作者｜James
在通用视频大模型赛道上，目前市场已有Seedance、可灵、Vidu、MiniMax、HappyHorse等多家混战。
在10月底于深圳举行的2026腾讯全球数字生态大会上，除了居中的硕大的WorkBuddy展台，外界最关注的当属腾讯云官宣推介的纯视频生成序列的WAND-Vega-Video等新模型。在那个字节、阿里、快手竞争的不亦乐乎的领域，大家的第一反应往往是：腾讯云也要下场挑战这个基模竞技场吗？
带着这样的好奇，娱乐资本论也在现场见到了腾讯云副总裁、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。
经过了解，腾讯的Vega-Video并不在意竞技场上的比分，而是服务于云的商业逻辑。就在今年6月，WAND产品线最擅长的就是超分和擦除模型，之后Vega-Video系列从成本和效果两端入手展开差异化定位：对于成本敏感型客户，平均生成成本降低20%至30%；对于专业影视团队，则提供“实时云渲染3D白模+基础模型渲染”的组合拳，减少抽卡废片率。
在腾讯云的视角，他们试图把短漫剧行业抽卡可用率从原本“十抽一”拉升至80%，并将企业内容生产的综合成本压低20%至30%。
只有上奥运会的才是好健儿吗？腾讯云WAND的技术路线，会不会和workbuddy一样，更实用也更在意生态？
＃本文已采访八位相关人士，他们也是「娱乐资本论」2026年采访的第334-341位采访对象
视频模型卷画质的“军备竞赛”已经持续两年，但相应带来的是成本也水涨船高。“一元一秒”只是标称成本，如果算上抽卡失败的各种情况，废片率一高，成本就翻倍上升。
“生成一个满意的分镜往往需要抽十次卡，单次生成的API价格绝不等于最终成片的真实成本。”在腾讯全球数字生态大会期间，这一行业痛点被与会人士反复提及。
抽卡成功率不高已成为AI短/漫剧发展其中一个最大的掣肘因素。此前有研究称，当前主流模型按秒计费，如果不计算模型工具方偶尔的折扣、优惠，最高的情况下算力成本约1~3元/秒，1分钟视频对应60~180元，叠加2至5轮迭代修改后，单分钟综合成本会达到2000元以上。
根据娱乐资本论上周的独家横评，在抽卡师常用的画布类工具上，不同平台的优化方式（harness）不同也可能导致抽卡成功率波动，但对于一些模型存在的共性问题，平台也往往无能为力。在所有扣分项中，中招最多的是：画面冒出台词字幕、偷加BGM和人物占位出错等问题。
今年6月5日，腾讯云音视频发布了AI原生能力底座品牌WAND，以编解码、增强、擦除、生成、理解、音频六大自研媒体模型为底层，把60多项媒体AI能力按生成、理解、处理、编码四个环节重新组织，再以API、Agent预编排工作流和Skills等方式开放。
目前，WAND已覆盖90%的头部短漫剧出海企业，服务2000多家客户，日均生成450万张以上图片、300万秒以上视频，帮助客户降低约20%的内容生产综合成本。
李志成对娱乐资本论表示，Vega-Video“并不是一个单纯从头训练的通用基础大模型”，而是在混元基模和行业优秀开源模型之上，做了大量面向垂直场景的后训练与工程化调优，解决垂直场景落地中的具体问题。
在他看来，通用视频基模经过数年演进，基础生成能力本身已经不再是行业最大的痛点，“但是在解决垂直场景落地的具体Bad Case（坏案例）时，通用基模还是会遇到很多瓶颈。”
针对这些痛点，李志成指出，WAND-Vega-Video在底层融合了腾讯混元多模态基模与行业优秀开源模型，针对短漫剧、电商营销等专有场景进行了大量的SFT（监督微调）后训练与工程化适配。
在商业策略上，该模型同时兼顾了“成本”与“复杂可控性”两端的诉求。对于成本敏感型客户，在对标行业主流SOTA模型同等视觉效果的前提下，生成成本可直接降低20%至30%。
