东北证券发布AI视频生成行业深度报告，系统梳理从GAN/VAE早期探索到DiT架构大一统的完整技术演进路径。2025年AI视频生成技术进入全面成熟阶段，分辨率从64×64跃升至4K，视频时长从3秒扩展至分钟级以上，物理真实感大幅提升。中国团队在全球竞争中表现突出，字节即梦、快手可灵、阿里巴巴等已形成与国际巨头分庭抗礼的格局。AI视频生成正从“单点内容生成工具”向“全链路创作系统”升级，推动传媒行业大规模工业化应用。
从GAN到DiT：AI视频生成技术的四次范式跃迁
AI视频生成经历了四个清晰的发展阶段，每次技术革命都源于图像生成技术的先验突破。第一阶段（2016-2020）是GAN/VAE主导的早期探索，证明了AI生成视频的可能性，但生成的视频分辨率极低（64×64）、时长仅3-5秒，存在严重模糊和时间不一致问题。GAN通过生成器和判别器的对抗博弈来提升生成质量，但训练不稳定、模式崩溃等缺陷在视频领域更加严重。
第二阶段（2020-2023）是扩散模型与Transformer的技术突破期。扩散模型通过“逐步加噪、逆向去噪”彻底解决了GAN训练不稳定的痛点，生成质量显著提升，视频分辨率达到1280×768，时长扩展至10-15秒。视觉Transformer（ViT）将图像切分为token序列，用标准Transformer处理，实现了视觉任务的“大模型化”。这一阶段Runway Gen-2、Pika 1.0等产品开始商业化尝试。
第三阶段（2023-2024）是DiT（扩散Transformer）架构的统一时期。DiT用ViT替换了传统扩散模型的U-Net主干，证明Transformer在生成领域远优于U-Net，且严格遵循大模型缩放定律。2024年OpenAI Sora的发布是里程碑事件，生成时长突破60秒，物理真实感大幅提升，DiT架构成为行业事实标准。
第四阶段（2025至今）是技术成熟期，视频生成开始向理解物理规律、实时交互和多模态融合的“世界模型”演进。生成速度提升至接近实时，最长时长突破5分钟，音视频联合生成成为标配。
AI视频生成模型的核心组件与技术架构
一个完整的AI视频生成模型由多个模块协同工作。文本编码器（如CLIP或T5）负责理解文字指令；图像/视频编码器将视觉数据压缩到潜空间（Latent Space）；生成骨干网络（DiT为核心）在潜空间中进行“创作”；图像/视频解码器将潜空间表示还原为像素画面。
评估方面，自动化指标包括FVD（量化生成视频与真实视频的分布距离）和CLIPSIM（评估视频与文本描述的相关性）。新指标如WCS开始关注时空一致性。人工MOS评分则是评估画质、运动自然度和图文一致性的金标准。当前主流模型已支持1080p-4K分辨率，生成可用率超过90%，大幅降低了创作成本。
中国团队领跑全球，头部阵营格局确立
截至2026年6月，AI视频生成领域国际头部玩家仅剩Google一家，OpenAI已逐步关停Sora的C端服务，Runway自2025年12月发布Gen-4.5后已半年未更新。与之相反，中国团队竞争激烈，模型保持高频更新，性能不断提高。
综合Artificial Analysis、LMArena、SuperCLUE三家榜单，第一梯队包括：Google（Gemini Omni Flash，2026年5月发布，将视频、图像、音乐及交互生成与理解能力融合进单一模型框架）、字节即梦（Seedance2.0，综合能力最强，依托剪映实现“生成-编辑-发布”全链路闭环）、快手可灵（Kling3.0，视频时长和物理真实感顶尖，国际化推进快）、阿里巴巴（HappyHorse-1.0，2026年4月杀入第一梯队，深度绑定电商生态）、生数科技（Vidu Q3，原创U-ViT架构带来极致生成效率）、爱诗科技（PixVerse V6，创意短视频及社交领域优势明显）。
表1：AI视频生成头部厂商对比| 厂商 | 最新模型 | 发布时间 | 核心优势 |
|---|
| Google | Gemini Omni Flash | 2026.5 | 多模态统一框架 |
| 字节即梦 | Seedance 2.0 | 2026.3 | 剪映生态闭环 |
| 快手可灵 | Kling 3.0 | 2026.2 | 视频时长+物理真实感 |
| 阿里巴巴 | HappyHorse 1.0 | 2026.4 | 电商场景深度绑定 |
视频生成技术的未来方向
随着技术成熟，AI视频生成将从“单点内容生成工具”向“全链路创作系统”升级。全流程自动化方面，从剧本创作、分镜设计到成片输出的端到端AI化，有望实现“输入灵感，输出电影”的终极创作模式。实时交互式生成将支持游戏、VR/AR等实时应用场景。3D立体视频生成将直接生成双目立体视频和VR内容。通用世界模型将进化为能够理解和模拟真实世界的通用AI，具备推理、规划和决策能力，为机器人等物理AI应用场景提供智能支持。
