
如果 AI 不能帮助客户实现 DAU、收益的增长,模型本身就没有意义。
编辑|孟雯
做视频的模型越来越多,一个共同问题摆在所有人面前:通用基座的能力越来越强,接下来真正的战场在哪里?
腾讯云给出的答案不在通用基座上,“通用场景的能力现在已经不是行业痛点,但通用基座模型在垂直场景里面还有很多 bad case 没有解决。”
基于这个判断,腾讯云音视频把二十多年的技术积累打包成 WAND 产品家族,并推出应用侧系列模型 WAND-Vega,它不是从零训练一个基座,而是基于混元等开源主流基座做后训练调优,专门解决垂直专业场景的问题。
账也算得很清楚,做一部短漫剧,从分镜到成片大概要抽十次卡,十次生成里只有一次能拿到满意效果;而叠加 WAND 的全套技术后,头部客户的内容可用率能提升到 80%,综合成本随之大幅下降。对关注成本的客户,在效果对齐行业主流的前提下,成本还能再低 20%-30%。
刚结束的 2026 腾讯全球数字生态大会上,腾讯云副总裁、媒体 AI 产品负责人李志成,腾讯云 WAND 多模态应用负责人朱琳,与 TAPNOW、智象元一、紫讯科技、漫森文化、山海星辰、多模态媒体实验室等客户伙伴一起,接受了奇点研究社等多家媒体的采访,从Vega 的定位一路聊到版本策略、Agent 融合和出海打法。
以下内容根据采访对话整理,略经删减和编辑。
“通用场景已不是行业痛点”WAND-Vega 为什么不做基模
Q:WAND-Vega Video 是一个非常新的模型,大家对它比较陌生。它的几个分支在定位上,是更倾向于行业前沿模型的超强画质,还是更偏向性价比?有没有公开的 benchmark 做对比?
腾讯云副总裁、媒体AI产品负责人李志成:WAND-Vega 是基于混元基座模型加上行业里一些优质开源模型,做后训练、强化调优得到的,它不是一个通用基座模型,和市面上的通用基座模型有区别。通用场景的能力现在已经不是行业痛点,但通用基座模型在垂直场景里面还有很多 bad case 没有解决,所以我们推出面向专业场景的模型。
至于主打性价比还是性能,这两个方向我们都兼顾。对于关注成本的用户,在效果基本对齐行业主流模型的前提下,我们这边的成本能够低 20%-30%。
而对于更看重效果的客户,行业头部的高性能模型,在光影、物理规律复杂的影视场景,出卡成本很高,还解决不了部分场景问题。我们四五年前视频云就有云渲染团队,积累了云渲染经验,做了实时白膜产品:在视频生成过程中,先用 3D 软件生成简单白膜视频,把 3D 物理规律、背景全部确定,再交给模型生成视频,效果非常好,也解决了物理场景复杂的 Bad Case。
不管是 WAND 还是腾讯的各类模型,最终目的是给用户创造有价值的解决方案,带来收益增长。如果 AI 不能帮助客户实现 DAU、收益的增长,模型本身就没有意义,这是我们做产品的出发点。
Q:现在多模态模型生成的画面越来越好,但单次生成的成本不等于最终成果的成本。WAND-Vega 如何减少生成过程中的返工和算力消耗?帮助客户降低约 20% 内容生产综合成本,这笔账具体是怎么算的?
腾讯云WAND多模态应用负责人朱琳:这个问题包含多个环节,我分开拆解。Vega 是一个应用侧的系列模型,并不是对标基础大模型,我们追求的是基座模型加 Vega 实现 1+1 大于 2 的效果。
举个大家比较关注的子能力:画质增强。画质增强在音视频领域已经发展很多年,早在 AI 基座模型爆发之前就已经存在。早期我们把这项技术用于央视、腾讯视频的老剧集,比如七八十年代的老剧,通过增强修复让内容适配新媒体载体播放。
随着 AI 到来,技术进化成生成式,画面可以从无到有创造。很多客户在使用增强能力的时候只做到画质跃迁,随之提出新的需求:增强能力能不能做擦除修复?画面崩坏是目前所有基座模型都没办法百分之百解决的问题。
根据行业经验数据,做一部短漫剧,从分镜到成片,大概需要十次抽卡,十次生成里面只有一次能拿到满意效果。客户不管是使用白模前置,还是完成剧本分镜之后,如果叠加上 Vega 模型和 WAND 的全套技术,把擦除修复、生成式增强融合进去,能够显著提升内容可用率。
头部客户比如 TAPNOW、漫森文化给到我们的反馈,内容可用率能够提升到 80%。也就是说十次生成里面,有七到八次的完整成片可以一次成型,以此实现综合成本的大幅下降。
Q:Vega Video 是用来解决垂直场景 SOTA 模型的 Bad Case,那能不能把它理解成主打视频编辑的模型?另外听说 Vega Video 有多个版本,Light、Pro,同时 1.0 Pro 和 1.5 Pro 同时上架,这些版本之间的区别是什么?
