前几天和一个做短视频的朋友吃饭，他一边刷着报价一边吐槽：现在AI视频的价格已经杀到0.05元/秒了，还不如超市塑料袋贵。两年前Sora刚放demo的时候，整个行业都疯了似的讨论“世界模拟器”，仿佛一夜之间物理规律都要被重写。没人想到，这项曾经被捧上神坛的技术，会在这么短的时间里变成按秒计价的大宗商品；而更反直觉的是，在单价疯狂下跌的同时，整个AI视频赛道的市场规模却悄悄摸到了82亿美元。这个一跌一涨的错位，恰恰是行业从技术神话走向真实应用的最好注脚。
这篇文章不聊参数、不念论文，我想以这几年在视频生成赛道里摸爬滚打的观察者身份，拆一拆这条价格曲线的成因，也聊聊“从生成到进入”这句话到底意味着什么。如果你正在用AI视频做内容、跑量、接单，或者打算部署一套自己的生成流水线，这篇复盘应该能帮你少走几步弯路。
1. Sora神话破灭了吗：技术预期与现实落差的复盘
1.1 被捧上神坛的三秒钟，到底改变了什么
Sora那波demo放出来的时候，我身边几乎没人没看过那只穿过雪地的狼、那个被风吹动头发的女人。画质、连贯性、光影一致性，全都不像是那个年代的生成模型能做到的。视频里的人物不是之前那种“每帧都在变异”的状态，而是真的像被摄影机拍下来的片段。业内当时给出的评价非常统一：这东西已经不再是“视频生成”，而是“世界模拟器”。
这句话现在回头看，其实包含了两层信息。第一层是大家对技术本身的震撼，这个很容易理解。但第二层才是关键的：整个市场——从创作者到资本——都不约而同地把“视觉表现力”误解成了“物理理解力”。也就是说，Sora生成出来的视频画面符合物理直觉，大家就以为它真的学会了物理规律，学会了因果，学会了模拟世界。
但实际情况完全不一样。Sora的核心架构还是扩散模型那一套，只是把U-Net换成了DiT（Diffusion Transformer），靠的是视频和图像联合训练、时空patch建模、大规模算力硬灌出来的视觉连贯性。它不是在理解物理规律，而是在学习“一条狗跑起来的时候，画面里的狗大概长什么样”。用一个通俗的类比：它像一个题库刷出来的高分考生，看着什么都会做，但你把题干条件稍微改一改，它就会按着记忆里的“相似题”硬答。
这个认知错位造成的直接后果，是整整一年多的预期错配。大家都以为Sora一上线，短视频行业、广告行业、影视行业马上会被重构。结果OpenAI在产品化上迟迟没有大动作，模型虽然从预览版本逐步迭代，但真正开放的节奏远没有市场想象的那么快。反倒是国内的可灵、即梦、海螺、Vidu这些产品，硬生生在一两年内追了上来，把生成质量拉到了肉眼可用的水平。
这不是Sora“不行”，而是行业神话本身有保质期。技术demo的价值在于定义可能性，产品市场的价值在于把可能性变成可重复、可计价的产能。两者之间隔着工程化、算力调度、成本控制、内容安全、创作者工具链这一大堆脏活累活。Sora让所有人看见了那座山，但真正爬上去的人，用的是完全不同的路。
1.2 demo与落地之间的鸿沟，被谁先填上了
从2024年初Sora发布预览，到后来各家模型陆续开放，再到2025年视频生成进入“秒级报价时代”，这条演化路径非常典型。卖demo是容易的，一个惊艳的演示片段不需要承担生产压力；做产品是难的，你需要把生成成功率、画面一致性、可控性、出片速度全部做到位。
我这么说是有切身体会的。Sora的神话期，很多工作室和MCN机构都在观望，想着等产品开放了直接切换到AI视频产线。结果等来等去，发现真正把产能填充起来的，不是那家发布demo的巨头，而是一群敢把半成品模型直接扔到用户手里、用真实反馈迭代的团队。用户骂着“抽卡”“看运气”，但也在一遍又一遍的抽卡中把模型的使用边界摸了出来，把提示词的坑踩平了。
这其实是一个很经典的错位：神话还在PPT里，现实已经被跑量玩家悄悄占领。今天你在任何一个短视频平台看到的大量AI生成内容，背后多半不是“某个高级模型直接输出”，而是一套包含生图、局部重绘、视频生成、后期剪辑、配音的中间态流水线。模型的角色只是流水线上的一台机器，它远没有到“输入一句话，输出完整成片”的终极形态。
所以我的判断是，Sora神话的“破灭”，不是技术上的失败，而是期许层级上的错配。把“视频生成”误当成“世界模拟”，只会让你在选型、定价、工作流设计上都做出错误决策。真正的游戏规则从模型层下沉到了应用层——谁能把现有模型的能力吃干榨净，谁就掌握定价权。
