工具与测评 | Vidu 多主体一致性：一场视频生成的冒险

11月13日，生数科技发布最新模型Vidu 1.5版本，声称为“全球首个支持多主体一致性的多模态大模型”。与LoRA等传统的单点微调方法不同，Vidu 1.5的多主体参考实际上是一种上下文记忆。模型将多张图片作为输入并理解，把多主体、多特征之间的关系作为上下文进行记忆和关联。Vidu 1.5 支持用户上传1至3张参考图片，实现对单主体的外观与动态的精准控制，还支持通过模型生成多主体间的交互及主体与场景的无缝融合。

目前 Vidu1.5 模型支持图生视频、参考生视频、文生视频三大功能，新用户登录后每月赠送80积分，并可以体验三次720P清晰度的视频生成，极速画质和720P画质每次生成视频分别消耗4积分和12积分。免费用户视频时长限定在4秒，付费用户可以选择8秒视频和1080P画质。在生成速度方面，4s时长极速画质视频生成时间大约为26秒左右，4s时长720p则大约需要2分40秒左右，两者均包含10s左右的排队时间。

场景从一个繁忙的城市街道宽景开始，一只巨大的、毛茸茸的独眼怪物站在车流和行人中间。它蓬松的金棕色毛发与城市环境形成了一种柔和的滑稽对比。它从厚厚的毛发中掏出一把梳子梳理着自己的毛发。

‍评价：街景生成质量较低，尤其是马路上行人的质量和稳定性极差；怪物生成质量尚可，动态效果幅度较大，梳子的稳定性较差。整体画面动画感强，与即梦演示视频差距较大。

在奇幻森林深处，精灵射手在追逐一只发光的鹿，开始是森林的中景展示精灵与鹿的追逐，然后切换到精灵拉弓射箭的手部特写，最后切换到鹿逃窜的背影视角，画面呈现空灵奇幻风格。

评价：整体质量远低于即梦，精灵射手画风与森林画风存在严重的割裂，稳定性低；森林背景稳定性较好；对“发光“的理解存在严重偏差。

未来都市中，身着银色机甲的战士在高楼间穿梭战斗，先全景展示城市与战斗场景，再切换到战士面部表情特写，最后以从战士视角俯瞰战场结束，画面风格为炫酷科幻风。

评价：能够理解并执行镜头的切换；生成了在高楼间穿梭的场景，这一点优于即梦；但穿梭过程中机甲战士的稳定性很差，较为混乱。

在废弃的游乐园，小丑玩偶坐在旋转木马前，背后是生锈的摩天轮。先以全景呈现游乐园的荒废景象，然后切换到小丑玩偶破损的脸部特写，最后以夜晚灯光下游乐园的全景结束，画面风格为写实的诡异惊悚风，色调昏暗。

