四款AI视频模型横评：0.09元/秒起，谁能稳定交付可用成片？

（本文作者为 光锥智能，钛媒体经授权发布）

过去一个月，AI视频赛道的空气里飘着一股焦灼味儿，卷得人喘不过气。

变化先从钱上显露出来。11月初快手发公告：旗下可灵AI完成198.02亿元外部增资交割，投后估值约180亿美元，折成人民币超过1200亿元——这是什么概念？

这个数字比母公司快手自己的港股市值还高出一截，儿子比爹还值钱。

这笔融资是全球视频大模型领域迄今最大的一笔单笔融资。更罕见的一幕是，腾讯、阿里云、百度这三家多年互不相让的对手，竟一同出现在股东名单里。11月5日，90后清华博士曹越创立的Sand AI对外宣布2亿美元A+轮融资到账，这已是该公司今年第三轮融资；此前，生数科技拿到5亿美元，爱诗科技则在10月中旬又补了1亿元B+轮。

AI视频已经取代大模型本体，成为当下最吸金也最烧钱的超级吞金兽。可赛道越热，水分被烤得越响。

新模型 meanwhile 也在密集对打：10月8日生数Vidu Q4 Preview带着最低0.09元/秒的价格杀到；10月15日Kling 4.0全量开放；11月5日谷歌Gemini Omni 1.2 Flash登顶Arena双榜，顺手降价三成。

光看发布会，现在的视频模型个个都是“好莱坞级别”：一段赛博朋克追车，一场人物独舞，质感细到毛孔都看得清。

可一线创作者心里攒着一堆吐槽：同一个主角，上个镜头还是初恋脸，下个镜头就换成了路人甲的面孔；给一张产品参考图，以为它能照着抄作业，结果抄得还不如原图；让人物夹一筷子面，面条旋转的效果一眼假；招牌上的汉字永远是一堆似曾相识的乱码。

最扎心的是，用户没钱天天抽卡，只测了几个视频，一百块钱就烧没了。成本这么贵，逼得用户不得不精打细算。

今天，咱们就站在一个天天被提示词折磨的使用者角度，横测Seedance 2.5、Kling 4.0、Vidu Q4 Preview、Wan 3.0四款模型。

这次横评只回答一个问题：把指令遵循、素材保真、生成速度和失败重试都算进去，谁更能稳定交付一条可用视频？对创作者来说，这决定了一条片子的真实成本；对刚完成独立融资的可灵来说，这也是180亿美元估值最终要给出的答案。

打戏：凌玲和薛甄珠在办公室“打起来”

跟真实拍摄比，AI生成视频最容易“一眼假”的片段就是打戏。视频模型理解不好物理规律，打起来就难免软绵绵、该有的力道出不来。

为了看视频模型在打戏上的表现，我们模拟了一场现代办公室里的《叶问》格斗：让“薛甄珠”和“凌玲”在办公室里真刀真枪打一场。

测试提示词：

现代办公室里的《叶问》宗师级硬核格斗戏：

【第0-5秒】：画面右侧，穿米色风衣、戴眼镜的凌玲恼羞成怒，猛地抄起桌上一叠文件夹朝左边掷去；左侧那位穿豹纹大衣、涂大红唇的卷发老太太薛珍珠眼神一紧，左臂挎着的橘色皮包丝毫未动，右手却快如闪电使出一记咏春『摊手』，把文件夹精准拍飞，A4纸顿时漫天炸散！老太太随即贴身压上，双拳像加特林机枪一样朝对方米色风衣的胸口连出8拳，每一下都带出风衣布料明显凹陷的气浪，对方被打得步步后退，完全招架不住；

【第5-10秒】：老太太接着沉肩拧腰，右掌由拳变掌，一记势大力沉的耳光结结实实落在对方左脸颊上！镜头立刻切到240帧升格慢动作——手掌贴上脸的刹那，对方脸颊软组织剧烈地呈波浪状挤压变形，鼻梁上的细框眼镜被这一巴掌直接扇歪、脱飞出去，在空中打着转摔碎在地，发型也彻底乱掉；

