资，迅速长成行业独角兽，眼下已搭起覆盖图像、视频、交互式世界模型、具身智能模型的模型矩阵。

智象元一（HiDream.ai）商务副总裁沈伟峰的看法是，随着时间推移，用户在前端逐个挑选模型这件事，在认知上会逐渐变淡：“过去面对市面上种类繁多的模型，用户要么凭感觉乱选，要么得耗费大量精力去摸索提示词的用法；往后大家会更看重最终拿到的Result（结果），像智象帧赞、腾讯云WAND这类上层Agent中枢平台，会依据任务特点自行完成模型匹配和后处理调优。”

下一步：出海与实时生成

跨境电商这条赛道，效能提升更吓人。紫讯科技旗下有跨境电商圈知名的紫鸟浏览器，还有跨境电商AI品牌LinkFox AI，截至2026年5月底，用户通过LinkFox完成的AI图像生成请求已超过8500万次。紫讯科技联合创始人杜玉生透露，眼下LinkFox AI注册的To B跨境商家已突破100万家；接入WAND-Vega图片模型后，卖家生成图片的实际采纳商用率从原先的50%~60%跳上去，稳定在70%~80%。

杜玉生说：“跨境电商说到底拼的就是‘人、货、场’，以往卖家请外籍模特、做实景拍摄，花销极大，是典型的人力密集型行业。单看美工和设计师这块，半年前AI辅助做出的设计量大约顶得上4–5名美工，现在已经涨到8–10名美工的产能，短短半年，卖家靠人力替代拿到的效率直接翻了一番。”

李志成也在现场透露，腾讯云音视频及WAND多模态业务在海外区域的收入与需求占比涨得极快。华人创业团队出海，做海外AI推理平台、跨境电商工具和短剧出海，这类现象越来越常见。

海外创作者同样不纠结模型出自哪里。多模态媒体实验室（MML）设在加拿大和硅谷，承制过不少纪录片和高端品牌视频。其首席创意官杨格斯（Yangos Hadjiyannis）在连线时讲道：“模型来自哪里，对我们并不重要，西方和东方的模型我们都在用。我们真正感受到的是，各种技术之间的界限正越来越模糊，为故事叙述的不同环节挑出合适的模型，才是我们关心的。”

李志成说，“眼下大家见到的文生视频，基本都是离线生成，几秒的高清片子要等上4到5分钟；海外Twitch、Fal这类平台上，AIGC实时生成式直播已经冒头了。可海外跑一路AIGC实时视频直播流，算力成本一天就要烧掉8000到10000美金，折成人民币，一个月就是七八十万到上百万元。成本这么高，什么样的商业模式都算不出正向ROI。所以全行业眼下拼命用工程优化把推理成本压下来，压根不是为了打价格战，而是要真正把实时AI交互这类下一代应用生态催熟。”