人工智能行業(yè)AI文生視頻市場(chǎng)分析

人工智能行業(yè)AI文生視頻市場(chǎng)分析1文生視頻，多模態(tài)AIGC圣杯文生視頻當(dāng)前處于起步階段，隨著文生圖、圖片對(duì)話技術(shù)的成熟，文生視頻成為多模態(tài)大模型下一步發(fā)展的重點(diǎn)。目前國內(nèi)亦有文生視頻功能，但主要停留在圖片組合階段。我們認(rèn)為，多模態(tài)，尤其是文生視頻的發(fā)展將為應(yīng)用的爆發(fā)提供更立體的基礎(chǔ)設(shè)施，同時(shí)對(duì)算力的需求也將指數(shù)級(jí)增長，對(duì)AI下階段的發(fā)展至關(guān)重要。本文所介紹的文生視頻是指內(nèi)容之間有關(guān)聯(lián)性與協(xié)同性，能生成有連續(xù)邏輯的視頻模型。1.1相較于文字和圖片，視頻能承載的信息量更大相較于文字和圖片，視頻在多維信息表達(dá)、畫面豐富性及動(dòng)態(tài)性方面有更大優(yōu)勢(shì)。視頻可以結(jié)合文本、圖像、聲音及視覺效果，在單一媒體中融合多種信息形式。從視頻生視頻到文生視頻、圖生視頻，多模態(tài)的發(fā)展重視用更少的用戶輸入信息量實(shí)現(xiàn)更豐富的AI生成結(jié)果。自Runway推出Gen-1視頻生視頻工具后，AI處理視頻、圖片功能在社交平臺(tái)爆火，其背后即是多模態(tài)大模型發(fā)展的表現(xiàn)之一。在多模態(tài)應(yīng)用方面，當(dāng)前可應(yīng)用的模態(tài)轉(zhuǎn)化主要集中在文字、圖片、視頻的轉(zhuǎn)化。1.2當(dāng)前公測(cè)的文生視頻應(yīng)用數(shù)量較少文生圖領(lǐng)域，2021年1月5日，OpenAI發(fā)布其首個(gè)基于Clip模型的文生圖模型DALL·E，但并未開源，自此眾多公司爭(zhēng)先研發(fā)文生圖模型；2022年3月13日，Midjourney發(fā)布可公測(cè)的文生圖模型，其效果優(yōu)越，引發(fā)了公眾關(guān)于AI藝術(shù)的討論。目前已積累較多用戶、可穩(wěn)定使用的文生圖模型主要有Midjourney、StableDiffusion、DALL·E等。文生視頻領(lǐng)域，目前公眾可使用的主要有RunwayGen-1、RunwayGen-2、ZeroScope、PikaLabs。其中，除Runway收費(fèi)外，ZeroScope、PikaLabs均可免費(fèi)使用。文生視頻發(fā)展速度慢于文生視頻，在視頻質(zhì)量、視頻時(shí)長等方面突破較為困難，相比于文生圖的快速優(yōu)化迭代，文生視頻的進(jìn)展較慢。即便是Meta和Google這樣的硅谷人工智能巨頭，在文生視頻方面也進(jìn)展緩慢。她們分別推出的Make-A-Video和Phenaki均尚未公測(cè)，從官方公布的Demo看，Phenaki雖然可生成任意長度視頻，但其質(zhì)量較差且欠缺真實(shí)性；Make-A-Video無需“文本-視頻”配對(duì)數(shù)據(jù)集，視頻質(zhì)量相對(duì)較好，但時(shí)長短。1.3文生視頻，難在哪里？文生視頻更困難。技術(shù)實(shí)現(xiàn)本身更困難。從本質(zhì)看，視頻是連續(xù)的多幀圖像，然而文生圖到文生視頻并非簡(jiǎn)單的圖片組合，而文生視頻在文生圖的基礎(chǔ)上增加了時(shí)間維度。文生視頻需突破瓶頸多?？捎玫奈纳曨l需具備一定的時(shí)長，優(yōu)良的畫面質(zhì)量，一定的創(chuàng)意邏輯性及還原指令要求能力。計(jì)算難度大計(jì)算成本高。通過文本生成高質(zhì)量圖片對(duì)算力的要求已經(jīng)達(dá)到了一定程度，由于生成視頻模型復(fù)雜度提升及其時(shí)長、分辨率提高等因素，文生視頻對(duì)算力的需求進(jìn)一步加大。