Vega-Video系列模型为用户提供了多样化的选择机会。娱乐资本论发现，WAND-Vega-Video模型多达5个分支，包含lite及pro等层级。李志成和朱琳解释，几个版本分别是在配合不同垂直场景大客户做定制调优时，针对各自的专业场景、成本核算等定制而成的，因此分别对应不同的细分使用场景。Lite版主打性价比，服务于走批量落地模式的客户；Pro版则面向高品质的商业平台及头部短剧厂牌等。
“在AI爆发式增长的早期，我们的模型既要配合基模生态，又要分层服务专业工具平台以及漫森、山海这样的内容制作方，不同客户对动态、画风的诉求截然不同。”
朱琳承诺确保线上各版本的生命周期完整。“每一个版本背后都是To B的企业级客户。在特定场景下，客户一旦跑通工作流并形成使用习惯，他最看重的是模型与自身管线的适配度与稳定性。因此只要还有客户在用，腾讯云就会提供长期稳定的服务保障。”
对于追求复杂镜头表现的专业影视团队，Vega-Video提供了“实时云渲染3D白模+基础模型渲染”的组合方案。
“在一些漫剧或影视剧场景里，当光影变化或物理规律比较复杂时，用户纯靠写Prompt（提示词）去抽卡，废卡率极高，往往抽10次甚至20次卡都解决不了问题，综合算下来ROI非常低。”
李志成向娱乐资本论透露，早在四五年前“全真互联”等概念火热时，腾讯云视频团队内部就有一支专门攻关实时云渲染的团队。如今，腾讯云将这四五年的云渲染积累转化为一个实时渲染的“3D白模”预演产品。
在实际生产流程中，创作者不再需要靠文字提示词去盲盒抽卡，而是先用轻量级3D软件快速生成一段简单的“白模”预演视频，将人物空间站位、肢体交互与物理运镜规律全部锁定，再将这段白模视频喂给底层视频大模型或WAND-Vega进行风格化渲染。“这样出来之后不仅效率极高、成本极低，而且能把以前单纯靠Prompt无法解决的复杂物理关系Bad Case彻底解决掉。”李志成说。
“我们肯定不是只做一个单纯的视频编辑模型。”李志成称，SOTA基模的480P草稿模式虽然降低了单次预览的算力单价，但本质上依然是在用文字抽卡，无法解决复杂空间调度与物理穿帮问题，“只能省单次抽卡的钱，省不了反复抽卡的废片率”。
WAND家族的超分和擦除模型，腾讯云在今年6月发布，目前已经被客户“火速”应用整合到生产线上。
早在生成式AI爆发前，腾讯云音视频团队就曾为央视、腾讯视频修复过大量上世纪70、80年代的经典老剧集；进入AIGC时代后，这套画质修复技术演进为生成式深层次增强（WAND-Enhance+），支持“低分辨率低成本生成+AI超分到4K”（成本比原生高清生成便宜一半），还能针对所有基模都无法100%避免的画面局部崩坏、残影闪烁以及乱码伪造字幕，结合智能擦除工具（WAND-EraseVibe+）进行一站式修复。
如果说“白模控制”等方法解决的是生成前端空间与动作的确定性，那么这两个模型驱动的后端音视频处理工具链，则是直接挽救“废片”，进一步拉高管线的成片率。
腾讯云WAND多模态应用负责人朱琳算了一笔细账：“过去做一部漫剧，从分镜到沉淀为成片，行业经验数据叫‘十抽一’，抽10张卡才能有1次满意。”当客户在前端生成分镜后，叠加WAND-Vega模型以及擦除修复、生成式超分增强技术，这样的实践已被包括漫森文化、山海星辰在内的客户采用。
几家客户代表在现场答记者问时表示，这套组合方法的镜头综合可用率已提升至80%左右，“也就是说10次抽卡里有7到8次能够一次成型直接可用，正是靠可用率的大幅跃升与低成本超分链路，帮客户实实在在降低了约20%的内容生产综合成本。”
腾讯云WAND展台
作为国内头部的短剧与漫剧出品方，新美集团旗下的漫森文化在今年年初曾凭AI漫剧《从赖皮蛇开始吞噬进化》一战成名——该剧在完全没有真人演员和实景影棚的情况下，上线一周播放量突破2亿，最终斩获超1000万元收入，投资回报率超过15倍。背靠集团旗下全国大型广告代理商的发行优势，漫森文化得以完成从制作到投流的闭环。
