字节跳动把 Seedance 2.0 Mini 推到台前，最直接的信号不是“又一个视频模型来了”，而是视频生成正在进入价格、速度、工作流同时较劲的新阶段。官方给出的最低 0.16 元/秒定价，加上更快生成、多模态参考素材和即将开放的 API，让视频模型从少数创作者的尝鲜工具，进一步靠近内容团队、营销团队和应用开发者的日常生产系统。
这条主线旁边，OiiOii 2.0 在降低 AI 视频创作门槛，复旦与腾讯提出 Baton 解决音画同步，KIVI-Bench 把知识密集型视频生成的短板摆上台面，美图与高校团队则尝试让 DiT 更懂 3D 空间。几件事连在一起看，AI 视频已经不只是“生成一段好看的画面”，而是在向更便宜、更可控、更可复用、更能进入业务流程的生产基础设施演进。
价格战打到视频模型
Seedance 2.0 Mini 的核心看点，是把视频生成的经济账重新摆到桌面上。过去视频模型常常被当成能力展示：谁能生成更长的视频，谁能保持更稳定的角色，谁能做出更逼真的镜头语言。但一旦进入真实使用场景，用户很快会追问另一个问题：每秒多少钱、等待多久、失败重试成本谁承担、能不能批量接入业务。
0.16 元/秒这样的价格，会让不少原本只敢少量试用的团队开始重新估算投入产出。短视频广告、产品展示、活动物料、课程片段、游戏素材预览、电商内容测试，都可能需要大量低成本视频草稿。价格降低不等于质量自动达标，但它会改变使用方式：从“精挑细选生成一次”变成“快速生成多个版本再筛选”，这对内容工业化的影响更大。
速度决定创作流程
视频生成的速度提升，表面上影响的是等待时间，本质上影响的是创作者的迭代方式。图像生成可以一轮轮改提示词，视频生成过去因为成本和耗时更高，很多人会在尝试几次后放弃。模型如果能更快返回结果，创作者就能像剪辑一样不断试镜头、试节奏、试角色动作，而不是把每次生成都当成一次“开奖”。
Seedance 2.0 Mini 支持多模态参考素材，这一点也很关键。真实创作并不是从一段纯文字开始，团队往往已有角色图、产品图、分镜、Logo、旧视频、品牌色和场景参考。视频模型能否吃进这些素材，并保持主体、风格和动作逻辑，是它从玩具走向生产工具的分水岭。生成速度越快，参考素材越稳定，视频模型越可能嵌入现有剪辑和营销流程。
工作台正在补齐
模型本身变便宜之后，竞争不会只停在 API 参数上。OiiOii 2.0 新增智能画布、拉片复刻和 Skill 库，说明视频创作者真正需要的是一套工作台，而不是孤立的生成按钮。普通用户不想理解模型参数、镜头术语和复杂节点，他们更希望把想法、参考片段、脚本和素材拖进一个界面里，然后由系统辅助拆分步骤。
这也是 AI 视频落地绕不开的一环。模型负责生成能力，工作台负责把能力变成流程：从脚本到分镜，从角色设定到镜头复用，从配音音效到字幕包装，从版本管理到团队协作。谁能把这些环节连接起来，谁就更接近真实的内容生产现场。单个模型再强，如果用户每次都要手工搬运素材、反复改提示词、再去别的软件修补，效率优势就会被抵消。
音画同步成为硬指标
复旦与腾讯提出 Baton，用语义蓝图指引来改善复杂场景中的音画同步问题，这个方向击中了 AI 视频的另一个痛点。很多生成视频第一眼足够惊艳，但仔细看会发现人物动作、环境声音、口型、节奏和事件顺序对不上。对于娱乐短片，这可能只是瑕疵；对于广告、教学、产品演示和剧情内容，它会直接影响可用性。
音画同步不只是“声音和画面对齐”这么简单。真正可用的视频生成，需要知道某个动作什么时候发生，声音从哪里来，镜头切换后事件是否延续，角色说话和表情是否一致。Baton 这类方法把“语义蓝图”引入生成过程，说明行业正在从单纯追求画面质感，转向追求内容逻辑。视频模型要进入生产环节，必须让创作者相信它不是随机拼接漂亮画面，而是在按脚本执行。
评测开始变严格
KIVI-Bench 针对知识密集型视频生成做评测，也提醒行业别被演示片段冲昏头脑。1080 条提示词、7 款主流模型的对比结果显示，当前视频模型仍存在系统性错误，尤其在需要知识理解、事件关系和准确表达的任务上，离“好看、好用又准确”还有距离。视频生成越便宜、越高频，这些错误就越不能被忽略。
过去的 AI 视频演示常常挑选最容易出效果的场景，比如风景、人物慢动作、科幻城市和镜头推进。但真实业务会提出更具体的要求：产品结构不能错，步骤顺序不能乱，品牌元素不能变形，人物动作不能违背常识，知识内容不能胡编。评测越严格，越能逼着模型厂商从视觉冲击转向可靠交付。对企业用户来说，这比单次演示惊艳更重要。
空间理解也在加速
美图影像研究院与高校团队提出 PE-Field，让 DiT 更好感知和控制 3D 空间，这类研究看似偏底层，却会影响未来视频生成的可控性。视频不是静态图片连续播放，它涉及镜头运动、人物位置、空间遮挡、光照变化和物体关系。模型如果缺乏稳定的空间理解，就容易出现人物穿模、场景漂移、镜头逻辑混乱等问题。
当视频生成走向影视预演、广告分镜、游戏资产、虚拟直播和 3D 内容生产，空间一致性会变成核心能力。创作者希望同一个角色能在同一个房间里连续行动，希望镜头推进时桌椅、门窗和道具保持合理位置，也希望后续编辑能控制空间而不是被模型随机性牵着走。底层空间表示的进步，会让视频模型从“会画动态画面”进一步变成“理解动态场景”。
视频模型进入应用层
AI 视频这一波变化，最值得关注的不是某个单点能力，而是模型、工作台、评测、音画同步和空间理解正在同时推进。Seedance 2.0 Mini 把价格和速度压力打出来，OiiOii 2.0 代表创作工具补流程，Baton 和 PE-Field 代表研究端补控制能力，KIVI-Bench 则让行业看到真实可用性还有多大差距。
接下来的视频模型竞争，会越来越像一场完整系统竞争。便宜只是入场券，速度只是体验基础，真正决定用户留下来的，是能否稳定服务一条创作链路：从想法到脚本，从素材到分镜，从生成到修订，从个人创作到团队协作。谁能把这些环节做成低成本、低门槛、可追踪、可复用的生产系统，谁才有机会把 AI 视频从热闹的演示，带进真实内容产业。
