剪辑师打开一段店员对着镜头说话的片段。嘴形跟着台词走,手随句子动,声音停顿时环境音依旧平稳。没有后期配音。
这是一家更以向银行卖软件出名的公司给出的承诺:范式智能的新视频模型。
发布了什么
2026年11月18日,范式智能技术集团股份有限公司(6682.HK,原第四范式)在北京的十二周年活动上发布了两款Phai系列模型。
- Phai-A1是面向代码开发和助手任务的模型。公司称它在单张RTX 3090显卡上比Qwen 27B快约8至10倍,支持原生100万token上下文,可在个人电脑上运行。
- Phai-M1是面向真人影视场景训练的视频生成模型。公司称它一次生成声音和画面,720p下生成15秒片段约需3分钟,并改善了面部表情和肢体动作的自然度。
公司还点名了接入的应用:PhanRouter、ModelSphere、Phanthy、PhanthyMovie和PhanthyCode。2014年创办公司的戴文渊把发布描述为从单模型能力竞争转向协调算力、模型与应用的一步。
两款模型都在华为昇腾平台上做了训练和后训练。这个细节很重要:对中国企业买家来说,能在国产硬件上适配,越来越是采购要求,而不是宣传话术。
声音和画面一次生成为什么重要
多数AI制作的视频仍把两件事分开做:模型生成无声画面,另一套系统配音或做音乐,剪辑师再对齐。接缝会露出来——嘴形漂移,镜头之间底噪变化,呼吸和话语停顿对不上。
一起生成消掉了其中一处错配来源:模型必须在决定画面的同时决定声音,更难,但更连贯。Phai-M1列出的用途——数字人、短视频和广告素材——恰是可见错配代价最高的地方。一条口型对不上的15秒广告不是技术猎奇,而是不能用。
3分钟这个数字值得加注脚。它描述的是公司自测条件下的720p片段,没说要重试几次、更高分辨率会怎样、面对多个说话人如何。对排期做短剧的团队来说,这些未知数比头条速度更重要。
真人感的问题
中国视频模型在2026年一直在比长度、分辨率和参考图控制。Phai-M1瞄准的是另一个弱点:从业者说的"塑料感"——脸部扭曲,手上少手指,所有物体都像打着同样的柔光。
公司称它专门用真人素材训练,针对表情和身体动作优化。这个目标合理,因为真人素材正是视频模型遇到付费客户的地方:广告公司和短剧工作室关心的不是基准分数,是客户收不收片子。
但"少一点塑料感"是定性说法,公告没有盲测、用户研究或与竞品的并排评测。第三方测试之前,诚实的描述是它在瞄准真实感,而不是已经实现了它。
开源权重的问题
一些报道把这次发布形容为"已发布并开源"。据科技媒体报道的公司声明,它计划近期把权重放到Hugging Face和魔搭(ModelScope)上。
两者不是一回事:带托管访问或通过自家应用使用的发布让你能试用,带权重的发布让你能检查、做基准、微调和本地运行。这决定了说法能否被独立核实。写作时我没有找到已发布的Phai权重,因此把性能数字当作公司陈述。
它处在什么位置
Phai-M1进入的是拥挤赛道。可灵、Seedance、万相和Vidu都在2026年发过视频模型,有些片段更长或分辨率更高,单在这些维度上竞争会很艰难。
范式智能的角度是整合:它卖企业软件,Phai模型已接进自家套件。对银行或零售商来说,嵌在现有流程里的视频模型,可能比榜单冠军更有价值。这是分发逻辑,不是技术逻辑——而分发常常决定最终用哪个模型。
关键要点
- 范式智能11月18日在北京发布Phai-A1(语言)和Phai-M1(视频)。
- Phai-M1一次生成同步音视频,公司称15秒720p片段约需3分钟。
- 两款模型都在华为昇腾平台上优化。
- 模型已接入公司自家应用,但承诺的Hugging Face和魔搭权重在发布时并未提供。
诚实的局限
本文所有性能数字——8至10倍加速、100万token上下文、3分钟生成时间——都是公司自己的陈述,我没找到任何一款模型的独立基准。
开源权重问题存在来源差异:一些标题称发布即开源,据科技媒体报道的公司说法则承诺权重"近期"放出,我采用公司措辞。若此后权重已出现,读者应核实当前状态。
我没有测试Phai-M1,也无法确认自家应用之外是否有公开演示。材料没有公布定价,无法比较单条成本;没有金额,不涉及美元或港元换算。
普通人现在能做什么
- 在把某个基准当成已验证之前,先确认权重是否存在。"即将放出"和"已可获取"是两种状态,只有后者允许独立测试。
- 做视频工作,就用自己的素材测口型。在工作室演示里惊艳的模型,可能在侧光加两位说话人的产品镜头上翻车。
- 问一个模型接入了什么,而不只是它能做什么。一个嵌在可用生产流程里的平庸模型,常常胜过需要新建流水线的更好模型。