← 全部模型资讯

腾讯云 WAND 披露 AI 视频生产数据:十次生成换一个可用镜头,成本该怎么算

据 InfoQ 中文站 2026 年 11 月 8 日报道,腾讯云 WAND 负责人朱琳称 AI 短漫剧约十次生成才得一次满意结果;腾讯云称 WAND 已助客户降低约 20% 综合成本,漫森文化镜头可用率从约 30% 升至 50%—80%。报道未给出 WAND 的价格、计费方式、权重与公开 API。

发布 更新
原报道封面 — 腾讯云 WAND 披露 AI 视频生产数据:十次生成换一个可用镜头,成本该怎么算
原报道封面原始报道 ↗

发生了什么

据 InfoQ 中文站 2026 年 11 月 8 日的文章,腾讯云 WAND 多模态应用负责人朱琳在 10 月 30 日腾讯全球数字生态大会多模态应用专场及会后采访中表示,按行业经验,一部 AI 短漫剧从分镜到成片可能需要约十次生成尝试,才能换来一次满意的效果。文章据此指出,多模态服务通常按调用次数、视频时长或输出规格计费,单次价格并不等于成品成本,并用一组假设数字演示:若一次生成按 10 元计、约十次才得一个可用镜头,仅生成费用约 100 元;可用率提高到约 50%,平均两次即可,费用约 20 元。这组数字是文章的示意算法,不是任何厂商的报价。 腾讯云称,其今年推出的音视频 AI 产品家族 WAND 已帮助客户降低约 20% 的内容生产综合成本。受访客户的口径更细:漫森文化助理总经理谭琳称镜头可用率从约 30% 提升至 50%—80%,精细化运营后可稳定在约 80%,该公司精品 AI 短剧单部成本约 10 万—20 万元,使用 WAND 相关能力后成本再节约约 30%、整体效率提升约 30%;紫讯科技联合创始人杜玉生称接入 WAND-Vega 后,图片素材有效使用率从 50%—60% 升至 70%—80%。 技术路径上,腾讯云副总裁、媒体 AI 产品负责人李志成称,WAND-Vega 并非从零训练的通用基座模型,而是基于腾讯混元及部分开源基础模型做后训练与调优,并提供侧重性价比的 Lite 与侧重生成质量的 Pro;报道称在效果基本对齐部分行业主流模型的前提下,面向成本敏感客户的方案可降低约 20%—30% 的模型成本。腾讯云描述的工程手段包括两部分:一是面向复杂影视场景的 3D 白模前置,先用 3D 软件生成简化场景视频,确定物体位置、空间关系与部分运动信息,再作为参考交给视频模型;二是 WAND-EraseVibe+ 基于隐空间 Transformer 的视频擦除与画面重建,先把画面编码为隐空间特征,在特征层推断并重建待修复区域后再解码。而用 Agent 工作流串联剧本、分镜、画面生成、后期处理与剪辑,是漫森文化把 WAND 的视频生成、画质增强等能力接入自研制作中台的做法,不是腾讯云披露的产品能力。另有一位业务负责人在现场称,其平台的 Creative OS 中 82% 的视频模型调用已由 Agent 发起,报道未交代该平台所属公司与统计时间。 李志成同时表示,即便是行业头部的视频生成模型,在光影、物理规律较复杂的影视场景中仍有尚未解决的问题。文章还引用今年 9 月发表的一篇关于超长叙事到影片生成的研究(CineCrew),认为现有基于提示词的工作流容易出问题,一个原因是剧本与视频模型之间缺少结构化的中间层,无法充分表达镜头、角色与连续性等约束。

对开发者的影响

这条报道对开发者的意义不在于又多了一个视频生成产品,而在于它把成本坐标换了:按次或按时长计费时,真正决定账本的是每个可用素材背后要消耗多少次生成。顺着文章自己的示意算法推一步——若单次单价与验收标准不变,每个可用素材的生成成本大致按首轮可用率的倒数变化:可用率从一成提到五成,成本降到约五分之一,而不是打了对折。也就是说批量生产的成本对可用率极为敏感,重试预算、排队等待与人工筛选会同步放大或收缩。以上是由报道算例得出的推论,不是对 WAND 效果的验证。 报道没有给出 WAND 的 API 名称、限流、区域、并发或 SLA,也没有说明计费按次、按时长还是按输出规格,因此把它接进流水线之前,重试次数、任务幂等与素材账目要按最坏情况设计:同一分镜的多次尝试应能被识别为同一任务,已验收的素材应落盘锁定,避免后续修复或重新排版时再次触发生成。生成前约束这一环值得单独评估,白模把「剧本说什么」和「镜头怎么拍」拆开,如果接入方已有分镜工具或 3D 资产,多出来的是一层数据转换与校验,而不是一次模型调用。局部修复能否省钱同样取决于工程条件:只有当缺陷可被定位、且修复不改变已验收区域时,它才比整段重新生成划算。至于 Agent 编排,报道里 82% 这个数字缺少口径与统计时间,受访者又强调专业团队要求中间结果可检查、可编辑,这意味着自动化的上限取决于你的中间产物有没有被结构化保存下来。