【第10-15秒（寸拳击飞与环境破坏）】：速度恢复正常，老太太最后又近距离一拳轰在对方腹前，对方整个人双脚离地，朝后倒飞，后背重重砸翻身后一张木质办公桌，电脑显示器、键盘和保温杯哗啦一声全被震落在地。老太太利落地收拳，从容理了理豹纹大衣的领口，红唇嘴角冷冷哼了一声。

Seedance 2.5在这段里表现可圈可点，耳光抽中瞬间脸部肉被挤压的效果做得很逼真，已经有大片水准。（就是打人的时候不太顾得上围观者们的死活）

Vidu Q4 Preview基本还原了大多数提示词要求，比如把文件夹拍飞和最后的冷笑；扇巴掌的效果也比较合理，只是连续出拳时力道感觉还是偏弱，另外飞在半空的眼镜多出来一条眼镜腿。

Kling 4.0的出拳效果还算不错，但主角扇巴掌时，对面眼镜“飞出”的效果不太符合物理规律，眼镜落地的破碎效果也太假，白色镜片都碎成了黑色碎片。

至于Wan 3.0，连续出拳后对手后退的效果有点卡顿，扇巴掌变成了拳头，眼镜飞出的效果更离谱，打戏上表现不太理想。

情绪演技：连续切换“由悲转喜”再“由喜转悲”

短剧、长剧的演员岗位，AI如今也来抢了。问题是，它的表演能不能跟真人比？差得远，还是已经接近普通水平？

周星驰《喜剧之王》那场戏里，男导演让周星驰接连演出“老婆生孩子”“生了儿子”“老婆死了”几段反应。

我们照这个路子，给AI男主写了段彩票中奖又过期的戏，测四段连着的情绪：极度悲伤、震惊狂喜、笑容凝固、崩溃苦笑。

测试提示词：

【第0-4秒（悲恸落泪）】：昏暗出租屋，泡面桌前，胡子拉碴的落魄年轻男人眼神空洞绝望，通红的眼眶里蓄满泪水，终于决堤，一滴晶莹的泪顺着粗糙脸颊真实滑落，嘴角痛苦地向下抽动；

【第4-8秒（瞳孔地震与带泪狂喜）】：他盯住手里那张皱巴巴的蓝色彩票，瞳孔骤然放大，呼吸停住；随后脸颊泪痕未干，眉眼和嘴角却止不住地疯狂上扬，破涕为笑、欣喜若狂（脸上的湿润泪水和灿烂露齿大笑必须同时保留），双手激动得剧烈颤抖；

【第8-12秒（笑容瞬间僵死）】：狂喜当中，他目光突然下移，扫到彩票底部『已过期』字样，原本高高扬起的苹果肌和嘴角在1秒内失去全部肌肉张力，像断电一样僵硬垮塌，眼神从极度狂喜迅速转为彻底的呆滞与死寂；

【第12-15秒（绝望苦笑）】：他松开手指，任彩票飘落出画，缓缓闭眼深吸一口气，再睁眼时眼角挤出一丝比哭还难看的荒诞苦笑，无力地摇了摇头。

整体看，Seedance 2.5对人物面部肌肉的控制很到位，前期嘴角抖动明显，最后的苦笑也更真实，四个模型里表现最好。

Kling 4.0也不差，只是中间狂喜时脸部扭曲得太厉害；Vidu Q4 Preview前期“手抖”来得偏早，但结尾崩溃的眼神戏不错，有突然茫然起来的细节。

Wan 3.0前段还可以，最后苦笑没演好，更像一种“无奈”。

多参考素材一致性：AI能不能把每个素材用明白

过去做视频，最头疼的是人物一转身就换了一张脸，身边的东西镜头转开再回来也变了样。各家现在都推出了参考生视频功能，让用户上传做好的素材用到视频里，维持一致性，眼下普遍的基准线是支持15个图片参考。