計(jì)算復(fù)雜性提升。文生視頻需要進(jìn)行高維特征融合，模型復(fù)雜度顯著提升。數(shù)據(jù)要求高缺乏高質(zhì)量配對(duì)數(shù)據(jù)集。視頻的合理性及連貫性體現(xiàn)模型的架構(gòu)能力、創(chuàng)造力、理解能力。例如，當(dāng)用戶輸入“一只大象在廚房做飯”這類文字指令時(shí)，模型需理解文字指令內(nèi)容，并根據(jù)訓(xùn)練數(shù)據(jù)庫選取畫面及對(duì)象組合，過程中可能出現(xiàn)缺乏相應(yīng)素材、難以合理組合人物、難以合理架構(gòu)場(chǎng)景等問題。文生視頻需要大量的文本-視頻配對(duì)數(shù)據(jù)，但當(dāng)前缺乏相應(yīng)數(shù)據(jù)集，數(shù)據(jù)標(biāo)注工作量極高。缺乏具備多樣性的數(shù)據(jù)集。由于用戶的文本指令要求各異，缺乏多樣數(shù)據(jù)集使得模型無法生成預(yù)期效果。技術(shù)融合難度大多領(lǐng)域融合技術(shù)復(fù)雜性提升。文生視頻涉及自然語言處理、視覺處理、畫面合成等領(lǐng)域，跨學(xué)科多領(lǐng)域使其需攻克的技術(shù)難點(diǎn)增加。2技術(shù)路線沿革：文生視頻，哪種技術(shù)更強(qiáng)？同文生圖及大語言模型的發(fā)展類似，文生視頻也在不斷探索中尋找更為高效且效果更佳的基礎(chǔ)模型。目前主流的文生視頻模型主要依托Transformer模型和擴(kuò)散模型。目前阿里ModelScope社區(qū)中提供了可用的、基于擴(kuò)散模型的開源文生視頻模型，促進(jìn)了如ZeroScope高質(zhì)量文生視頻模型的發(fā)展，有利于后續(xù)文生視頻的技術(shù)迭代優(yōu)化。2.1階段一：基于GAN和VAE，以Text2Filter為代表原理：文生視頻發(fā)展早期主要基于GAN（GenerativeAdversarialNets，生成式對(duì)抗網(wǎng)絡(luò)）和VAE（Variationalautoencoder，變分自編碼器）進(jìn)行視頻生成。GAN由生成器和判別器構(gòu)成，生成器類似于小偷，生成器生成圖片；判別器類似于警察，負(fù)責(zé)判斷是生成器生成圖片還是真實(shí)圖片。VAE由編碼器及解碼器構(gòu)成，其使得圖片能夠編碼成易于表示的形態(tài)，并且這一形態(tài)能夠盡可能無損地解碼回原真實(shí)圖像。生成過程分為兩步：首先，利用條件VAE模型從文本中提取出要點(diǎn)，即靜態(tài)和通用的特征，生成視頻的基本背景；再借助GAN框架中的神經(jīng)網(wǎng)絡(luò)生成視頻細(xì)節(jié)。問題：應(yīng)用范圍窄；僅適用靜態(tài)、單一畫面；分辨率低。代表：Text2Filter。2.2階段二：基于Transformer，以Phenaki為代表原理：Transformer模型在文本及圖像生成中均得到了廣泛應(yīng)用，因此也成為文生視頻使用較多的框架之一，但各模型在具體應(yīng)用上仍有差別。主要思路即輸入文本后利用Transformer模型編碼，將文本轉(zhuǎn)化為視頻令牌，進(jìn)行特征融合后輸出視頻。問題：訓(xùn)練成本高；對(duì)配對(duì)數(shù)據(jù)集需求大。代表：Phenaki、CogVideo、VideoGPT。Phenaki是基于Transformer框架進(jìn)行文生視頻的代表之一，其突破了文生視頻的時(shí)長限制進(jìn)行任意時(shí)長視頻生成。Phenaki模型基于1.4s左右的短視頻進(jìn)行訓(xùn)練，通過連續(xù)的文字指令生成連續(xù)的較短時(shí)長的視頻并串聯(lián)成1分鐘左右的長視頻。例如，通過輸入一段類似故事的文字指令，從而實(shí)現(xiàn)逐個(gè)短視頻的銜接成為長視頻。