Vidu

Vidu 是由 Shengshu Technology 开发的 AI 视频生成平台，这是一家总部位于北京的公司，由 Tsinghua University 的研究人员联合创立。自 2024 年 7 月首次公开发布以来，Vidu 快速迭代了多个模型版本，最终推出了截至 2026 年 4 月的当前旗舰模型——Vidu Q3。该平台在 200 多个国家/地区运行，迄今已生成超过 5 亿个视频片段，并在 2026 年 4 月完成了由 Alibaba Cloud 领投的约 20 亿人民币（约合 2.75 亿美元）的 B 轮融资。与大多数先在国内获得关注再尝试全球扩张的中国 AI 视频工具不同，Vidu 从最早的版本开始就始终将国际创作者和开发者作为目标受众。

Vidu Q3 能够在单次推理中生成长达 16 秒的 1080p、24fps 连续视频，并原生生成音频：对话、环境音、音效和背景音乐与视频帧同步生成，而非后期叠加。该平台支持文生视频、图生视频和参考生视频工作流——后者最多可接受 7 张参考图像，以在不同片段中锁定角色、道具、服装和环境。提示词中可指定六种电影级特效（粒子系统、流体模拟、动态运动、运镜控制、转场和光影）以及导演级运镜指令（推镜头、摇镜头、跟镜头）。平台提供每月 80 个积分的免费计划，并支持无限量的 Off-Peak Mode（非高峰模式）生成，付费套餐起价为 $10/月（包含 800 个积分）。

Vidu 在 2026 年 4 月的输出表现

Vidu Q3 模型可生成长达 16 秒、1080p 分辨率和 24fps 的视频片段，这是截至撰写本文时，在主要竞争对手中最长的连续生成窗口。与需要单独添加音频的上一代产品不同，Q3 在一次模型推理中原生生成与视频同步的音频。这些音频包括：环境音、由动作驱动的音效（脚步声、撞击声、机械运动声）、氛围音层、拟音效果以及情感驱动的音乐提示。支持多语言对话生成及唇形同步，不过微观层面的精准唇形对齐仍有提升空间。

Vidu 的参考生视频工作流接受主体、环境、服装、道具和视觉风格作为参考输入——最多可同时输入 7 个实体。2026 年 4 月 13 日发布的 Q3 参考生视频功能通过“Smart Cuts（智能剪辑）”扩展了这一能力，这是一种多镜头合成功能，可直接在单次生成中串联场景转场，无需手动拼接。Vidu 的每秒生成价格也低于 Kling：约为 $0.07/秒，而 Kling 为 $0.126/秒，这一差异对于大批量制作工作流来说至关重要。

在独立的基准测试中，Vidu Q3 在发布时荣登 SuperCLUE 参考生视频排行榜榜首，并在 Artificial Analysis Video Arena 基准测试中位列全球第二，在整体质量评估中领先于 Runway Gen-4.5，仅次于 Sora 2。

“AI 视频生成已经发展到了单个片段看起来非常惊艳的阶段，但大规模制作连贯的叙事内容仍然是一个难题。”——Yihang Luo，Shengshu Technology CEO，SXSW 2026，2026 年 3 月 16 日

Vidu 与 Kling 和 Hailuo 的对比定位

这三大占据主导地位的中国视频生成平台各自采用了结构上不同的方法，而这些差异对于工作流的选择至关重要。

Kling AI (Kuaishou)：Kling 3.0 采用 Diffusion Transformer (DiT) 架构，具有统一的生成-编辑-音频管道。其角色一致性机制是参考视频提取：它处理 3-8 秒的源视频，提取角色特征嵌入，并将其带入独立的生成调用中。这使得 Kling 在片段内具有极强的角色保真度——在包含多个移动主体的复杂场景中优于 Vidu。Kling 每个片段最长 10 秒（Vidu 为 16 秒），每秒成本高出约 45%（$0.126/秒 vs. $0.07/秒）。对于电影级构图和高端商业视频，Kling 是更强大的全能选手；而在时长、成本效益和多镜头工作流方面，Vidu 更胜一筹。

Hailuo (MiniMax)：Hailuo 2.3 运行在噪声感知计算重分配 (NCR) 框架上，该框架根据扩散噪声水平重新分配计算资源，使训练和推理效率提高了约 2.5 倍。这种架构优化了吞吐量而非输出长度：Hailuo 2.3 在原生 1080p 下上限为 6 秒（720p 下为 10 秒），而 Vidu 为 16 秒。定价与 Vidu 相当（约 $0.08/秒）。在第三方对比中，Hailuo 2.3 的音频质量评级低于 Vidu Q3，且在复杂提示词下的角色一致性弱于 Kling 或 Vidu。对于不需要长时长或多参考稳定性的社交媒体短片，Hailuo 是高性价比的选择。