即便如此，产能扩张带来的算力与人力瓶颈依然迫在眉睫。漫森文化负责人对小娱介绍，过去团队拍摄传统真人短剧时，单部制作成本高达150万元左右，月产能约为50至60部；全面转向AI漫剧后，单部制作成本直接降本90%。
目前漫森主打的精品AI漫剧单部成本控制在10万至20万元区间（部分高规格项目可达30万元），而月产能则实现了翻倍式跃升——仅上个月单月就产出了133部剧集，目前月均产能稳定在130至150部。
对比今年6月漫森文化对外披露的内部数据，彼时其AI团队初始模型抽卡可用率仅为20%左右，一部剧10人团队中，有一半人力被捆绑在反复抽卡上。可见，其自研制作中台在深度嵌入腾讯云WAND模型家族后，抽卡可用率已发生质变。
“如果我们单个镜头原生抽卡出来的初始可用率在30%左右，底层通过Agent自动调用WAND之后，整体可用率可以提升到50%至80%，现在我们用得比较精细化，基本已经稳定在80%左右了。”
漫森文化表示，在单部10万至20万元的精品剧预算中，全链路引入WAND-Enhance+进行生成式超分增强，不仅把制作人力从调画质、校对擦除字幕、选配音等细枝末节的返工中解放出来，还在后处理环节额外节约了30%的算力成本，并让整体制作人效再提升了30%。
“市面上各家都有擦除和超分功能，但WAND最大的优势在于它全链路打通了模型底座，而且能明显感觉到它的底座是专门针对微短剧、漫剧做过垂直训练的。”
同样的改进也在另一家短剧巨头山海星辰内部上演。其国内“山海短剧”产品月均票房稳定在3亿元左右，爆款率达40%；其海外短剧平台Stardust TV覆盖全球200多个国家和地区、支持14种语言，月均剧集翻译交付量超1000部，全球累计触达用户超5亿，全剧库月产量突破300部。
山海星辰AI产品负责人闫依帆在现场表示，公司已将短剧工业化知识点（Know-how）沉淀为对外自研的一站式AI内容生产平台Nova AI，打通了从剧本拆解、拆镜头、素材生成、分镜控制到合成成片的全流程，并在视频生成、画质增强与画面擦除环节与腾讯云WAND深度绑定。
面对一线抽卡师的痛点，娱乐资本论观察到，大量工具层产品正在开发或接入智能体，大幅度提高智能程度和降低手动调节频次，从“人适应工具”走向“工具适应人”。而智能体的实际可用程度也和底座模型选择密不可分，WAND模型家族在智能体方向同样大有作为。
“未来‘模型’和‘Agent’之间不会有太大的边界。”李志成认为，再过一两年，行业讨论的焦点可能不再是单纯的大模型底座参数，而是基于Agent的整体方案到底能帮用户交付什么业务结果，“对最终用户而言，他不需要感知底层调用了哪个模型，他只需要跟Agent交互，直接拿到最终满意的商用成片。”
他观察到，从去年到今年上半年，海外主流AI推理平台上展示和调用的还全是一个个独立的模型。但到了现在，平台上的大量调用需求已经是封装好的Agent应用与垂直工作流，与模型调用地位相等。普通公司很难自己去训基础大模型乃至微调模型。但在基模之上做智能体、做垂直应用，门槛就低了不少，效果也不错。
基于这一判断，腾讯云接下来会在多模态TokenHub里专门上线一个“AI应用/Agent”专区，把垂直场景积累的AI能力与行业解决方案封装成标准的OpenAI兼容接口或Agent API。“用户甚至不需要理解背后到底串了哪几个模型，对他来说就是一个解决特定问题的Agent接口。”
AI作图by娱乐资本论
在客户一侧，由Agent调度模型的方式已经进入生产管线。
漫森文化总经理助理谭琳表示，其自研中台更偏向用Agent去自动调用整套工作流，在剧本分析、分镜画面生成、画面后期处理、剪辑等环节，WAND-Vega-Video和WAND-Enhance+都被封装在Agent内部，“我们的创作者不需要再去单个节点工具里手动调用它，而是在生成过程中由系统自动触发调用”。