李志成:WAND-Vega 并不是只做视频编辑,行业已经有很多优秀的生成基座,通用场景能力可以满足需求。我们做 Vega 的核心,是解决现有通用基座在垂直专业场景解决不好的问题。腾讯云同时也提供通用场景解决方案,Vega 重点补的是垂直边缘场景的短板。
关于版本数量过多的问题,是产品迭代探索阶段出现的问题。一开始针对不同垂直场景单独出版本、单独定价,版本过多会让客户不知道怎么选择,使用复杂,没有给用户创造价值。后续版本会做收敛,不会维持大量独立版本、独立定价。
朱琳:我补充澄清。WAND-Vega 核心两大版本就是 Light 以及 Pro。Light主打性价比,Pro 追求最高效果,这是市场的两类真实需求。
一部分客户走批量生产路线,优先考虑成本,能够实现商业盈利就可以;而像TAPNOW 这类严肃专业创作平台,就会选用 Pro 版本优先保障效果。AI 云服务单价相比传统云服务仍然偏高,很多商业化客户还在高速成长。
至于大家看到的 1.0 Pro、1.5 Pro 这类衍生版本,属于产品小步试错的探索阶段。不同合作伙伴诉求不一样,为了分层服务客户,会有阶段性差异化版本。整体产品路线是先探索试错,后续收拢归一。这些阶段性版本不会直接下线,因为有企业客户正在线上稳定使用,腾讯云会保障已上线版本长期稳定运行。部分客户不追求绝对行业最新,更看重模型和自身业务的适配,只要有客户在用,我们就会持续维护服务。
“不是我们主动挑选行业,而是行业选择我们”
Q:Vega 覆盖了十多个行业,接下来拓展能力的逻辑是什么?怎么去选择新的行业,如何确定垂类模型训练和功能迭代的方向?
李志成:选择行业,我们逻辑比较直接:看哪些行业能够给客户、也给腾讯云带来更多业务收益。现在我们重点做电商、工具平台、短漫剧。海外不管是推理服务还是内容供给平台,从我们接触客户来看,大部人从业者都是华人。
做垂直模型、垂直解决方案,核心目标是做出差异化,给客户创造实际价值。国内大家会很关心底层用了什么模型;但海外客户占我们业务一半左右,海外客户不太关心底层模型,他们更关注解决方案能不能帮自己解决业务问题、创造商业价值,这是我们的出发点。Vega 本身不是从零打造通用基座,而是基于混元、开源基座做后训练调优,专门解决现有模型解决不好的垂直场景问题。
除了电商、工具、短剧这三块,海外推理平台、Agent 相关工具领域机会很大,现在这块从业者很大比例也是华人。再过几年,普通终端用户不会区分底层是大基座模型还是 Agent 方案,对使用者来说最终就是工具。
Q:想问紫讯科技杜总,过去六到十二个月,AI 生成素材的成本下降趋势是否明显?你们和商家如何结算收费?商家和海外消费者的反馈怎么样?
紫讯科技联合创始人杜玉生:以我们服务的跨境电商 B 端客户为例,客户拿生成素材做广告获客。接入 Vega 之后,有两个明显指标变化:图片素材的有效使用率从 50%-60%,稳定提升到 70%-80%,还在继续提升。同等业务效果下,卖家成本下降。
AI 也帮助卖家降低人力投入。跨境电商核心是人、货、场,美工设计师人力成本很高。半年前,AI 辅助完成的设计工作量约相当于 4–5 名美工的产能,如今已提升至 8–10 名美工的产能,半年间辅助创作能力提升约一倍,让设计人员能够将更多精力投入创意和内容优化。跨境卖家并不关心底层 AI 模型技术细节,他们只关心最终素材能不能带来业务效果,这也是我们持续和 Vega 合作的核心原因。
Q:在漫剧、短剧制作全流程当中,WAND 具体介入哪些环节?接入之后,单部作品的制作周期、成本有哪些优化?对比其他模型,WAND 有哪些独特优势?