2.3階段三：基于擴(kuò)散模型，以Make-A-Video和阿里通義為代表原理：當(dāng)前擴(kuò)散模型是文生視頻領(lǐng)域使用更廣的架構(gòu)之一。通過預(yù)訓(xùn)練模型進(jìn)行文本特征提取后，再進(jìn)行文本到圖片，圖片到視頻的生成，過程中需基于擴(kuò)散模型進(jìn)行。簡(jiǎn)單來說，擴(kuò)散模型即在圖片上逐漸添加高斯噪聲再進(jìn)行反向操作。以擴(kuò)散模型為基礎(chǔ)的文生視頻模型，一般是在文生圖基礎(chǔ)上增加時(shí)間維度實(shí)現(xiàn)視頻生成。擴(kuò)散模型在語義理解、內(nèi)容豐富性上更有優(yōu)勢(shì)。問題：耗時(shí)長。代表：Make-A-Video、VideoLDM、Text2Video-Zero、Runway-Gen1、RunwayGen2以及NUWA-XL。2.3.1Meta：Make-A-VideoMake-A-Video是基于擴(kuò)散模型的代表之一，其重點(diǎn)在于提升視頻品質(zhì)。其模型訓(xùn)練時(shí)間較短，無需“文本-視頻”配對(duì)數(shù)據(jù)即可生成視頻。Make-A-Video生成視頻主要思路為首先接受文字指令，后利用CLIP文字解碼將其轉(zhuǎn)化為向量；接著先驗(yàn)網(wǎng)絡(luò)將CLIP文本向量“翻譯”到對(duì)應(yīng)的CLIP圖像向量；后利用BaseDiffusionModel（一種文生圖的模型）生成視頻的基本框架；此處得到額外的卷積層和注意力層到時(shí)間維度；后利用TemporalSuper-Resolution（TSR）進(jìn)行幀插值以補(bǔ)充關(guān)鍵細(xì)節(jié)，最后利用兩個(gè)空間超分辨率模型升級(jí)各個(gè)幀的分辨率。2.3.2阿里達(dá)摩院：通義文生視頻大模型通義-文本生成視頻大模型-英文-通用領(lǐng)域-v1.0是由阿里達(dá)摩院提供的、發(fā)布在阿里ModelScope平臺(tái)上的開源文生視頻大模型，目前仍在集成中，暫未開放公測(cè)。通義文本生成視頻大模型僅支持英文輸入，基于多階段文本到視頻生成擴(kuò)散模型。根據(jù)ModelScope官網(wǎng)，該模型整體參數(shù)約60億，由五個(gè)子網(wǎng)格構(gòu)成：文本特征提取：利用圖文預(yù)訓(xùn)練模型CLIPViT-L/14@336px的textencoder來提取文本特征。文本到圖像特征擴(kuò)散模型：Diffusionprior部分，以CLIPtextembedding為條件，輸出CLIPimageembedding。圖像特征到64x64視頻生成模型：同樣采用diffusionmodel，以GLIDE模型中UNet結(jié)構(gòu)為基礎(chǔ)改造UNet3D結(jié)構(gòu)，采用crossattention實(shí)現(xiàn)imageembedding嵌入，輸出16x64x64視頻。視頻插幀擴(kuò)散模型（16X64x64到64X64x64）：diffusion視頻插幀模型，輸入包括16x64x64視頻、imageembedding，輸出64X64x64視頻，其中16x64x64視頻復(fù)制4次到64X64x64以concat形式輸入、imageembedding同樣以crossattention形式嵌入。視頻超分?jǐn)U散模型（64X64x64到64X256x256）：diffusion視頻超分模型，同樣為UNet3D結(jié)構(gòu)，推理過程輸入64X64x64視頻，輸出64X256x256視頻。2.3.3Zeroscope：由阿里達(dá)摩院Modelscope文生視頻模型優(yōu)化得出在我們找到的三個(gè)文生視頻模型（RunwayGen-2、PikaLabs和Zeroscope）中，Zeroscope明確提出其由開源模型優(yōu)化而來。