实测智象HiDream-O1-Video视频模型

　　近几月，AI视频生成赛道持续升温。7月31日，Seedance 2.5与MiniMax H3同日发布；8月，阿里发布Wan3.0；进入9月，智象HiDream-O1-Video-1.0（下文简称HiDream V1）发布并冲上权威榜单全球前四。

　　短短两个月，多家厂商接连推出新一代视频生成模型，行业竞争进一步加速。以字节Seedance、MiniMax H3、阿里Wan 3.0和智象HiDream V1为代表的中国模型，开始在全球主流榜单头部形成集群。中国视频生成模型正在从“单点领先”转向“多家并进”。

　　其中，智象作为创业公司进入这一竞争区间，也意味着全球视频模型的头部牌桌上，除了大厂和上市企业，开始出现新的玩家。

　　几轮密集上新的背后，AI视频生成也逐渐从单一的内容创作走向影视、广告、电商等诸多生产场景，与此同时，行业竞争的，也开始发生变化。

　　除了对画质、时长和人物一致性等方面的基础要求，模型对复杂运动、物理规律等真实世界的理解，正在成为新的竞争维度。随着视频模型开始处理越来越复杂的动作、空间关系和物理规律，视频生成也成为当前探索世界模型的重要路径之一。

　　9月15日，智象（HiDream.ai）发布了原生全模态音视频生成模型HiDream V1，其图生视频能力在Artificial Analysis排名第4，在Arena.ai的图生视频模型榜单中排名第8，双榜前十，跻身全球视频生成模型第一梯队。

　　相比于榜单排名，更值得注意的是它的位置，从今年4月的HiDream-O1原生全模态架构算起，智象在图像、3D交互、具身方向的模型已相继落地，随着HiDream V1的加入，这套围绕世界模型路线构建的模型矩阵，也补上了视频这一块重要拼图。

　　这款模型的发布，不仅宣告了智象的原生全模态世界模型矩阵路线完成闭环，也在产业角度标志着智象正式跻身视频生成的核心决赛圈。

　　01.

　　听得懂人话，也敢不凑时长

　　现如今，人们使用视频生成工具的常规姿势，是把提示词写详尽：镜头、光线、动作、时长一项项交代清楚。但真实场景里，撰写专业提示词存在门槛，用户给模型的输入常常只是一句口语、一个模糊的念头。

　　在这种情况下，模型能否根据用户偏口语化、细碎、模糊的输入理解意图并生成视频，变得尤为重要。

　　HiDream V1的解法是，在生成前先通过多模态意图理解模块分析用户需求，再调用多模态理解模型进行结构化规划，规划字段覆盖人物、动作、镜头、光影、台词、声音等关键信息，将一句自然语言需求拆解成可执行的分镜信息后，再进入联合生成。

　　其中，时长也是规划的一部分。多数模型的生成时长由提示词预先设定：输入5秒，模型就在5秒窗口内完成内容，动作即使没有结束也只能压缩处理。

　　HiDream V1则让模型根据内容自行规划时长，结合事件展开、动作完成和叙事节奏决定生成长度，原生支持5—20秒任意时长生成。这样一来，时长不再只是固定参数，而会根据内容同步变化。

　　在此基础上，1080p高保真输出保障单镜头画质，为连续叙事提供基础。视频生成也由单纯的“按提示词生成画面”，进一步走向“理解用户意图后组织完整镜头”。

　　为了检验这套机制在真实输入下表现如何，智东西用三个场景做了实测。

　　首先来测试一下意图理解能力，我们用语音输入的方式提供了一段简单的提示词，并附上了一张从故事的中途切入的参考图，看看HiDream V1会怎样编排镜头。

　　其实我们最终想要的就是抚摸小狗、小狗跑走，男生接着赶路这条线，同时，“下班”和“有点累”这两个关键词对主人公的状态存在约束。

　　能看到HiDream V1在生成视频时，根据参考图截取了故事情节，然后精确还原了人与狗的动向。同时在一些细节上，比如男生摸完狗以后手臂搭在腿上，起身时身体微微前倾和打晃等，透露出疲惫姿态。