漫森(深圳)文化传媒AGM谭琳:WAND 深度嵌入我们自研中台,整体是 Agent 自动调用工作流的模式。剧本、分镜、画面生成、后期处理、剪辑全链路都会调用 WAND 相关能力,包括 Vega Video、Enhance 画质增强等,不需要业务侧单独逐个节点手动调用,由工作流自动触发。
成本优化很明显,传统真人剧单部成本大概 150 万,AI 短剧整体降本 90%。如果不用 WAND,镜头可用率大概 30%;接入 WAND 之后镜头可用率可以达到 50%-80%,精细化运营可以稳定维持 80%。我们做精品短剧,单部成本在 10-20 万区间。WAND 把创作者从画质修复、字幕校对这类细碎重复工作里面释放出来,人力可以投入创意环节。内部使用之后,除了可用率提升,还可以节约 30% 成本,整体提效 30%。
对比市面多款产品,WAND 最大优势是全链路打通的模型底座,针对短剧场景做过定向训练。字幕擦除、画质增强很多厂商都有,但针对短剧垂直场景调优是 WAND 的核心优势,这也是我们选择 WAND 的关键。
山海星辰传媒集团AI 产品负责人韩西伦:山海星辰是微短剧产业全链路平台,国内短剧月均票房基本都在 3.5 个亿左右,爆款率 40%,海外 Stardust 覆盖全球差不多两百多个国家。我们基于对短剧行业的 know-how 自研了 Nova AI 一站式内容生成平台,包含剧本拆镜头、素材生成、分镜生成、合成视频的全链路能力。在这个环节当中,视频生成、画质增强这些重要环节,我们都期待跟 WAND 有更多的合作。
模型和 Agent 的边界正在消融
Q:现在 AIGC 工具,很多创作者反馈各家差异不大,更多停留在讲故事层面。AIGC 工具接下来会有哪些发展方向?能不能通过工具提升内容叙事能力,解决创作者实际痛点?
TAPNOW联合创始人曹如盛:从 TAPNOW 视角来看,模型和 Agent 之间的边界正在模糊。给客户交付的是解决问题的能力,能力可以来自模型,也可以来自单个或者多个 Agent 组合。TAPNOW 面向严肃商业视觉 AIGC,不是娱乐创作场景,所以对稳定的基建、稳定的模型供给要求很高。
基于这个需求,我们上线了面向创作者提效的 Agent 产品 Creative OS,已经上线半年。两个月前统计,TAPNOW 平台 82% 的视频模型调用是由 Agent 发起,现在这个占比还在升高。
过去大家需要手动搭建画布节点,现在很多环节不需要手动操作,效率得到提升,能力门槛也在下降。但这不代表仅仅口述需求,Agent 就一定能直接输出完美结果。我们也在做配套产品:在画布,或是钉钉、飞书这类 OA 工具完成授权之后,在团队会话里面艾特 TAPNOW 机器人,就可以直接基于团队沟通快速生成内容。
另外就是前面提到的白膜方案,我们做了 CD map 产品,实现秒级“言出法随”。你只需要语音描述场景,比如西部小镇、江南水乡、下雪、春节;曾经有保险客户口述“春节放炮发生意外,救护车赶到现场”,系统就会生成对应的白膜世界,再交给 WAND-Vega 或者其他模型做视频渲染,尽量减少反复抽卡。
还有一个普遍痛点:拍摄素材很容易,剪辑成片很痛苦,大量素材堆积。我们马上会推出新产品:你提供素材,用自然语言描述剪辑要求,例如“剪出 30 秒高光片段”,就直接输出成片。未来 AIGC Agent 方向,就是要提供更专业、高效、高质量输出的能力。
智象元一(HiDream.ai)商务副总裁沈伟峰表示:智象依托自主研发的原生全模态大模型底座,搭建起从基座大模型、企业级模型服务平台到智能体(Agent)的完整体系。
面向产业落地,已推出商业营销智能体 HiBurst、影视创作智能体帧赞、内容创作智能体 vivago R1,覆盖营销、影视、内容创作等领域。
不同产品对应差异化的用户诉求:普通创作者更关注内容最终生成效果;专业影视团队除成片品质外,对创作全链路的可控性、准确性、可编辑性有着更高要求,通过结合腾讯云WAND的擦除修复、画质增强等能力,帮助创作团队减少返工、提高内容可用率、降低制作成本。
沈伟峰判断,长期趋势下,用户的关注点将逐步脱离底层模型本身,回归交付成果。行业竞争,也正从单点模型的参数竞赛,转向全链路系统协同能力的比拼。
山海星辰传媒集团AI 产品负责人韩西伦:站在山海星辰传媒角度,目前 Agent 大多还处在 L3 层级,距离 L4 自主创新级还很远。超级 Agent 有两个可预见趋势:第一是主动感知,不再局限在对话框输入指令,Agent 可以感知文件、对话上下文,比如聊完一个剧本,主动给创意提案;第二是 All-in-one 统一交互入口,音频、图片、视频、文字全部在同一个会话完成,意图识别能力变强。我们还发布了剧本 Agent,沉淀喜剧、短剧行业经验与 skill。
短剧往往在第三集之后流失率快速上涨,剧本 Agent 可以参考真人、海外短剧数据,反向优化剧本,保障前三集吸引力,适配不同地域文化。
Q:WAND 下一步更新迭代方向是什么?是基座模型迭代,还是沉淀数据、深耕应用场景?
