解鎖 AI 視頻的病毒傳播后，愛詩推出 PixVerse 中國版 “拍我 AI”。

文丨王與桐

編輯丨程曼祺

“不夠年輕。”2023 年初，我們第一次和投資人聊到正在籌備創業的王長虎時，這是對方的第一反應。

一種觀點是，35 歲以下的創始人更適合大模型創業，不管是做模型還是應用——模型技術迭代快，年輕人學得更快；而做應用要洞察用戶，AI 的早鳥用戶就是年輕人。

可偏偏，在數家視頻生成創業公司被收購或關停時，是 80 后的王長虎，搭配聯創 90 后謝旭璋，帶著既做模型，也做應用的愛詩科技跑到了行業頭部。

愛詩的全球用戶現在已超過 6000 萬，是可靈當前用戶數的近 3 倍；其中，上線剛 6 個多月的 PixVerse 移動端月活已超過 1600 萬。

可靈、MiniMax 海螺、Pika、Runway 等產品主要服務專業視頻制作者，愛詩則在有相近功能的網頁端產品之外，也做了面向 to C 用戶的視頻生成移動端產品，玩法又潮、又簡單：

借助 “模版”，用戶上傳照片、等上幾秒后，就可以把任何人物封裝成一個小玩具，平地入海、變身美人魚，讓自家的貓跳科目三或體驗一次綠巨人變身，然后再一鍵分享這些視頻到 TikTok、Instagram 等平臺。“很多用戶的第一個萬贊、十萬贊、乃至百萬贊的短視頻，就是用 PixVerse 做的。” 謝旭璋說。

上個月，一款咧嘴笑模版將 PixVerse 推上美國 iOS 下載榜前五。去年底爆火的由 PixVerse 制作的超級英雄變身視頻，目前全網播放量已超 10 億次。

今天（6 月 6 日），PixVerse 的國內版 “拍我 AI” 正式上線，更多中國用戶也能簡單、快速地體驗 AI 視頻制作。

愛詩兩位創始人過去都沒有完整操盤過 to C 產品：王長虎是中科大博士，有近 20 年 AI 研究經歷，2017-2021 年間，他擔任字節跳動視覺技術負責人，在抖音從 0 到 1 增長最快的時期提供技術支持。謝旭璋則畢業于北大光華管理學院，創業前的 6 年一直在光源資本工作。

愛詩的階段性成績，直觀原因，是他們試到了新的產品形態，并找到了病毒式傳播的爆發點；而背后的基礎，又來自自研視頻模型的性能，效果要好、速度要快。

越是 C 端用戶，越不能忍受頻繁的抽卡和生成時等太久。2024 年 10 月，PixVerse 發布 V3，大幅減少 “抽卡” 頻率；兩個月后，V3.5 又將生成時間壓縮到 10 秒以內，滿足了 C 端用戶的基本要求。成立至今，PixVerse 已總共更新了 7 版模型。

愛詩方面稱，現在他們的訂閱收入已能覆蓋公司絕大部分成本費用，現金流接近為正。

“我不會創業” 王長虎說，但沒關系，“創業就是邊做邊學”。

10 億次播放的 AI 變身特效，PixVerse 的 “病毒傳播”

晚點：為什么現在這個時間點進國內市場，做中國版？

謝旭璋：我們本身就想做全球產品，中國是其中非常大的市場，早期我們人人太少顧不過來，現在我們產品開發、模型迭代都走上正軌了。

同時，AI 視頻的場景已經被探索過了，像去年我們在做毒液變身時，中國應該有小幾百萬人來用過這個特效，在全球各種社交媒體上，變身特效視頻被播放超過 10 億次，比看過原電影的人要多。我記得有當時有很多人在閑魚上發帖，花錢找人代做視頻，所以我覺得中國用戶的付費意愿或者使用意愿和海外是相近的。

晚點：類似變身等模版，現在是 PixVerse 和 “拍我 AI” App 上的核心玩法，不需要寫 Prompt，對普通人非常友好。而且你們剛上了信息流功能，用戶可以直接在平臺上分享生成的視頻。從模型到具體的產品形態，決策是怎么發生的？

王長虎：我在創業時就有目標要服務普通人，愿景是 “幫助每個人成為生活的導演”。

產品形態是逐漸清晰的。兩年前大家不相信視頻生成是因為技術不好；一年前只有專業創作者才能忍受很慢的生成等待時間。所以我們一直在過程中提升模型能力，每兩個月就有大的提升。