我們認(rèn)為，這在一定程度上代表了一種新的技術(shù)路線——基于開源，開枝散葉。ZeroScope所依托的文本生成視頻大模型是阿里達(dá)摩院vilab“modelscope-damo-textto-video-synthesis”，后者由文本特征提取、文本特征到視頻隱空間擴(kuò)散模型、視頻隱空間到視頻視覺空間這3個(gè)子網(wǎng)絡(luò)組成，整體模型參數(shù)約17億。ZeroScope由兩個(gè)組件構(gòu)成：Zerscope_v2567w（用于以較低分辨率快速創(chuàng)建內(nèi)容）和Zeroscope_v2XL（用于將內(nèi)容升級(jí)到高清分辨率）。ZeroScopeV3目前在Discord服務(wù)器內(nèi)測(cè)試，即將推出。3實(shí)測(cè)：文生視頻模型當(dāng)前風(fēng)格各異，總體質(zhì)量較低對(duì)于文生視頻應(yīng)用，用戶主要關(guān)注視頻生成質(zhì)量、是否可定制化生成特定內(nèi)容（如風(fēng)格、可對(duì)生成內(nèi)容調(diào)整細(xì)節(jié)等）、使用簡(jiǎn)易程度等。盡管當(dāng)前已有可公測(cè)的應(yīng)用，但由于生成結(jié)果粗糙等問題，文生視頻并未在實(shí)際的媒體內(nèi)容生成、創(chuàng)意制作領(lǐng)域得到廣泛應(yīng)用。具體來看，當(dāng)前可測(cè)試的產(chǎn)品風(fēng)格各異、總體質(zhì)量較低：RunwayGen-1、Gen-2：是當(dāng)前文生視頻領(lǐng)域?qū)嶋H應(yīng)用最“出圈”的模型，具有較好的畫面質(zhì)感，其功能眾多，可在文字、圖片、視頻中自由轉(zhuǎn)化。ZeroScope：是目前文生視頻領(lǐng)域高質(zhì)量的開源大模型之一。ZeroScope在ModelScope的模型基礎(chǔ)上優(yōu)化而來，能提供更高的分辨率。ZeroScope可供用戶免費(fèi)使用，盡管視頻分辨率、生成質(zhì)量與RunwayGen-2有一定差距，但其后續(xù)潛力大。PikaLabs：為近期發(fā)布的文生視頻平臺(tái)，該模型一經(jīng)發(fā)布便因其真實(shí)感、動(dòng)作連續(xù)性效果好引發(fā)關(guān)注。從生成時(shí)間看，當(dāng)前的文生視頻結(jié)果時(shí)間短，目前RunwayGen-2最長可生成18秒視頻內(nèi)容，一般其他可公測(cè)使用文生視頻模型生成結(jié)果均在4s左右，且無法融合音頻。從生成平臺(tái)看，與Runway、ZeroScope不同，PikaLabs采取了與Midjourney相同的應(yīng)用平臺(tái)，當(dāng)前可通過申請(qǐng)?jiān)贒iscord端試用（Discord是一款可進(jìn)行社群交流的數(shù)字發(fā)行平臺(tái)，用戶可發(fā)布文字、圖片、視頻、音頻等內(nèi)容）。3.1復(fù)雜人物動(dòng)作生成幀連續(xù)效果較差復(fù)雜人物動(dòng)作的視頻生成考驗(yàn)文生視頻模型的幀連續(xù)效果及動(dòng)作理解能力。從測(cè)試效果看：RunwayGen2：基本完成文字指令要求，突出“一個(gè)女孩”人物主題，跳舞動(dòng)作有一定流暢性，但后續(xù)出現(xiàn)身體器官重疊問題；PikaLabs：未理解文字指令主題“一個(gè)女孩”，出現(xiàn)多個(gè)人物，但其舞蹈動(dòng)作連續(xù)流暢性相對(duì)較好；ZeroScope：人物模糊，但身體部位變化自然，且未出現(xiàn)變型、消失等問題。3.2非日常場(chǎng)景的視頻架構(gòu)能力連續(xù)能力一般非日常場(chǎng)景的視頻生成考驗(yàn)文生視頻模型的指令理解及架構(gòu)能力。