AI視頻大模型：重塑廣播電視生產力新范式

來源：國家廣電智庫

導讀

隨著人工智能在多模態生成領域的持續突破，谷歌DeepMind推出Genie 3與Veo 3.1，OpenAI發布Sora 2，實現了從實時交互世界建模到聲畫原生同步的跨越。與此同時，國產模型即夢3.5 PRO與Kling 2.6在鏡頭控制與物理模擬上快速迭代，展現出強勁競爭力。這些技術合力推動廣播電視及網絡視聽行業在生產模式、節目形態與商業范式上的深層變革。

谷歌DeepMind團隊長期在強化學習、深度網絡與多模態生成方面處于前沿：從GameNGen的純神經引擎，到Genie 3實現的分辨率為720p、幀率為24fps且具備分鐘級一致性的可交互世界，再到Veo系列實現的從文本或圖像到視頻及原生音頻的生成，逐步形成了涵蓋世界搭建、鏡頭表達以及聲畫一體成片的完整技術棧。OpenAI推出的Sora 2通過強化物理角色一致性與鏡頭可控性，將聲畫同步生成能力推向播出標準片段的新高度。與此同時，國產模型即夢3.5 PRO在復雜敘事理解與本土化內容創作流上深耕，快手可靈2.6則在物理運動解算與超高清畫面產出上快速迭代。國內外這些頂尖視頻生成技術相互交織，共同構筑了從虛擬場景仿真到高質量視聽成片的智能生產矩陣。

一、Genie 3與Veo 3的技術沿革、技術原理與核心特征

（一）技術沿革

1. Genie系列：GameNGen是由谷歌DeepMind與以色列特拉維夫大學合作研發，旨在用擴散模型替代傳統游戲引擎，通過歷史幀+動作輸入預測下一幀畫面。在此基礎上，DeepMind發布Genie 2，能接收圖像提示自動生成可交互的三維虛擬環境。2025年8月5日，DeepMind發布Genie 3，能以24幀/秒、720p的規格生成可交互的世界環境，并可持續運行數分鐘，用戶在交互過程中還能夠用自然語言觸發“世界事件”，如改變天氣、加入角色、重構環境等，標志著AI世界建模向通用化與應用化邁出了重要一步。

2. Veo系列：2024年5月，DeepMind首次公布Veo；同年12月Veo 2上線，支持4K視頻生成。2025年5月，Veo 3發布，能夠原生生成對白、環境聲與音效。2025年10月15日Veo 3.1發布，新增多圖到視頻、首尾幀過渡、視頻延展到1分鐘、全功能模塊音頻支持、對象移除與更精細編輯等，為影視、廣告和網絡視頻的專業生產提供了新的工具。

3. Sora系列：OpenAI在2025年9月30日發布Sora 2，這是該系列的重大升級：顯著增強物理模擬精度、風格控制與用戶可控性，并首次引入對白/音效/場景音頻的同步生成，使視頻與聲音在時間與語義上更緊密貼合；同時推出獨立應用并逐步擴大可用時長，進一步靠近“可播出級片段”的制作門檻。

（二）Genie 3與Veo 3.1和Sora 2的技術原理與核心特征

Genie 3：實時可交互的通用世界模型 Genie 3的底層是一個“動作/文本條件的世界模型”，核心架構包含時空視頻編碼器、自回歸動態模型和潛在動作模型。其工作機理是：首先將文本或圖像提示編碼為條件，生成首批視頻潛表示；隨后采用逐幀自回歸的動力學建模，每一步都把歷史幀與用戶的操控輸入作為上下文來預測下一幀。Genie 3能記住已走過的路徑，即使離開后再回來，仍能保持先前狀態。其核心特征包括：一是將“可玩”推進至實時可玩，24fps、720p的連續導航與操作成為默認能力；二是時間跨度更長，能夠維持數分鐘的環境一致性與物體持久性；三是支持運行時文本觸發事件，使其更像一臺“神經實時引擎”。

