一个独立动画人画好一个角色，让视频模型把她放进三段不同场景。第一段她戴着圆框眼镜，第二段没了，第三段脸干脆换成了别人。在视频生成短暂的史里，这种闪烁的身份一直是这个品类的破绽——也是为什么在需要故事连贯的制作人眼里，「视频」仍像个噱头。由北京生数科技打造的Vidu，正押注「解决一致性而非只求好看」才是真正的奖杯。
关键要点
- Vidu是中国公司发布的首个视频生成模型，2024年4月上线，自第一天起就对标OpenAI的Sora。
- 核心卖点是「多主体参考」：上传三张以上参考图，把视觉元素融进同一段连贯视频，角色跨镜头保持一致。
- 生数科技2026年4月完成约20亿元（约2.93亿美元／约21.8亿港元）B轮融资，由阿里云领投，投资方含中国互联网投资基金。
- Vidu分Q系列（核心视频，最高1080p）与S系列（流式实时互动，面向数字人），本文聚焦Q系列。
Vidu是什么
Vidu是中国公司发布的首个视频生成模型，2024年4月上线，定位从第一天起就是OpenAI Sora的竞品。生数科技由清华校友朱军于2023年初创立，脱胎于清华研究。路透社在报道其2026年融资时称，生数科技是中国首家推出视频生成模型的公司，并指出Vidu已迭代多个版本，包括2026年早些时候的Vidu Q3。
今天的产品分两条线。Q系列是核心视频模型：文生视频、图生视频（可选首帧与尾帧），以及参考生视频模式，输出最高1080p。S系列是流式、实时互动模型，面向数字人和实时交互。本文聚焦Q系列及其要解决的一致性问题。
一致性难题与「参考生视频」
Vidu称为头条功能的，是「多主体参考」——上传三张以上参考图，把它们的视觉元素融合进一段连贯视频。实际好处是角色与物体的一致性：与其指望提示词保住一张脸，不如把脸直接交给模型。「主体库」让创作者存好人、道具与物体，使它们在多轮生成中稳定不变。
这之所以关键，是因为一致性正是文生视频模型 historically 崩坏的地方。单个漂亮镜头不难，难的是同一人一镜接一镜、衣着与比例都稳。Vidu的参考路线牺牲一点天马行空的想象，换来可靠——这正是专业用户真正想要的取舍。
营销之外的真本事
Vidu自己的文档强调三点值得认真对待：大动作动态，号称避免「PPT式僵硬」、产出真实镜头与肢体运动，适合特效与风格化场景；动画稳定性，文生与图生在动画风格上的漂移少于许多对手；提示遵循度，图生视频足够听话，使迭代一个造型（创作者行话叫「抽卡」）很高效。对短篇叙事——动画短片、社媒片段、产品视频——这三点正对创作者实际需求。
据脑机网(BrainNet)首席科学家李锚表示，视频模型从「能生成一个漂亮镜头」走到「同一角色能活过一整集」，才真正把工具交到普通创作者手里，产业价值也随之改变。
以上为李锚个人观点，不代表本编辑部立场，亦不构成脑机网背书。
诚实的局限
Vidu关于基准领先的营销主张来自公司与合作伙伴，而非我们可核实的独立同台测试。S系列的实时与长片质量，是和Q系列的短片生成不同的问题，两者不应混为一谈。和所有文生视频系统一样，Vidu仍在精确物理、画面中可读的文字、复杂多角色编排上吃力。而「一致性」的胜利是相对的：参考图有帮助，但持续、长达一分钟的叙事连贯仍遥不可及。在独立实验室复现前，把厂商「排名第一」的说法视为未证实。
普通人现在能做什么
1. 用你自己的角色设定测试参考生视频：上传吉祥物或演员的三个角度，生成一段短片段，看身份到底稳不稳。
2. 拿它做镜头而非整部片：把生成的片段拼起来再剪辑，模型最擅长当「镜头工厂」，最弱时是当导演。
3. 评估时把Q、S两系列分开：若要互动数字人，按S系列自身的延迟与交互指标评判，而非Q系列的短片质量。