山海星辰AI产品负责人闫依帆则将服务“讲故事”的Agent演进概括为三个方向：一是能主动洞察市场热点和创作者偏好、发起提案的主动式智能体；二是音频、视频、图片、文字等各类输入都能在同一个工作台里流转的All-in-One交互；三是沉淀行业Know-how的垂类Skill。
以其已对外发布的剧本Agent为例，团队把内部编剧的创作方法论和爆款剧集的投流验证数据沉淀为结构化Skills，用来打磨决定整部剧生死的前3集剧情钩子。她认为，未来的终局会是“上层垂类Agent+底层专有模型/基模”深度整合的一体化打包方案。
本次大会期间，娱乐资本论也在展厅看到有AI影视画布产品展示了通过WorkBuddy调用自身Agent的能力。现场工作人员向小娱讲解，这个调用相比直接在界面内使用Agent问答，有两个变量：
一是WorkBuddy自身的多种基模可供选择，其中有的复杂的推理模型和调度模型，可以更好分拆和优化简单提示词，用户输入WorkBuddy的是一句话，WorkBuddy传导给画布Agent的却是更细致，更懂潜台词的一系列指令。
二是WorkBuddy作为各种生态串联的中间层，已经接入多种软硬件，用户可方便通过麦克风、手表、智能工牌、智能眼镜等终端“言出法随”地指挥操作。
同台交流的HiDream智象元一（原“智象未来”）曾在三个月内累计完成了超20亿元人民币融资，快速成长为行业独角兽，并已搭建起涵盖图像、视频、交互式世界模型、具身智能模型在内的模型矩阵。
智象元一（HiDream.ai）商务副总裁沈伟峰指出，随着时间推移，用户在前端选择具体模型的心智一定会逐步弱化：“以前用户面对市面上五花八门的模型只能盲目选或者花大量精力去试错提示词习惯；未来用户将更聚焦最终拿到的Result（结果），由上层Agent如智象帧赞与腾讯云WAND这样的中枢平台根据任务特征自动完成模型匹配与后处理调优。”
在跨境电商赛道，效能提升更为惊人。紫讯科技旗下拥有跨境电商行业知名的紫鸟浏览器及跨境电商AI品牌LinkFox AI，截至2026年5月底，用户通过LinkFox完成的AI图像生成请求已超过8500万次。紫讯科技联合创始人杜玉生透露，目前LinkFox AI的注册To B跨境商家已突破100万家；接入WAND-Vega图片模型后，卖家生成图片的实际采纳商用率从原先的50%~60%跃升并稳定在70%~80%。
“跨境电商的核心无非是‘人、货、场’，过去卖家在聘请外籍模特和实景拍摄上的投入极重，属于典型的人力密集型产业。”杜玉生说，“在美工和设计师这个角色上，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，短短半年内，卖家的人力替代效率直接翻了一倍。”
李志成还在现场透露，目前腾讯云音视频及WAND多模态业务在海外区域的收入与需求占比增长极快。当前，华人创业团队出海，做海外AI推理平台、跨境电商工具及短剧出海的现象越发普遍。
不挑模型，也是海外创作者的共识。位于加拿大和硅谷的多模态媒体实验室（MML），承制了大量纪录片与高端品牌视频内容。其首席创意官杨格斯（Yangos Hadjiyannis）在现场连线中表示：“对我们来说，模型来自哪里其实并不重要，我们同时使用西方和东方的模型。我们真正看到的是，不同技术之间的边界正在变得模糊，为故事叙述的不同环节挑选合适的模型，才是我们真正在意的。”
李志成说，“现在大家看到的文生视频基本都是离线生成，出一个几秒的高清视频要等4到5分钟；而在海外Twitch和Fal等平台上，已经开始出现AIGC实时生成式直播了。但现在海外跑一路AIGC实时视频直播流的算力成本，一天就要烧掉8000到10000美金，折合人民币一个月七八十万到上百万元。这么高的成本，任何商业模式都不可能算出正向ROI。所以今天全行业拼命通过工程优化把推理成本打下来，绝不是为了打价格战，而是为了把实时AI交互等下一代应用生态真正催熟。”
