文｜幸芙
編輯｜鄭玄
又一個國内的重要玩家，殺入「文生視頻」這個今年最火的大模型風口。
幾天前，MiniMax 發布了全新的視頻模型 abab-video-1。用戶可登錄其産品「海螺 AI」的網頁版，體驗文生視頻的功能。
盡管是一個晚入局者——繼年初 OpenAI 發布 Sora 後，國内的科技公司紛紛跟進。包括大廠，比如快手的「可靈」、字節的「即夢」等；包括垂直的創業公司，比如生數科技、愛詩科技、智象未來等；也包括模型公司，比如智譜幾個月前就嵌入了文生視頻功能。但 MiniMax 很有信心，「這可能是目前國内最好的視頻大模型。」創始人闫俊傑說。
極客公園一手體驗了 MiniMax 的文生視頻功能，在給定的一系列随機提示詞下，MiniMax 的生成效果令人眼前一亮。而在海外社交平台 X 上，也有越來越多用戶用其生成出驚豔的視頻、并進行了分享。而在 MiniMax 自己釋放出的樣片裏，可以看到這些視頻已經逼近真實的商拍、乃至電影質感。
這正是 MiniMax 更晚推出該功能的原因，爲了在技術上形成數倍、而不隻是百分點的提升。作爲一家技術導向型的公司，MiniMax 相信技術決定産品體驗，這也是它們不着急的原因。
如果說 Sora 到目前還沒有開放使用的機會，那目前 MiniMax 該功能已經完全對用戶開放。當很多國内已經公司針對這項功能收費，MiniMax 仍在免費階段。也就是說，用戶可以免費、且一手體驗這款最接近 Sora 的産品。
在年初與極客公園的一次交流中，MiniMax 創始人闫俊傑表示，Sora 對大模型公司來說是一道「選答題」。因其存在着 PGC、UGC 等不同用法，AI 公司不一定要跟上。不過似乎現在他認爲，這是一道「必答題」——還是出于提高用戶滲透率的考慮。
在年初的訪問中，他提到随着大模型每次拓展模态，用戶滲透率就會提升，因爲文字隻是人類信息交互中的極小一部分，聲音、圖片、視頻等模态也同等重要。MiniMax 的願景是讓 AI 爲普通人所用，提高用戶滲透率是他最看重的事情。在這道「必答題」上，MiniMax 看起來交出了一份不錯的答卷。
在不同的 prompt 評測中，MiniMax 文生視頻功能都保持領先
打開 MiniMax 文生視頻産品的官網，會發現它出奇的簡單。如果說其他産品都給用戶提供了許多選項，比如視頻時長、視頻比例、模式選擇、運鏡方式、情感氛圍等。但 MiniMax 的産品非常簡單：輸入一段文字（prompt），直接生成視頻。
筆者直接嘗試了一段 prompt：「兩位都市白領手裏拿着星巴克咖啡，走在日光沐浴下的街道，她們本來表情平靜地聊着天，突然一起笑了起來。」在這段 prompt 裏，我既要求了人物的細節動作，比如手拿咖啡；也要求了場景的表現力，比如日光沐浴的街道；還有人物的表情，比如平靜和微笑。這都是目前文生視頻産品的技術難點。
僅就這段 prompt 的表現來看，MiniMax 的文生視頻功能幾乎完勝：兩位人物無論是微笑的表情、還是拿咖啡的手部動作，都非常自然、沒有變形，它還原了日光沐浴的場景，同時也還原了「星巴克」标識。
但再看其他産品：某熱門産品生成的咖啡杯是變形的、人物的表情也是變形的；某産品雖生成很自然，但漏掉了「星巴克」标識；另外某産品也是人物完全變形、咖啡杯完全變形；某産品人物稍微變形，漏掉了「星巴克」标識；某産品生成的視頻毫無穩定性，也沒有清晰度可言。
在筆者的指令下，最上爲 MiniMax 的文生視頻效果；下面兩張爲其他國内熱門文生視頻産品的效果 | 圖片來源：極客公園
此外，筆者又嘗試了其他不同的 prompt，包括神情愉悅地打字的女孩等，最終 MiniMax 的文生視頻功能都表現更爲出色。如果說文生視頻最重要的是對現實世界的模拟，那麽可以看到，它對于真實世界的模拟會更好，同時也能輸出更逼近真實的視頻效果。
在 X 社交平台上，不少海外用戶使用完 MiniMax 的文生視頻産品後也評價很高。比如用戶 @ryan_morrison 提到，「它的手部動作是我見過的最自然的。」用戶 @hortega_andre 提到，「它的手部動作和面部表情是我見過的最自然的。」
專門探索用 AI 制作電影的用戶 @Machine Mythos，則用 MiniMax 文生視頻制作了一則名爲《地獄之地》的微影片。該視頻時長 2 分 20 秒，講述了一個男子開車行駛的過程中，發現曾經人流交織的街道，現在已經被僵屍占據。「我的上一部電影是我迄今爲止最現實的電影，我沒想到它會這麽快就被超越。」Mythos 這麽評價道。
@Machine Mythos 制作的《地獄之地》微電影 | 圖片來源：X