我们直接开测：先用AI生成主角和道具的图片，再让各家视频模型还原一版低配《华强买瓜》。

测试所用提示词：场景是夏天的街头水果摊，摊前支着一把红蓝白三色条纹遮阳伞。画面左侧近景，脖子上挂着金链子的华强（图1）面无表情，两眼直勾勾盯着桌面；右侧站着那位穿『保熟』白背心的光头老板（图2），汗顺着脸往下淌；左后方则是个绿头发的小伙（图3），骑坐在电动小摩托上。

0-5秒：华强摘墨镜，用音频1低沉发问；光头老板堆起假笑心虚回应，背心『保熟』二字清晰可见。

第5至10秒：镜头朝电子秤（图4）一点点推近，秤上摆着一只条纹大西瓜（图6），红色数字『15.8』不停闪动。华强伸手一下把托盘掀开，从秤的底部把藏着的红蓝U型吸铁石（图5）抠了出来，随即啪的一声拍到西瓜旁边。

10-15秒：两人面部同框特写，华强把生瓜瓤扣到了老板头上。

这一轮Wan 3.0表现较好：保留场景的同时，只有它把我上传的遮阳伞做到了一比一还原，后面磁铁、电子秤这两个别的AI出错的物品也还原了。不过瑕疵也明显，比如最后的瓜瓤一开始是白色，扣到头上又变红了。

另外三个模型：Kling 4.0把电子秤底座改成绿色，秤上的数字也变了；Vidu Q4 Preview只有伞出错，瓜瓤从头到尾是红色，其余没问题；Seedance 2.5则弄丢了看戏精神小伙的电动车，磁铁也变成了圆形。

互动方面Kling 4.0和Vidu Q4 Preview更好，它们记得精神小伙“看戏”的设定，提示词没明写，小伙也会随情节变化做出吃惊之类的反应。

长叙事能力：九步斗舞，谁能笑到最后？

拍几秒钟的视频没什么意义。要让视频模型真正进入工作流，大家要的是连贯的长故事。我们让各大模型挑战黄仁勋和苏妈同台跳一段《Updown Funk》，一口气写了九个连贯动作，看谁能从头到尾执行下来。

这轮让各模型挑战的是连续9步的长串Prompt，节选一段：①银发黑皮衣大佬挑衅招手；②西装女总裁指向对方；③黑皮衣大佬做螃蟹横移动作；④掏出钞票发射枪朝天空扣动扳机。后面还排着击掌不穿模、踢腿交叉步、单膝跪地滑行、交叉拍肩、终场定格，一共9个动作。

从结果看，Seedance 2.5和Wan 3.0基本把要求的动作都还原了出来。综合比较，Seedance表现最突出，舞步连贯顺滑，玩具喷钱枪的喷钞效果也更像真的。

Vidu Q4 Preview版本最长只能生成16秒，可九步动作它也全塞进去了，问题出在收尾：最后那块“AI Boss”灯牌变成了乱码，真人质感也比其他模型差一截。

可灵 4.0这轮掉了链子，倒数第三步的“双臂交叉拍肩”被漏掉。玩具喷钱枪从怀里掏出来时是悬空的，镜头旋转了几次也显得突兀。

吃意大利面 AI永远过不去的“面条坎”

在AI视频行业，测“吃意大利面”是道让人印象深刻的难题。几年前“威尔史密斯吃意大利面”的测试横空出世，扭曲的面容，配上生硬抓握、胡乱吞咽、面条扭来扭去的画面，AI吃面有多难一看便知。

难在哪？AI得学会叉子怎么拿、面条怎么卷起、送进嘴里怎么弯曲，每一步都要符合真实动作。面条的状态还得连贯——它柔软细长，会弯曲、会缠绕、会被拉扯。

测试提示词：

【第0-5秒】：镜头里，扎丸子头的女孩坐在办公桌前，右手拿着金属叉子，手腕转了两圈，把盘里几根裹着红色番茄肉酱的意大利面一圈一圈缠紧，绕成团贴在叉子尖端（面条旋转缠绕成团的物理过程必须看得见，不能直接平着叉起来）；卷好之后，她把叉子往上一提，面条被重力拽着自然垂下来，拉出细丝；