Veo 3/3.1：聲畫同步的統一生成 Veo 3系列核心基于統一的潛在擴散模型（Latent Diffusion Model）。在同一生成鏈路中，視頻與音頻通過協同機制同步生成。Veo 3.1在編輯能力、音頻支持與提示控制等方面顯著增強，引入對光照/陰影的可控編輯，并允許用戶在視頻中進行對象移除、場景重構等操作。它支持從三張參考圖生成視頻與音頻，支持首幀到末幀之間的過渡視頻與音頻，并可將已有片段延展至約1分鐘。Veo 3.1的定位由“短片生成”走向更完整的“視頻創作平臺”。

Sora 2：物理一致性與原生音頻升級 Sora 2采用“擴散+變換器（Transformer）”的混合結構。音頻是Sora 2的一大升級：它整合對白、音效與環境音的同步生成能力，使音畫在時間與語義層面更緊密對應。此外，Sora 2還支持用戶上傳自有短片/音視頻素材，模型在學習人物形象與聲音后可將其嵌入生成視頻中。在安全性上，Sora 2設計了多重限制與防護機制，包括加入可追溯水印、限制敏感提示等。

（三）Genie 3與Veo 3.1/Sora2與我國主流同類型模型比較

在國際模型不斷突破的同時，我國視頻生成模型也在快速迭代。以即夢3.5 PRO和Kling 2.6為代表的國產模型，在鏡頭控制、語義理解及本土化工作流方面展現出強大的競爭力。

即夢3.5 PRO：字節跳動旗下的即夢AI迭代至3.5 PRO版本，在延續3.0版本鏡頭語言優勢的基礎上，重點強化了語義級編輯與長視頻邏輯性。與Veo 3.1相比，即夢3.5 PRO的特色在于對復雜敘事邏輯的理解能力，支持多鏡頭腳本的一鍵生成與一致性串聯，單次生成時長上限提升至15秒，并可通過拼接維持近2分鐘的角色與場景高度一致。在音頻方面，3.5 PRO引入了智能聲場匹配技術，能根據視頻畫面自動生成高契合度的背景音與擬音，提供了更加符合國內運營習慣的模板化與參數化控制。

可靈2.6：快手可靈（Kling）發布的2.6版本，則在物理世界模擬與超高清畫質上向Sora 2看齊。Kling 2.6采用了優化后的DiT架構，顯著提升了復雜物理運動（如流體、布料解算）的真實感，并支持1080p/60fps的原生輸出。該版本最大的突破是增強了首尾幀控制與運動筆刷的精準度，允許創作者對視頻內的特定元素進行軌跡規劃，通過與國內語音大模型的接口打通，實現了高精度的口型同步率。

二、未來影響及對我國廣播電視網絡視聽行業的啟示

Genie 3與Veo 3.1/Sora 2，以及國產即夢、可靈技術的融合應用，或將從生產范式、節目形態到商業模式三個維度重構行業。在生產上，行業正從拍攝與后期結合的傳統模式轉向世界構建與虛擬運鏡的新范式，Genie 3實現的實時交互環境配合Veo 3.1與Sora 2的聲畫合一能力，極大壓縮了從創意到播出的周期與成本。在形態上，技術催生了具備原生互動特征的內容新物種，節目轉變為觀眾可介入的平行時空，實現了從觀看電視到參與體驗電視的躍升。在商業模式上，單一收入結構向互動資產運營模式擴展，核心虛擬資產可低成本衍生為游戲、文旅體驗或教育課件，通過單一資源多場景使用以及跨屏幕變現的方式，為廣電行業挖掘存量市場中的新增長點。

面對國際技術迭代，我國廣電行業應在技術跟蹤、生態建設與安全治理三方面同步發力。首先，保持敏銳的評估機制，密切跟蹤前沿模型進展并科學評估其在新聞、綜藝等品類的適配性，確立符合國情的應用優先級。其次，加速構建自主可控的智能生態，共建廣電級視聽素材庫與提示工程標準，打通數據與工具鏈堵點，實現全流程深度嵌入以縮小國際代差。最后，筑牢安全治理防線，建立全生命周期監管體系，完善生成式內容標識、素材溯源與版權授權機制，確保技術紅利在安全、可控、合規的軌道上釋放，推動行業向智能化、高質化邁進。

好文共賞請轉發 有話要說請留言