在去年 10 月，我們的產品在海外破圈了，是因為我們的 V3 模型能把過往極低的抽卡概率拉到接近 100%。這樣我們用最好的模型，搭配產品推出了模版生成功能，二者結合，普通人不需要輸入 Prompt，只需要上傳一張圖片，選好模版就能達到 100% 的成功率，這是真的讓普通人玩起來的時刻，我們認為這是視頻生成的 ChatGPT 時刻。

兩個月后，模型 V3.5 又把用戶等待時長從分鐘級降低到了 10 秒內，所以我們決定讓 App 上線。做到一定標準，用戶才會選擇你。這是結果，不是原因。

晚點：所以你們去年曾說，愛詩的目標客群就是每天玩抖音、TikTok 的普通人？

謝旭璋：對，所有能看視頻的人可能都有用視頻表達的欲望，只是過去表達欲沒被滿足。我們希望用 AI 幫助這些人邁出第一步，讓他們先做出來第一個好玩的、跟自己有關的、可以分享的視頻。很多用戶的第一個萬贊、10 萬贊、乃至百萬贊短視頻，就是用 PixVerse 做的。

晚點：選擇 to C 方向，也意味著可能與大廠有更直接的競爭。比如即夢也是一個有視頻生成功能的 to C 產品；而抖音、快手也一直都有特效、模版的玩法。你們作為新公司，跑出來的機會是什么？

謝旭璋：首先是我們產品背后的基礎是自己的視頻模型，我對我們模型迭代比較有信心。再就是視頻行業不管在國內還是海外，是一個還在發展，還在快速變大的一個行業：優酷、愛奇藝、NetFlix 沒有被抖音、快手、TikTok 取代，電視臺、電影院也沒有被優酷、愛奇藝、NetFlix 等取代，現在還有了直播、短劇等形式。同樣的，新的視頻平臺都不是老的視頻平臺們做出來的。

隨著視頻行業的發展，需要更大的內容供給，這是很大的增量，不存在說大公司把所有機會都干掉了。

晚點：你們的視頻生成模版和短視頻軟件上的特效功能有什么區別？他們也能做出很逼真的視頻。

王長虎：這就像 ChatGPT 之前也有微軟小冰，可以對話但是效果不一樣。

短視頻里的特效不是端到端的，每一個特效都要針對性去調整、設計；而用生成技術產生模版，效率高很多，同時能讓用戶也參與貢獻模版，不是光靠我們的團隊在做。這是過去的短視頻特效沒有的生產機制——所以我們的模版內容多元、足夠有差異化。

晚點：拿 “毒液” 變身模版為例，門檻或者說壁壘在什么地方？今天我是另外一家想做“毒液”變身視頻模板的公司，我也可以 copy？

謝旭璋：我覺得幾個點可以參考。“毒液” 變身已經火了半年了，到目前為止應該沒有哪家的模型能完全復現這個效果，所以本身這個技術有難度，需要高質量的生成模型，才能讓變身過程和結果都符合預期，另外還需要做一些微調。

再就是需要用戶洞察，變身火了可能幾周到一個月，但之后我們也能持續做出讓用戶喜歡的模版。

晚點：一直有 “火” 的模板？怎么做到的？這真能持續嗎？

謝旭璋：我們內部會不停有創意出來，未來也希望讓用戶能貢獻創意。但比較重要的是基礎模型，基礎模型不好，很多創意是沒有辦法實現的。

晚點：我在你們的產品界面里看到很多英語、俄語、泰語的視頻。實際上對你們來說，哪個市場是你們占比比較大的？

謝旭璋：視頻是一個更通用的傳播媒介。所以一個好玩的模板和效果，在美國能火，中國能火，在巴西也能火，在泰國也能火，在歐洲也能火。具體到收入占比，GDP 高的國家就會相對占比更大。

晚點：你們提前計劃了主攻哪些海外市場？還是看哪個市場先跑出來？

謝旭璋：我們現在還沒有那么精細化，是讓產品自己跑出來。

模型技術的進化，將模糊內容創作和消費的界限

晚點：你們覺得在全球范圍內，視頻生成行業里面公認的第一梯隊的模型來自哪幾家公司？

謝旭璋：模型方面，我認為海外的 Google 做得好，國內是我們、快手可靈和 MiniMax 海螺。視頻生成領域里，用戶量最大的三個公司就是這 3 家中國公司。

晚點：你剛剛沒提 OpenAI，Sora 已經不算第一梯隊了嗎？

謝旭璋：對，我們覺得 Sora 最后發布的這個模型跟當時 demo 差距非常大，開玩笑說，前后差了十個 PixVerse。它其實開了一個不太好的頭，導致那之后很多公司會發 demo 稱做到了什么，但實際交付不了。