筆者注意到，它上一部電影發布于一個月前，是用國外領先的視頻模型 Runway 的 Gen3 版本生成。但就影片真實效果而言，MiniMax 更勝一籌。
「我們内部評測，包括跑一些分，應該比國外 Runway 有更好的效果。」闫俊傑說。
三大核心技術指标：文本響應好、壓縮率高、風格多樣
在表層的用戶體驗之下，MiniMax 将其文生視頻的優勢總結爲：一、壓縮率高；二、文本響應好；三、風格多樣；四、可以生成原生高分辨率、高幀率視頻，也就是接近電影大片質感。
關于文本響應好，它指的是産品的指令遵循更好。比如筆者在 prompt 中強調了星巴克，幾乎隻有 MiniMax 的視頻模型把這個标識體現出來了。MiniMax 稱，這主要得益于其模型在文本上的不斷積累。
關于壓縮率高，它指的是對高動态、變化多的信息有較好的表現力。比如 @JingXiangZ 給的指示是：「廣角鏡頭中，一個長着猴頭的肌肉男，赤裸上身，騎着電動滑闆車穿過城市街道，然後飛上天空。」在最終的效果裏，猴頭、肌肉男、赤裸上身、以及迅速穿梭于城市的街景變化都得到了展現。
關于風格多樣，指的是無論電影大片場景、動畫，無論是中式風格還是科幻、美漫等，它都可以駕馭。比如 AI 藝術家 @vladimircherner 生成的視頻裏，既有卡通動畫、也有真實走秀、還有寫實電影、甚至科幻電影等。
用戶 @vladimircherner 用 MiniMax 生成的視頻 | 圖片來源：X
最重要的一點是能生成原生高分辨率、高幀率視頻，這意味着視頻能接近電影大片質感。目前，MiniMax 已經釋放出一些通過 prompt 做出來的電影、廣告片，效果令人驚豔。
比如有一段是星際大戰的預告片、有一段是宣傳沙發像雲朵一樣柔軟的廣告片、有一段是高速俯拍街道的電影片段、有一段是雪崩救援的記錄片、還有一段是名爲《魔法硬币》的科幻片——它講述了一個小男孩通過一枚寫着 MiniMax 的硬币，在不同時空進行穿梭的過程。無論是加勒比海盜的船上、還是多元宇宙、還是萬裏長城、還是北極熊身上、又或者是森林的豹子身上，所有的場景都非常逼真。
看完這些視頻，一個很直接的感受是，已經不太能看得出它們是 AI 做出來的。這意味着在視頻生成效果上，MiniMax 取得了關鍵性的突破。
極緻的技術，才有極緻的用戶交互
闫俊傑介紹，MiniMax 之所以在文生視頻賽道更晚入場，原因是公司希望在技術上形成絕對優勢。在他看來，不管是視頻、文本、聲音，核心不是在算法上提升 5%、10%，而是要看能不能提升幾倍。「如果能提升幾倍就一定要做出來，如果隻提升 5% 就不太值得做。這是我們做研發的思路。」他說。
在他看來，在文生視頻這件事上，技術能提升幾倍的核心關鍵是，提高壓縮率的問題。訓練視頻生成能力時，模型需要先把視頻變成 token，但這個 token 會非常長，導緻複雜度很高。因此，MiniMax 團隊在算法上主要解決的是，怎麽把壓縮率變得更高、把 token 的複雜度降低。這花了他們很多的精力，因此比同行晚了近一兩個月。
團隊發現，當算法變得更強的時候，産品的效果确實好了很多。在文生視頻這件事情上，再次印證了闫俊傑所說的，技術決定産品。
MiniMax 的文生視頻功能 | 圖片來源：MiniMax
對于 MiniMax 而言，對技術重要性的認識是不斷提升的。當技術水平提高時，用戶的活躍度會增加；當技術出現失誤，用戶活躍度在降低。「當技術做不好的時候，所有東西都是問題。當技術做好了，所有問題都被掩蓋了。」闫俊傑說。這兩年時間，他已經意識到技術是科技公司最核心的要素。
他認爲，創業公司相較于大廠而言最重要的優勢隻有兩點：一是技術的提升，二是與用戶的交互，而這兩者互爲表裏，所謂「産模一體」，技術服務産品，産品也會反哺技術。
MiniMax 在全球擁有多元化的用戶分布。據 MiniMax 介紹，其每日與全球用戶進行超 30 億次交互，處理超 3 萬億文本 token、2000 萬張圖片和 7 萬小時語音，大模型日處理交互量居國内AI公司首位。
目前 MiniMax 公布的文生視頻功能隻是第一版，接下來它在産品功能上還會有更多的更新。比如現在隻提供了文生視頻功能，接下來還會有圖生視頻、文 + 圖生成視頻、可編輯的可控性等等。而等新的東西出來，以及到達更滿意的狀态之後，MiniMax 可能會考慮一些商業化動作。
作爲國内幾乎最早成立的大模型公司之一，MiniMax 從成立起就确定了要将 AI 普及普通人的目标。爲此，這家公司沿着文本、音頻、音樂、視頻等不同模态拓展，用技術突破帶來更好的用戶體驗。而如今，它推出驚豔的文生視頻功能，也意味着它在這條路上又踏上了一個新的台階。