【第5-10秒】：女孩张开嘴，把叉子上那团面准确送进嘴里，嘴唇一合咬住面条，右手随即把金属叉子从口中利落地抽出来——抽出的叉子尖端这时必须是空的（面条确实留在嘴里，不能出现叉子穿过脸颊、面条凭空闪烁消失的情况），她腮帮鼓起来大口嚼，喉部有明显吞咽动作，嘴角沾着一抹红酱；

【第10-15秒】：女孩左手拿起桌边那杯四分之三满的透明橙汁玻璃杯，送到嘴边，仰头把杯身倾斜，喝了一大口；吞咽过程中，杯里的橙汁顺着流体力学自然倾斜，等她把杯子重新放回桌面，杯内橙汁的液面高度要能肉眼看出已降到杯身一半以下（体积减少不可逆）。

这一关多数模型都露了馅：AI根本不会“卷”面，顶多在盘子里拿叉子象征性地卷一下已经成型的意面，Seedance 2.5和Wan 3.0身上这点很明显。

Kling 4.0没按提示词展示面条卷曲成卷的过程，不过它给人物安排的动作挺自然，叉起来的面条也处在正常状态。

Vidu Q4 Preview的问题就很扎眼了：它没能在盘子里把面条卷起来，可下一秒人物举起叉子，面条自己变成了卷曲状，穿帮一眼可见。

物理规律遵循 牛顿摆的动量守恒

牛顿摆也是测试集里的经典题目，考的是模型会不会处理碰撞、动量传递和时间演化。理想状态下，拉起一个球释放，撞上其余球体，中间的球不动，只有另一端的球弹开。

视频模型常把画面做得挺逼真，运动方式却算错了：球互相穿透、半空停住、速度突然变化，都出现过。

测试提示词：

正中摆着五颗一样大的钢球，用细线吊成牛顿摆。手把左侧第一颗球拉起后松手，弹性碰撞依次发生。最右边那颗球马上摆出去，中间三颗球基本不动。能量和动量一个接一个传过去，摆动慢慢变缓。机位固定在正面平视，镜头稳住不动。自然光照明，金属球面有真实反光和淡淡阴影。

这一项Kling 4.0效果最好，球的速度接近真实，后续运动变化也没出错；Seedance 2.5速度偏慢了些，整体还是基本符合真实规律。

Vidu Q4 Preview和Wan 3.0就不太理想了。前者有两个球叠在一起，开头还算正常，5秒后开始乱飞；Wan 3.0一上来就没做对，球移动缓慢，还乱飞。

光源追踪：火苗扫脸和下巴底光的表现效果

真人视频和AI视频在质感上的差距，还体现在阴影和局部微弱光影的追踪上。这次我们测极暗房间里的光源轨迹追踪，看几个视频模型怎么处理光影。

测试提示词：

第0到8秒，测试动作是手举光源绕脸平移180度：右手慢慢抬起，把手里唯一发亮的打火机火苗从右脸颊一侧出发，掠过鼻子正前方，平着推到左脸颊一侧。光源这样从右往左走，脸上受光的一侧、镜框和高鼻梁在脸上压出的深色阴影，都得跟着火苗的位置实时从左半脸平滑翻到右半脸，镜片上映出的火苗反光点也要同步从右滑到左；

第8到12秒，火苗移到下巴正下方，测的是恐怖片式的底光：头保持端正不动，右手把火苗竖直往下送，停在下巴正下方。光线变成极端的自下而上打法——下巴底部、鼻孔、上嘴唇和下眼袋被照得通亮，眼窝上半部和额头则沉进浓重的黑里；

第12到15秒，吹灭后全黑：他低下头轻轻吹一口气，火苗一下灭了，画面瞬间黑到100%，只剩一缕青烟，镜片上最后一点余光也随之消失。

火苗横向扫过这一段，Seedance 2.5的效果最理想，阴影整体都算真实，收尾时下巴底光的过渡也比较自然。

Kling 4.0前十几秒都还稳，问题出在下巴底光：打火机明显先移过去了，头部光线却慢了1秒才跟着变暗。到最后熄灭那一下，光影也乱了。

Wan 3.0的处理没做出那么强的对比光影，提示词要的恐怖底光没有遵循；Vidu Q4 Preview的打火机移动不到位，从右往左的全过程没走完，不过单看光影表现，其实还算理想。