晚點：你們會擔心接下來會有一個特別強的開源模型，別的應用公司可以在這個開源模型上達到和愛詩相似的效果嗎？

王長虎：現在也有很強的開源模型，比如阿里通義萬相的視頻大模型。但對做好應用，開源不是最重要的，DeepSeek 牛，不僅牛在開源，而在于他模型確實好。ChatGPT 剛出來時，也冒出了好多應用。但隨著模型進化，很多應用自然就被顛覆了。

晚點：所以你覺得自己掌握模型能力非常重要。

王長虎：對，特別是在不是成熟的，還在進化中的階段。

晚點：視頻生成領域也在出現一些新的技術趨勢，比如從 DiT 架構（Diffusion Transformer，結合擴散模型和 Transformer 架構的生成模型）到有人推出了自回歸技術（Autoregressive model，可逐步生成序列）的視頻生成模型。你怎么看這個方向的潛力？

王長虎：我過去 20 年都在做研究，研究界的好多論文，你都可以說是新趨勢。要辯分辨哪些是在講故事，哪些是真正有效。

自回歸一方面不是一個新東西，之前不少公司也探索了很久，至少到目前為止，最主流、效果也最好的模型仍是 DiT；另一方面，自回歸是一個有希望的方向，GPT-4o 在圖片生成上，很可能就是用了自回歸加 Diffusion 的架構。

晚點：OpenAI 接下來是否會把自回歸也用到視頻生成上？如果他們真這么做，有可能帶來斷層的體驗領先嗎？

王長虎：最重要的還是看結果。DiT 架構視頻內容是一次生成，自回歸是順序生成。不同的方法各有優劣。4o 確實引發了大家的探索，自回歸的劣勢在視頻生成里會放大，因為逐幀生成會有累積誤差，能不能用 Diffusion 技術彌補？最近還有一個趨勢，就是推進實時視頻生成的發展。

晚點：指生成的時間跟視頻長度相等，或者說更快一點？

王長虎：有兩個里程碑。一是我們在模型 V4 時就能做到用 5-7 秒生成 5 秒長的視頻，并且我們是在不損失質量的情況下做到。這樣人在觀看視頻時，視頻也在同時生成下一秒，就可以無限生成下去。

二就是前面的那 5 秒，能不能實時生成？這是更難的，但也更有價值，會開啟更大的世界。

晚點：這可能會帶來應用上的變化？后面的內容在前面觀看時還沒有生成，相當于能做一些定制化的內容，或者有交互。

王長虎：過去這兩年我看到視頻的創作和消費的界限越來越模糊了。未來能夠做到每個消費者都能具備創作能力；并且每個看視頻的人都可以去跟視頻實時交互，改變內容，比如我對泰坦尼克號的結局不滿意，我就可以讓視頻的走向改變。

晚點：可能我們看視頻時，并不希望所有內容都是我想出來的，這樣我也會很累，而且有時也需要內容給我們 “意外”。

王長虎： 這事對創作本身也有影響，因為不同的交互導致不同的劇情走向，視頻本身就能知道不同的群體喜歡的是什么，就能自我進化，做出更好的視頻。

因此還會帶來的一個改變可能是，視頻和游戲的界限越來越模糊。

晚點：你們模型為什么能做到比別人快？

王長虎：綜合優勢，模型架構、算法、工程、產品能力。外界解讀時會希望能找到一些簡單的結論，但這件事其實是非常難的。去年一些比我們融資更多的大模型公司不缺錢，不缺人，不缺數據，但其中多數公司依然做不出來（視頻生成模型），說明這件事很難。

晚點：綜合能力不只有模型，那現在模型和產品在愛詩的成長中各自扮演的角色是什么？

王長虎：這是兩個引擎。發展前期，模型一定是更重要的，一旦模型做不好，會影響用戶的產品體驗；當模型能做到全球最好，并且能持續進化時，產品的比重越來越大；產品能看到用戶真需求，就會牽引技術的發展。

