报告系统梳理视频生成技术演进,聚焦OpenAI 2024年Sora发布引发的DiT路径收敛及其带来的模型能力突破,深入解析多模态基础模型和端到端架构对未来视频生成的提升潜力。结合全球及中国市场空间测算,预计2025年视频生成市场P端和B端合计可达百亿美元,中国厂商快手可灵领先全球,商业定价已进入创作者价格不敏感区间,展示较强成长潜力和商业化路径。报告强调技术与产品多强并存格局,视频生成已成为内容创作降本利器,并探讨多模态理解生成统一架构对生态和岗位结构的深远影响
| 细分市场 | 估算空间(亿美元) | 说明 |
|---|---|---|
| P端(专业创作者) | 32 (中性估计) | 海外2亿创作者、中国1.6亿,付费渗透率10%,定价35美元/月等假设测算 |
| B端(企业商业) | 94 (中性估计) | 广告、电商、影视等行业AI成本节约带来市场渗透,假设不同渗透率与降本率 |
| 合计 | 约100 | 考虑20%创作者重合,合计估算,C端尚处早期,潜力更大 |
视频生成发展经历三阶段:
DiT架构介绍及优势:
通过Transformer模块处理图像潜在补丁,超越传统U-Net架构,实现高效扩展、高质量生成,支持文本、图像多模态输入。
自回归路径的存在:
虽然DiT路径收敛为主流,但像OpenAI GPT-4o和Sand AI等依旧押注自回归,认为其更适合时间因果关系建模,便于后续与多模态大模型融合。
多模态融合是未来方向:
Google Gemini等端到端多模态模型开创统一文本、图像、视频、音频的基础模型架构,显著突破长上下文及多指令控制,视频生成有望融合为多模态基础模型一部分。快手发布的Orthus模型则体现了自主开源统一多模态生成理解模型的创新,未来可能将类似架构应用于视频领域。
全球AI视频生成市场规模测算:
2024年全球市场约6亿美元,预期P端+B端生产力工具未来市场空间约100亿美元,若扩展到C端低门槛用户,则潜在规模达千亿美元级别。
P端市场测算:
B端市场测算:
产业竞争格局:
核心厂商技术对比:
所有领先厂商均收敛至DiT路径,采用时空注意力机制、3D Causal VAE、RoPE编码等技术提升视频连贯性和物理真实感。
产品排名与全球排名:
用户细分定位:
商业模式与定价:
多模态模型能力提升不及预期:
若未来多模态基础模型及理解生成统一框架发展受挫,视频生成的一致性、连贯性将难优化,影响用户体验和下游应用扩展。
视频生成商业化不及预期:
可能由于价格敏感、用户增长慢、竞争激烈或技术门槛高阻碍普及,导致厂商ARR增长不及预期。
报告未详细披露风险缓解措施,但可推断持续技术创新和多点产品突破是主要应对策略。
图表1(视频生成技术路径三阶段)
清晰梳理了从2016年以来视频生成技术的三大进化阶段,每个阶段的创新点、优势和局限展示了技术发展逻辑和瓶颈所在。
如DiT阶段强调物理仿真和时空注意力,优化了前两阶段跳帧、错误积累的问题,给出了技术成熟化的路径脉络。
图表2(2023年底视频生成AI产品进度)
以时间线形式罗列全球主要厂商的里程碑事件,反映出2023年整体现阶段前的分散探索,Sora发布后路线趋向明确。
图表3(DiT架构解构)
多细节展示了DiT模块的结构,体现Transformer模块替代U-Net的技术优势,说明DiT可扩展性和效率提升的理论基础。
图表5-6(市场规模测算表)
详尽使用创作者人数、AI工具渗透率、付费率及定价等多维假设计算P端市场规模,并以行业视频广告、影视、直播等产业数据推演B端规模,数字详实且逻辑严密。
图表7(数字歌手Yuri AI原生MV案例)
展示了使用多款AI视频生成工具制作的示例视频做商业传播,佐证视频生成的产业应用深度和社会影响力。
图表8(AI创意工具渗透率)
说明AI逐步从文本创作辅助延展至图像、视频编辑和声音创作,体现多模态技术渗透的趋势和广泛应用可能性。
图表9、11、12(视频生成各关键厂商技术及产品能力分析)
详细比对了OpenAI、谷歌、字节、快手等头部厂商的技术架构、视频最大生成时长、帧率、分辨率及缺陷,体现国内厂商快速追赶并在多点实现对标甚至超越。
图表14、15(全球AI产品榜/视频生成产品访问量排名)
反映快手可灵、海螺、Sora在全球市场中的知名度和用户基础,体现了中国视频生成厂商的崛起和全球影响力。
图表16(视频生成定位图)
将厂商根据产品复杂度和用户定位放置座标轴,揭示了产品差异化策略和市场区分逻辑,为理解不同阶段商业模式提供直观依据。
图表17(视频生成单秒价格分布)
显示国内外厂商视频生成价格差异和定位,判断当前行业处于价格不敏感区间,暗示未来商业化扩张的可能性和竞争策略重点。
本报告未对具体公司做传统财务估值模型(如DCF、市盈率法)详述,但通过市场空间测算结合各家企业2025e ARR推断市场份额分布,给出行业整体成长前景明确指引。
市场规模与收入预测:
报告综合P端和B端制作市场,预计至少100亿美元市场空间。结合快手可灵、Runway等厂商披露的 ARR,合理测算快手约占20%,闭环商业化案例清晰。
商业模式说明及定价驱动:
随着单秒价格进入“几毛钱”区间,边际降本将刺激需求量暴涨,且具备规模效应和议价能力,预计未来视频生成厂商盈利能力有望提升。
敏感性分析隐含于多场景市场空间估算中:
通过乐观、中性、悲观多场景给出不同AI渗透率、付费率、使用率假设,体现对行业未来波动的合理预判。
报告未突出缓解策略,但可以理解为依赖技术持续创新及产品优化,加速降本增效,并关注细分市场和多点业务线布局。
本报告系统全面梳理了AI视频生成领域的发展历程、技术路径、产品现状及产业格局,核心结论和洞见如下:
报告体现了对中国AI视频生成赛道的高度认可和积极展望,并且紧密结合最新技术成果及市场测算,为投资者提供了全面的行业技术、产品和市场参考框架。
图1:视频生成技术路径三阶段发展概览
描述视频生成自2016年至2024年技术进化,由图像拼接到自回归和扩散混合,再到DiT独立路径形成。展示了各阶段核心算法、里程碑事件和关键限制,帮助读者理解技术历史脉络。
图5:全球AI视频生成P端市场空间测算表
分项展示海外及国内创作者人数、AI使用率、付费渗透率、定价及用量膨胀系数,综合估算P端市场规模,体现计算过程的严密与数据的合理假设。
图14:2025年全球AI生成产品排名
列出Sora、海螺、快手可灵等AI视频生成厂商在全球AI应用排行榜的位置,反映了中国厂商在全球市场的竞争力。
图17:视频生成服务单秒价格对比图
对比国际和国内不同厂商高质量和标准模式的单秒价格,显示目前价格已下降至几毛钱水平,表明商业化临近拐点和市场扩容潜力。
以上为《AI十年展望(二十五):视频生成拐点将至,成长性赛道迎中国机遇》报告的全面深度解析,内容涵盖技术、市场、产品、竞争、商业和风险多个维度,详实且富有前瞻性。
中金 AI十年展望(二十五):视频生成拐点将至,成长性赛道迎中国机遇.pdf