音画遵循：绕口令与嘎嘣脆的黄瓜

最后再做一个简单测试，这也是对AI视频在影视工业里的一次考察——声音和口型必须对得上，才不会“出戏”。

测试提示词：

第0到7秒：穿黄卫衣的男主播凑近电容麦克风，用中文极快地、字正腔圆地说出一串绕口令：“八百标兵奔北坡，炮兵并排北边跑！”

第7到10秒：绕口令一说完，他马上把左手拿的新鲜脆黄瓜塞进嘴里，咔嚓咬下一大截（配极其清脆响亮的立体声咬黄瓜咔嚓拟音），一边鼓着腮帮子嚼，一边含糊不清但口型严丝合缝地对着镜头说：“哎呀妈呀，这瓜真脆！”

实测下来，Seedance 2.5和Kling 4.0都正常，这里就不放出来了。

Vidu Q4 Preview几遍测试都出现读错字、读多字；Wan 3.0奇怪的地方是用气音配音，比较出戏。

哪个模型最好用？最不绕弯子、最客观的结论

八场实测跑完，四个模型的优缺点我们总结如上，再结合时间和成本，建议按自己的需求挑合适的模型。

Seedance 2.5：实力没得挑，就是又慢又贵

实测里，除了多物品参考这一项Seedance 2.5不算最理想，复杂指令、长指令遵循、人物真实性和情绪这些方面，它都明显强过其他模型。

问题是它又慢又贵：按720p画质15秒视频、12积分1元算，它要吃掉300积分，折合一个视频25元。

另外我们掐表统计过，生成一个十秒左右的视频，不算排队，光生成就花了10分钟，等待时间也明显更长。

Kling 4.0：发挥不稳定，但整体质量靠前

物理规律这块，Kling 4.0有点矛盾：吃意面、牛顿摆都表现可圈可点，可到了破坏性场景，物理规律又显得有点“假”。

不过上面这一系列测试里，Kling 4.0基本总能排进Top2。

跟Seedance 2.5比，Kling 4.0更突出的优势在性价比：按100积分5元算，同样720p画质15秒视频只要150积分，单个视频成本7.5元，大约是Seedance 2.5的1/3。

生成速度上，Kling 4.0有时也明显快过Seedance 2.5和Wan 3.0，单个10秒视频最快2分钟左右就能出。

Wan 3.0：素材还原的王者，动作戏的废柴。

一致性测试这一项，只有Wan 3.0全部通过：遮阳伞按1:1复现，秤底磁铁和电子秤闪烁这两个道具别的模型都出了错，它都没露馅。做电商带货、产品广告的话，这个本事大概特别管用。可一碰到物理规律和打戏，它就露怯了——牛顿摆刚开局就乱飞，打戏里该扇巴掌却打成了出拳，连着出拳还一顿一顿地卡。

从性价比角度上来衡量，按照100积分10元、单个15秒视频67.5积分来算，720p画质15秒视频的价格是6.75元，略低于Kling 4.0。但它的生成速度很慢，跟Seedance 2.5有一拼，大概单个10秒视频生成速度在6-8分钟左右。这也是阿里推出快速版Wan 3.0 Prime的原因。

Vidu Q4 Preview：性价比选手，但比较偏科。

放到整体看，Vidu Q4 Preview更拿手的是“演戏”这类影视工业环节：打戏基本把提示词还原了，情绪戏也够足，连吃根黄瓜，里头人物的情绪起伏都比别的模型更饱满。

麻烦在于它挺吃抽卡，碰上考察真实感的场景，发挥还是不让人满意——飞到半空的眼镜多出一条腿，盘子里的意面没卷起来，下一秒举起来却凭空卷上了。

四个模型里，Vidu Q4 Preview算得上是“第二”便宜的一个模型了，按照69元800积分、单个15秒视频90积分来算，它720p画质15秒视频的价格是7.76元，算下来只比Wan 3.0高一点，但输出速度却比它快不少，大概10秒视频2-3分钟就能搞定。