從“貓拿遙控器看電視”這一虛構(gòu)場(chǎng)景文字指令的要求生成效果看：RunwayGen-2：整體仍然最為出色，但后續(xù)動(dòng)作變化不自然且幅度小，出現(xiàn)臉部變形等情況；PikaLabs：對(duì)文字指令的理解有一定問題，并未體現(xiàn)“拿遙控器”的動(dòng)作，但其視頻畫面細(xì)節(jié)如毛發(fā)、飄動(dòng)動(dòng)作更為連貫順暢；ZeroScope：真實(shí)性較強(qiáng)，但動(dòng)作僵硬且幅度較小。3.3多主體視頻生成缺乏邏輯連續(xù)性多主體的視頻生成考驗(yàn)文生視頻模型的復(fù)雜場(chǎng)景處理能力及細(xì)微語言理解能力。當(dāng)前文生視頻模型出現(xiàn)直接忽略文字指令中的如“手牽手”，“一個(gè)男孩和一個(gè)女孩”等細(xì)微要求問題。RunwayGen-2：對(duì)畫面及人物動(dòng)作細(xì)節(jié)及雙人互動(dòng)如“牽手”指令的處理較好，生成人物符合邏輯但人物動(dòng)作幅度不明顯；PikaLabs：未體現(xiàn)雙人“牽手“細(xì)節(jié)，但跑步動(dòng)作自然連貫；ZeroScope：在多人物互動(dòng)及跑步動(dòng)作上處理較好，但畫面粗糙?？傮w來看，三個(gè)文生視頻模型的不同生成效果體現(xiàn)其背后模型及訓(xùn)練數(shù)據(jù)特點(diǎn)。RunwayGen-2：畫面精細(xì)度、清晰度及藝術(shù)美感均較強(qiáng)，視頻動(dòng)作幅度均較小，視頻動(dòng)感主要體現(xiàn)在如頭發(fā)的飄動(dòng)上；PikaLabs：擅于生成連貫動(dòng)作；ZeroScope：表現(xiàn)較為平均。4從圖片生成看文生視頻的商業(yè)前景4.1為什么選擇圖片生成作為對(duì)標(biāo)對(duì)象？4.1.1圖片生成相對(duì)成熟圖片生成類在多模態(tài)大模型中的商業(yè)程度較高，可為視頻生成的商業(yè)化前景可提供一定參考。以相對(duì)成熟的美國市場(chǎng)為例，據(jù)七麥數(shù)據(jù)8月13日IOS應(yīng)用榜單，以“AI”作為搜索關(guān)鍵詞，榜內(nèi)共計(jì)247個(gè)應(yīng)用，其中“攝影與錄像”、“圖形與設(shè)計(jì)”類的圖像生成類應(yīng)用占比31.6%；而“音樂”類應(yīng)用僅占比2.8%；“效率”類語言生成或?qū)υ捠綉?yīng)用占比20.2%?？梢妶D片生成類的商業(yè)化程度最高，且從實(shí)際案例來看，目前已有圖片生成類應(yīng)用表現(xiàn)出較強(qiáng)的收費(fèi)能力。4.1.2已經(jīng)收費(fèi)的視頻生成應(yīng)用，商業(yè)模式與圖片生成趨同目前，從類別上看，圖片生成類為現(xiàn)階段多模態(tài)大模型相對(duì)成熟的商業(yè)化場(chǎng)景，視頻生成類的商業(yè)前景可參考圖片生成類的商業(yè)化發(fā)展歷程。整體來看，圖片生成類的商業(yè)模式較為單一，收費(fèi)模式和收費(fèi)依據(jù)較為趨同，即按照人工智能生成產(chǎn)品的生成量、生成速度計(jì)算收費(fèi)，現(xiàn)已出現(xiàn)的視頻生成模型的收費(fèi)依據(jù)也與其類似。另外，市場(chǎng)上已出現(xiàn)個(gè)別破圈現(xiàn)象級(jí)圖片生成類應(yīng)用，以及與其原有業(yè)務(wù)協(xié)同的AI增強(qiáng)功能產(chǎn)品，也可為未來視頻生成類應(yīng)用的發(fā)展提供一定參考。RunwayGen-2是文生視頻領(lǐng)域最先形成商業(yè)模式的多模態(tài)大模型案例，其收費(fèi)標(biāo)準(zhǔn)為文生視頻領(lǐng)域大模型及應(yīng)用端樹立了標(biāo)桿，與廣泛的圖片生成類模型及應(yīng)用的商業(yè)模式類似，RunwayGen-2也按照生成量、附加權(quán)益等區(qū)分不同套餐定價(jià)。