评价：同样具备转场能力，且展现出了游乐园的空镜，并清晰展现了旋转木马，这一点优于即刻；但摩天轮的转动没有表现好；小丑玩偶质感很好；总体质量为目前最高。

图中的人慢慢走过向日葵，脸逐渐抬起看向远方

生成视频1-1：

评价：效果较差。背景在视频中消失；人像的动作自然，但面部细节丢失。

生成视频1-2：

评价：自行进行了转场，环境、人物一致性被破坏。

生成视频1-3：

评价：效果为最好的一次，但一致性仍然很差，色调未保持一致，脸部细节几乎全部丢失。

比熊先在原地轻轻抖动身体，抖落身上可能存在的灰尘，随后开始缓慢走动，在走动过程‍中自然地嗅闻周围的空气，毛发随着动作自然摆动。

评价：一致性差，小狗直接换了造型，整体效果也不够自然，但仍然是本组中效果最好的。

篮球入网，篮网因篮球的冲击而剧烈晃动

评价：和即梦一样无法完成篮球入网的完整动作，但篮球入网的后半段动态效果大，展现出了篮网的剧烈晃动，这一点上优于即梦。

展现从不同角度观察这份水果拼盘的动态过程

评价：稳定性很差，且没有正确理解提示词。

镜头拉近

评价：稳定性远低于即梦，木板和纹理存在抖动，最后几帧无法维持稳定。

女孩在舞台上演讲，保持妆容、造型相同

评价：对主体的判断出现错误，也可能是默认将三张照片识别为两个主体。

女孩在舞台上演讲，保持妆容、造型相同

评价：人物生成效果尚可，发型、衣服、耳饰基本都得到了延续，角度的转动下人物仍然较为自然；但眼睛和手指部分仍存在少许稳定性问题，说话动作下人物下半张脸可能有些许不自然；最大问题是场景环境的生成质量过低。

两个女孩友好握手

评价：人物造型特征保持较好，手部稳定性偏差；无法正确理解“握手”的含义

女孩在比萨斜塔前自拍

生成视频1-1：

评价：人物造型得到了延续，但脸部特征一致性较差，几乎无法辨认出是原本的人物；无法正确理解比萨斜塔的倾斜，倾斜角度明显变小，在运镜过程中画面稳定性差；背景中的行人等细节质量极差

女孩在塔前自拍

生成视频1-2：

评价：效果极差，文字提示词去除比萨斜塔后无法理解塔的倾斜，人物面部高度模糊

女孩在场景中自拍（图片输入同1-2）

生成视频1-3：

评价：提示词中不出现塔后，完全忽略了场景主体的输入

女孩在黑沙滩上散步

生成视频2-1-1：

评价：对场景的一致性能力仍然不够，岩石的颜色和天空颜色都与原图场景不符合；海浪不符合物理逻辑；人物转身出现重大问题，尝试重新生成

生成视频2-1-2：

评价：对人物主体捕捉失败，重新生成

生成视频2-1-3：

评价：场景遵循仍然差；人物没有转身，尝试修改提示词

女孩在黑沙滩上转身定格

生成视频2-2：

评价：仍然无法捕捉场景，色调稳定性差；转动过程中脸部稳定性很差；对衣服图案细节的捕捉较为精准

女孩站在街道上环顾四周

评价：整体效果较好，但手臂出现问题

女孩在黑沙滩上牵着小狗散步

评价：大致主体得到保持，但人脸、手部、狗稳定性均不高

女孩用绳子牵着小狗散步

评价：失败，只保留了小狗的主体，丢失人物主体和场景主体

女孩和小狗一起散步

评价：场景主体捕捉失败，提示词理解差

女孩的手心漂浮着一只金鱼，镜头逐渐拉近

生成视频4-1：

评价：场景和人物较为割裂，未能还原人物全身，未能捕捉到金鱼主体

女孩身边漂浮着一只金鱼，在街道上行走

生成视频4-2：

评价：丢失金鱼主体，人物主体还原性差

女孩拿着一罐饮料，站在街道上

生成视频5-1：

评价：人物大致特征得到还原，脸部还原度较差；场景主体的呈现较好，整体效果为目前最好。

文字Prompt不变，将可乐更换为雪碧

生成视频5-2：

评价：整体效果较好，但面部、项链等细节未得到还原

经过上述测试后，Vidu1.5的整体表现可以说整体低于预期，虽然在多主体这一玩法上确实能够带给用户新鲜感，但多主体的视频生成质量非常不稳定，容易出现主体丢失、元素模糊、一致性低等问题。

同时Vidu目前生成画面质量仍然不够高，许多生成的视频粗糙、质感差、美观度差。Vidu似乎采用了加大模型动态效果的方式，试图加强视频的表现力以弥补基座模型能力不足的缺陷。但目前Vidu模型的能力难以支持这么大幅度的动效，这也导致在绝大多数生成的视频中，在镜头和人物大幅度移动时容易出现模糊、抖动的情况。

总体来说，Vidu1.5虽然在多主体上做出了突破，但视频效果和稳定性似乎并没有宣传得那么惊艳，期待Vidu在后续能够进一步加强基座模型的能力，给我们带来真正惊艳的视频效果。