晚點：大廠也不缺資源，為什么你們能比大廠做得快？有觀點認為，團隊小，目標簡單。

王長虎：這就是創業公司的優勢所在，沒那么復雜，所以效率高。大公司的業務，沒人管可能能跑出來；業務被重視了、升級了，就不知道是好事還是壞事了。

視頻生成被低估，是壓力也是好處

晚點：創業兩年多，你有哪些成長？

王長虎：這兩年一直在成長。前段時間我還分享，其實我不會創業，創業其實是要邊做邊學。公司在發展過程中要做很多決策，這些決策、這個公司的發展跟創始人息息相關。所以這個過程中我們在很多高壓的情況下做了抉擇。

晚點：你們在哪些 “高壓” 情況下做了抉擇？

王長虎：創業公司是持續有壓力的，我們是在做一個大模型，很花資源。有一些時刻是一旦做錯了你就沒有機會。因為要燒很多錢的，一旦做錯了就可能沒有機會再做第二次。

比如說 2023 年初我們要不要做視頻？那時候很多人都不認同這件事情，大家都在看大語言模型。

晚點：2023 年初您剛創業時我們聊過，您當時還沒有提到要做視頻里的視頻生成這個方向。

王長虎：邊做邊學，那時目標還是 AI 生成，至于做圖片、做視頻、做大模型？還在思考過程中。

晚點：后來怎么定位到現在的視頻生成方向？看到了哪些跡象？

王長虎：2023 年 6 月時，我們資源到位，核心人員到了之后，我們真的需要做事情的時候，那時候就明確的看到了這個方向，決心 All in 視頻生成。

當時看到大語言模型蒸蒸日上，也有人在做圖片生成、3D 生成，但唯獨沒有人做視頻生成。大家的反饋是覺得太難了。但我覺得這樣是不對的，這就有了非共識：我們覺得視頻生成是大事，而我們過去在視頻和 AI 方面有經驗，能贏在全球。

晚點：視頻生成價值被認可是 2024 年 2 月 Sora 出現之后，這之前是非共識。你覺得到現在，大家有認知到視頻生成的價值嗎？好像在輿論層面，如果某大語言模型做得很強，大家就會有很厲害的感知；但如果是視頻生成做得強，好像大家感知不會很強。

王長虎：視頻生成一定是被低估的。其實很多人的觀點只是為了自己公司的生存發展，比如說做大語言模型的，要先得到大家的關注，然后估值蹭蹭上漲，融資也非常順利。所以不管是公眾還是創業者，還是投資人，都在關注大語言模型。當大語言模型先占據人的心智了，就會有很多共識。

但是你要知道創業不是這回事，我們應有獨立的思考。

晚點：被低估會帶來什么？

王長虎：大家對大語言模型的期待過高，會成為創業公司的壓力和動力。我們沒有這樣的約束，會走得更健康。

晚點：你們有沒有砸資源干一些可能會浪費的事情？ 你剛才提到一個關鍵抉擇是最開始確定視頻生成方向。后面還有類似的抉擇嗎？

王長虎：另一個需要做決策的，就是 Sora 出來之后，我要不要花更多的資源甚至十倍資源去做第二代 DIT 架構模型？那時有聲音說我們是不是已經落后 Sora 很多了？我們不像大公司能很快籌到那么多錢，三個月，一次能做成就做成了，做不成就再也沒有第二次機會了，壓力也很大。

晚點：你們當時覺得多大的概率會成功？

王長虎：概率不太能算出來。一方面我們創業初期規劃路線時就有了第二代架構路線，而且當時就決定要在 2024 年春節后去做。另一方面，“成功” 怎么定義？Sora 雖然 demo 引起了轟動，但是十個月后上線，Sora 已經不在第一梯隊了。只把代碼寫完很簡單，但真正能讓用戶用起來而且喜歡，才是 “成功”。

晚點：你們面臨這么多高壓的情況，有沒有哪次投入一段時間卻沒看到結果？

王長虎：我們沒有那樣的機會。做一遍做錯了就可能發展不起來了。因為只要做就會花很多錢，我們不像 OpenAI 那樣不差錢。

晚點：成立兩年多，你們已經經歷了行業發展的幾個階段，接下來會面對的是什么？

王長虎：早期是 Sora 出來之前，我們猥瑣發育的階段，那段時間我們快速把底層能力搭建起來了；第二階段是 Sora 出來之后，好多團隊都撲上來做，進入大亂戰時期，現在又一些公司已經關停了、賣身，但我們殺出重圍了；新的階段是我們需要向一些真正有資源、有人才的大廠學習，和他們一起競爭。

題圖來源：拍我 AI 網頁端截圖