朱琳:WAND 有两大核心优势:第一,继承腾讯二十多年音视频积累,图像、视频、语音能力沉淀是我们的核心;第二,坚持开放生态,和市面主流基座、工具、原子能力开放合作。
AI 行业快速发展,不是我们主动挑选行业,而是行业选择我们。短漫剧、电商能够落地,是行业需求和音视频 AI 能力结合,实现商业化落地,我们才被市场看见。作为云厂商,我们更多是被客户选择;只要音视频 AI 能帮助行业实现商业价值,我们就会深度拥抱合作。
李志成:未来模型和 Agent 的边界会越来越模糊。我们会在腾讯云 TokenHub 平台开设 AI 应用栏,把大量垂直场景沉淀的 Agent 能力,通过兼容 OpenAI 的接口对外输出。
海外推理平台现在也在把 Agent 应用和模型放在同等接口环境,不再只有底层模型可供调用。训练超大基座门槛越来越高,但是中小开发者、个人创业者可以基于现有基座开发 Agent 和上层应用,这是未来重要方向。开发者不需要关心底层模型,直接调用 Agent API 就可以。
Q:这个行业会不会爆发价格战?
李志成:我不认为这是价格战。价格下行来源于推理算力、量化加速带来的技术进步,推理成本实实在在下降,我们把成本红利给到客户,帮助客户创造更多业务价值。现在像实时 AIGC 直播这类场景成本依旧很高,行业还需要继续降低推理成本,才能实现商业闭环。
出海:海外客户不关心底层模型“技术是为叙事服务的”
Q:出海业务已经占到收入一半,腾讯云 WAND 海外商业化下一步布局是什么?海外有些制片技术公司已经跑在前面,腾讯会不会下场自己做制片?整体出海打法是什么?
李志成:腾讯云视频云、WAND 的解决方案本身就是面向全球。海外北美有一家 AI 工具公司,创始人之前也是做工具产品,他早期投入大量成本做多模态基座,做了一两年没有产生商业价值,濒临投资中断;后来基于开源基座,针对行业做垂直调优的专业模型,业务一年多从百万增长到过亿美金。我比较认同这个趋势:未来 1-2 年,全球通用大基座能活下来的数量有限,但是面向垂直场景的模型和应用会越来越多,商业价值巨大。
出海重点拓展行业:电商、短剧、推理工具、OTT 传统媒体。OTT 传统电视台、影视公司系统很重,正在向互联网、AI 转型,日韩这类客户对我们方案接受度很高,这是我们重点投入的方向。
值得一提的是,刚结束的美加墨世界杯,全球 17 个国家和地区的官方转播平台由 WAND 提供技术服务,创下了中国云厂商服务世界杯的技术历史记录;接下来 2026 年 APEC,现场官方新闻媒体转播的信号,包括实时字幕翻译、终端横转竖等,也将由 WAND 整体提供支持,输送到全球。
Q:海外内容创作端怎么看 AI 与模型的关系?
多模态媒体实验室首席创意官杨格斯:模型源自哪里其实并不重要,不管是西方还是东方开发的模型。对我们而言,关键是面向对应的受众,选用适配的模型,这才是核心。很多创作者想要的不是单一的内容片段,而是一整套可以不断延展的完整世界,这也是我们和 WAND 开展合作的契合点,WAND 的价值,就是把各式各样的智能能力整合到统一体系里,辅助我们把创作做得更好。
我们是加拿大 AI 初创公司,客户主要在美国、加拿大,重点做纪录片。好莱坞工会对 AI 有很多限制,纯 AI 内容接受度低,AI 更多用于前期策划、后期制作。
我们坚持以人为中心,AI 只是辅助,人拥有最终控制权。纪录片需要历史场景还原,AI 很擅长;但是故事情绪、叙事节奏还是需要人把控,所以我们采用实拍+AI 混合制作模式。纯 AI 虽然降本,但会遭遇市场抵触。我们也和李飞飞 WorldLab 合作探索世界模型。影视创作不是单纯二维图片,更多依赖三维物理空间信息,未来会把空间信息输入 AI 做运算。
归根结底,技术是为故事叙事服务的,人类的想象力才是我们应当去挖掘、并且需要守护的东西。

编辑:木人
审校:张问心 制作:瑞总