自發(fā)布以來，RunwayGen-2引起關(guān)注度很高，由于是為數(shù)不多的開放公測(cè)的文生視頻大模型，很多玩家前往其官網(wǎng)進(jìn)行文生視頻的嘗試，2023年9月其網(wǎng)站總訪問人次為760萬，平均停留時(shí)長為3分37秒。4.2細(xì)分領(lǐng)域：看好人像生成，短期內(nèi)變現(xiàn)較快4.2.1LensaAI：人像生成功能推出后用戶付費(fèi)意愿高LensaAI切入人像生成領(lǐng)域，新功能推出后收入可觀，但是否可若想形成持續(xù)性付費(fèi)收入仍需探索。LensaAIApp于2018年上線，原本的主要用途是圖片編輯和美化。2022年11月21日，LensaAI上線的新功能“魔法頭像”（MagicAvatars）讓其在全球人氣迅速飆升。用戶上傳人像圖，可通過“魔法頭像”自動(dòng)生成各種不同風(fēng)格的人臉照，包括搖滾風(fēng)格、時(shí)尚風(fēng)、科幻風(fēng)、動(dòng)漫風(fēng)等。11月30日至12月14日，連續(xù)兩周位列美國AppStore免費(fèi)榜榜首，還拿下十多個(gè)國家的免費(fèi)榜Top1。從商業(yè)模式上看，該應(yīng)用提供三種不同的購買方案，主要的區(qū)別是生成的照片的數(shù)量差異。用戶可以選50、100、200張照片，分別對(duì)應(yīng)3.99、5.99、7.99美元。根據(jù)分析公司SensorTower的數(shù)據(jù)，該應(yīng)用程序在12月的前12天在全球范圍內(nèi)安裝了約1350萬次，是11月200萬次的六倍多。這12天消費(fèi)者在App上花費(fèi)了大約2930萬美元（日流水超百萬美元）。根據(jù)SensorTower的最新數(shù)據(jù)，LensaAI在今年7月的全球下載量僅為40萬人次，同月全球收入僅為100萬美元。可見人像生成類應(yīng)用若想維持熱度、形成長期穩(wěn)定的收費(fèi)能力，市場(chǎng)玩家仍需繼續(xù)探索。4.2.2妙鴨相機(jī)：國內(nèi)首個(gè)“破圈”應(yīng)用，寫真生成引起社交裂變?nèi)讼裆蓪懻鎽?yīng)用妙鴨相機(jī)上架即火爆，迅速爬升社交類應(yīng)用第一名。妙鴨相機(jī)是國內(nèi)第一個(gè)出圈的圖片生成類應(yīng)用。用戶通過上傳一張正面照以及不少于20張的補(bǔ)充照片，就能利用妙鴨相機(jī)生成各式寫真。妙鴨相機(jī)收費(fèi)9.9元，可以解鎖現(xiàn)有模板，包括證件照、古裝寫真、晚禮服寫真等。妙鴨相機(jī)上線后非常火爆，生成圖片的等待時(shí)長一路走高，7月20日晚間高峰期有4000-5000人排隊(duì)，需等待十幾個(gè)小時(shí)才能生成圖片。據(jù)七麥數(shù)據(jù)，妙鴨相機(jī)近自發(fā)布以來，熱度高漲，截至8月13日，妙鴨相機(jī)在iPhone社交類應(yīng)用中排名第一。妙鴨相機(jī)現(xiàn)階段收入規(guī)?？捎^，但市場(chǎng)對(duì)其復(fù)購及持續(xù)收費(fèi)能力存疑，后續(xù)須不停上線新模板、開創(chuàng)新玩法。據(jù)七麥數(shù)據(jù)，妙鴨相機(jī)近自上線以來，半個(gè)月時(shí)間收入預(yù)估總計(jì)超過29萬美元，近七日日均收入超過3萬美元，在國內(nèi)圖像生成領(lǐng)域的應(yīng)用中遙遙領(lǐng)先，可以算作破圈的現(xiàn)象級(jí)產(chǎn)品。但目前還處于拉新階段，后期用戶的復(fù)購收入持續(xù)增長的能力亟待驗(yàn)證。