接入与评估建议

以下为基于报道的条件性建议,不是报道事实。 第一条决策是先定指标口径,再谈单价。对应报道中十次生成的经验值与 30% 到 80% 的可用率区间:选择是把首轮可用率和每可用素材的生成次数(含失败重试)作为主指标,而不是先比较单次价格。前提是你手上有一批带验收结论的留出任务,且验收标准能被写下来;若判据可自动判定(例如电商图是否保形、保色、保住品牌标识),可以直接批量跑,若涉及多镜头叙事则先做小样本。可测量的判据是在留出集上比较接入前后的首轮可用率与每可用素材的总生成次数。 第二条决策是生成前要不要加一层结构化约束。对应报道中为复杂影视场景引入 3D 白模作为参考:选择是在提示词与视频模型之间插入一层场景布局、物体位置与镜头衔接的显式约束。前提是你的失败样本里,空间关系与跨镜头连续性问题占比高于画质问题;若失败主要来自画质或风格,这层投入的回报会低。可测量的判据是同一批分镜在加与不加约束两种条件下,首轮可用率与整段重生成次数的差值。 第三条决策是局部修复与整段重生成如何分工。对应报道中 WAND-EraseVibe+ 的隐空间生成式修复:选择是把「定位缺陷、局部修复、保留已验收区域」写进流程,并限定在主体已通过验收时才使用。前提是缺陷能被定位到具体时间区间与画面区域,且你能校验未改动区域确实没变。可测量的判据是修复后原本已验收区域的改动比例,以及每可用镜头的生成次数是否下降。 第四条决策是分档路由。对应报道称 WAND-Vega 有 Lite 与 Pro 两档、成本敏感方案号称可降低约 20%—30% 的模型成本:选择是按镜头在成片中的权重分流,而不是全片统一用同一档。前提是你能按重要度给镜头分级,并接受不同分档的验收阈值可能不同。可测量的判据是在同一验收阈值下,各分档的通过率与每可用镜头的模型成本;若低档在关键镜头上通过率明显下滑,就不该用降价去换它。涉及 Agent 编排时可再加一条:把人工介入点设在已验收素材的修改上,用人工介入率与介入后的素材保留率衡量是否值得继续自动化。

限制与待确认事项

这里所有数字都来自腾讯云及其客户在自家大会与采访中的披露,属于厂商自报;报道没有给出可用率从 30% 到 80%、20% 综合成本节约、20%—30% 模型成本降低的具体统计口径与样本,也没有第三方复现,引用时应保留这层归属。 WAND 与 WAND-Vega 目前未出现在 KimiSeek 的模型目录中,这一点以 2026 年 11 月 12 日的目录核对为准;报道中的可用性、版本分档与接入方式指向的都是腾讯云自身渠道,需以其官方文档为准。报道只说明 WAND-Vega 基于腾讯混元及部分开源基础模型做后训练与调优,未提权重是否开放,也无法据此推断任何许可条款——权重可得与许可权利是两件事。 报道没有给出 WAND 或 WAND-Vega 的具体价格与计费方式,只披露了成本降幅;价格与计费会变动,应查腾讯云官方价格页,本文的示意算法不能当作报价使用。Creative OS 及 82% 调用由 Agent 发起这一数字,报道未交代所属公司与统计时间。文中提到的 CineCrew 研究(2026 年 9 月)与「行业头部视频模型在复杂光影场景仍有未解问题」的说法,均为背景引用与受访者观点,不代表对 WAND 效果的独立验证。

三分钟跑通第一次调用

注册后创建 API Key。调用费用从账户余额扣除。新用户首充 7 折。充 ¥500,实付 ¥350,到账 ¥500。充 ¥1000,实付 ¥850,到账 ¥1000 最低充值仍为 ¥10,适合试用。

来源与编写说明

AI 生成视频何时才能告别“抽卡”?藏在高效生成背后的返工与成本难题

本文基于所列来源,由 AI 辅助整理、分析和翻译,并经过自动质量检查。分析与建议不代表实测结果;模型可用性与价格请以当前目录为准。