Vidu 的架构差异化优势在于其 U-ViT (Universal Vision Transformer) 骨干网络，它桥接了 U-Net 和 Vision Transformer 的设计。这种混合架构使模型能够处理比大多数竞争架构更长的时间窗口，而不会降低空间连贯性，这就是 Vidu 能够以极具竞争力的质量实现 16 秒生成的原因。其代价是，在包含剧烈运动的复杂多主体场景中，较长片段的末尾仍会出现角色漂移现象。

“角色一致性比以前好太多了，整体视频质量真的让我感到惊喜。”——hazel.visuals，App Store 评论，2025 年 6 月

使用 Vidu 生成视频的真实成本

Vidu 的积分系统根据时长和质量设置进行分级。在 Standard（标准）质量下，一个 4 秒的片段大约消耗 4-5 个积分；一个 8 秒的片段大约消耗 10 个积分；而在 Cinema（电影）质量下，一个 16 秒的片段可能会消耗 30-40 个积分。Free（免费）计划每月提供 80 个积分，根据设置不同，大约可生成 8-20 个短片段，这足以进行实验，但无法满足持续的制作需求。免费计划生成的视频带有水印，且不能用于商业用途。

在 Standard 计划（$10/月，800 个积分）下，根据质量层级，合理的制作预期是每月 40-80 个成品片段。Premium 计划（$35/月，4,000 个积分）解锁了 Cinema 质量层级和 32 秒的生成窗口，这也是大多数专业商业用户的首选。Ultimate 计划（$99/月，8,000 个积分）专为日常生成量极高的机构或开发者设计。

该平台确实通过 Off-Peak Mode（非高峰模式）提供无限量生成，在需求较低的时段免除积分消耗。这对于在消耗积分生成最终成品前制作草稿非常实用。然而，积分浪费的问题确实存在：失败或偏离提示词的生成同样会消耗积分，且没有重试保护或积分退还机制。有几位用户报告称，他们消耗了 700 个积分才获得 24 个满意的视频，而原本预期能生成近 200 个。

Vidu 经常出现问题的方面

提示词遵循度是记录最多的弱点。App Store 评论、第三方评测和评论聚合平台上的用户一致反映，复杂或详细的提示词生成的结果往往只能部分符合意图。一位 App Store 评论者估计满意度约为 60%，这意味着大约每 5 次生成中就有 2 次需要重试。参考图像会以特定的方式发生扭曲：Logo 变形、发型细节偏移，场景布局也无法始终忠实还原。物体偶尔会违反物理一致性（例如穿过家具，或在动作序列中出现肢体分离）。

微观层面的音频是第二个经常出现问题的点。虽然 Vidu Q3 的宏观音频（环境音效、背景音乐、整体语音语调）表现出色，但精准的唇形同步准确度和精确的拟音时机仍有待改进。WaveSpeed Q3 的评测特别指出，尽管整体视听管道确实令人印象深刻，但“对话唇形同步精度”仍然是一个持续存在的局限。

在繁忙的多主体场景中，角色一致性会大打折扣。多参考功能在受控构图中的 1-3 个角色表现良好；但在人群场景或包含许多移动主体的动作序列中，较长片段的末尾会出现角色漂移。16 秒的上限也迫使任何长于短场景的内容都必须进行剪辑拼接，这虽然可以处理，但并不顺畅。

客户支持是该平台最明显的运营弱点。在 Trustpilot、App Store 和评论论坛上，支持响应缓慢或缺失是数量最多的投诉。一些用户报告称等待了数天都没有收到回复；少数用户报告在取消订阅时遇到困难。这对于需要解决生成失败或计费问题的商业用户来说影响最大。

最佳用例与避坑场景

推荐使用 Vidu 的场景：16 秒时长足以满足需求，且原生音频可节省后期制作步骤的社交媒体内容。需要在多个片段中保持角色和产品一致性的广告制作工作流。SXSW 上宣布的动画系列工作流（结构化主体库、空间结构控制、剧集连贯性）与您的制作模式相匹配的动画或独立电影预演。注重每秒成本的基于 API 的集成，Vidu $0.07/秒的费率极具竞争力。

SXSW 2026 上的公告使 Vidu 成为首个在西方创意大会上展示专为动画系列打造的工具的中国 AI 视频平台——这释放了一个信号，即该公司正专门投资于长篇叙事用例，而不仅仅是片段级别的生成。

避开 Vidu 的场景：您的项目需要长于 16 秒且无需拼接的片段。您依赖于模型精确遵循复杂、详细的提示词——在复杂提示词上 60% 的命中率使其成为用于高精度工作的昂贵工具。您的团队依赖响应迅速的客户支持来满足商业制作的截止日期。您需要为对话密集型内容提供精确的唇形同步，因为错位会非常明显。您使用的是 Free 计划但需要商业许可——水印和商业限制使得免费版无法用于交付给客户的作品。