4.3競(jìng)爭(zhēng)優(yōu)勢(shì)：看好有算力儲(chǔ)備的公司目前，國內(nèi)外圖像生成類模型及模應(yīng)用大多按照生成量、生成速度等來區(qū)分定價(jià)，但不同點(diǎn)是國外產(chǎn)品的付費(fèi)套餐中多有“無限量”套餐，而國內(nèi)產(chǎn)品未出現(xiàn)“無限量”套餐，可看出國內(nèi)算力仍為瓶頸，因此，具有算力儲(chǔ)備的云服務(wù)廠商在發(fā)展視頻生成類應(yīng)用時(shí)具有天然優(yōu)勢(shì)。4.3.1Midjourney：“無限量”套餐攏獲用戶，映射市場(chǎng)對(duì)算力的高需求Midjourney作為文生圖領(lǐng)域的代表性多模態(tài)大模型，相比于大多數(shù)有限生成量的圖片生成類模型及應(yīng)用，Midjourney的“無限量”套餐具有天然優(yōu)勢(shì)，其用戶規(guī)模和營收已建立起一定壁壘。據(jù)SimilarWeb數(shù)據(jù)，Midjourney官網(wǎng)在2023年8月網(wǎng)站訪問量為2850萬人次，平均停留時(shí)長達(dá)到6分30秒。且從市場(chǎng)公開信息得知，Midjourney的日活用戶已達(dá)到1500萬，超過開源模型StableDiffusion的1000萬日活，其年?duì)I收也超過1億美元。4.3.2騰訊云：云服務(wù)廠商加緊多模態(tài)生成布局反過來看，由于本身具有算力能力優(yōu)勢(shì)，云服務(wù)大廠也開始注重多模態(tài)生成的能力建設(shè)，上線圖像生成類產(chǎn)品。以騰訊為例，騰訊的AI繪畫產(chǎn)品作為功能模塊，集成在騰訊云解決方案平臺(tái)上，客戶可選擇開通AI繪畫服務(wù)，便可使用此項(xiàng)功能。目前，用戶可在騰訊云上體驗(yàn)“智能文生圖”及“智能圖生圖”功能，兩種功能每月共提供20次體驗(yàn)額度，正式服務(wù)需接入API使用。騰訊云AI繪畫功能分為PaaS和SaaS兩種產(chǎn)品形態(tài)，PaaS需要二次開發(fā)，SaaS版開箱即用。4.3.3無界AI：“按時(shí)長付費(fèi)”和“潮汐生成模式”彰顯算力底座特性無界AI于2022年5月入局AI繪畫，為國內(nèi)較早起步的AI作畫工具平臺(tái)之一。用戶可通過直接開通會(huì)員享受基本權(quán)益，價(jià)格為100元/月、1000元/年，能實(shí)現(xiàn)文生圖，選擇畫面大小、主題、風(fēng)格等元素，還享有潮汐模式免費(fèi)無限創(chuàng)作、解鎖全部專用模型、存儲(chǔ)無限擴(kuò)容、精繪折扣、選擇更多參數(shù)等會(huì)員權(quán)益。其中，潮汐模式下會(huì)員可以免費(fèi)無限創(chuàng)作?！俺毕Ｊ健庇梢归g生成更便宜的“夜間生成模式”發(fā)展而來，旨在利用算力資源空閑時(shí)段作畫，實(shí)現(xiàn)“以時(shí)間換價(jià)格”。用戶還可開通權(quán)益卡或購買時(shí)長。其中，1）開通權(quán)益卡能獲得更多積分，適用于對(duì)普通文生圖有更多需求（如更多超分辨次數(shù)、更多單張加速次數(shù)）的用戶。2）購買時(shí)長適用于需要更多生成類型（如圖生圖、條件生圖）和功能（如局部重繪、多區(qū)域控制繪圖等）的用戶，即專業(yè)版用戶。按時(shí)長付費(fèi)也是阿里云、騰訊云等AI云算力服務(wù)商常用的收費(fèi)方式，我們認(rèn)為，這在一定程度上，反映出AI圖片生成應(yīng)用與底層算力服務(wù)的高度相關(guān)性。4.4業(yè)務(wù)協(xié)同：看好多模態(tài)生成與原有業(yè)務(wù)有協(xié)同的公司4.4.1Adobe：AI生成工具有望帶來增量付費(fèi)用戶Adobe上線AI創(chuàng)意生成工具Firefly（螢火蟲），或?yàn)锳dobe帶來增量付費(fèi)用戶。Photoshop于2023年3月發(fā)布AI創(chuàng)意生成