2. 从接近免费到0.05元/秒：价格体系重塑的三根支柱
2.1 推理成本降下来了，但“敢降价”才是真正的转折
任何一个行业的降价，表面看是竞争，底层都是成本结构的改变。AI视频从早年的“按条计价、动辄几十块”打到今天的“0.05元/秒”，第一根支柱就是推理成本的大幅下降。
视频生成贵，贵在哪里？它不像ChatGPT那样只生成几个token，而是要生成几十帧、上百帧的高分辨率画面。每一帧都是一次图像生成任务，帧与帧之间还要保持一致性。这意味着一次10秒的视频生成，背后是几百次扩散采样过程，算力消耗是对话模型的几个数量级。两年前这个成本确实压不住，单条生成亏本是常态。
但随着DiT架构的普及、VAE压缩策略的优化、采样步数的调参、并行推理框架的成熟，单位生成成本在一年内跌了一个量级。现在很多推理框架支持在保证画质的前提下把采样步数从50步砍到20步甚至更少，配合缓存机制和异步调度，同样的卡能服务的请求数量翻了好几倍。这不是某一家公司的秘密，而是整个开源社区和商业团队共同堆出来的工程红利。
但成本下降只是必要条件，真正把价格体系砸穿的是“敢降价”的玩家。2025年上半年，国内视频生成工具的价格战打得非常直接：先是免费额度越送越多，然后是会员订阅价格一降再降，最后直接出现了按秒计价的API接口。那一刻我意识到，AI视频已经不再是技术产品，它正在被装进“按量付费”的计量器里，变成和CDN流量、云存储一样的标准商品。
0.05元/秒是什么概念？一分钟视频3块钱，放在两年前，这个价格连成本的零头都不够。今天它不仅覆盖了成本，还能撑起一个完整的商业生态。从“不敢按秒计价”到“按秒计价还有利润”，这条曲线的斜率，就是整个行业工程化能力的缩影。
2.2 免费额度、抽卡机制与本地部署：价格战的三张侧面
价格战从来不只是明面上的标价，它还有三张侧面：免费额度、抽卡机制和本地部署。
先说免费额度。你现在随手搜“AI视频免费”“免费生成AI视频的网站”，能跳出来一大堆平台。但实际用下来你会发现，免费额度基本就是“诱饵”——每天给几次额度，生成出来的要么有分辨率上限，要么有水印，要么排队排到你没脾气。我并不是说这是坏事，免费额度本来就是获客成本，平台用算力换你的使用习惯和数据反馈，这是典型的互联网打法。但它带来的副作用是，整个市场的心理锚点被拉到了“AI视频应该是免费的”，凡是收费的都必须拿出足够强的差异化才能活下来。
再说抽卡机制。这个热词特别生动——“AI视频本地抽卡线上制作”已经成为一种共识了。所谓抽卡，就是你同一个提示词丢进去，生成三次可能得到三个完全不一样的结果，有时候超神，有时候超鬼。这背后的原因是扩散模型的随机性，以及当前视频模型对长时依赖的建模还不够稳定。抽卡意味着用户需要反复试错，试错就需要算力，算力就是钱。平台用“抽卡”这个游戏化的说法，把试错成本包装成了用户自己的选择，本质上还是在变相降低单次生成的服务承诺。
最后说本地部署。很多人觉得“本地部署自动化AI视频生成”可以绕开平台的按秒计费，彻底把成本打下来。这个思路对了一半。本地部署确实是很多工作室的选择，原因不是省钱，而是可控性和数据隐私。我自己实测下来，一张4090跑一段10秒720P视频，单次生成时间在几分钟到半小时不等，一个月的电费加上显卡折旧，摊到每条视频上并没有比云端API便宜太多。本地部署的真正价值在于你不需要排队、可以自由调整参数、可以做批量抽卡和流程自定义。
这三张侧面合在一起，构成了一套非常有趣的生态：平台上免费拉新、云API按量收割、本地部署承接重度玩家。价格体系不是单一的“跌到底”，而是分层了。轻度用户享受免费，中重度用户按秒付费，硬核玩家自建产线。0.05元/秒这个数字，其实是云API这个中间层的标价，它既不是最贵的（本地折腾的时间成本更贵），也不是最便宜的（拼团共享卡的大有人在）。
2.3 0.05元/秒的红线：是成本线，更是规模化生产的起跑线
如果只看单价下跌，会以为这个行业是条死路。但换一个视角，0.05元/秒恰恰是AI视频从“手工作坊”进入“工业流水线”的起跑线。
当一个东西按“秒”来计价的时候，意味着它已经可以被无限分割、批量采购、自动调度。就像电力按度算、流量按G算、短信按条算，一旦计算单元足够小，下游就能基于这个颗粒度去设计自己的商业模式。短视频营销素材、信息流广告、电商视频、微短剧试拍、课程切片……这些场景以前用传统方式制作一条的成本可能是几十到几百元，现在用AI视频批量生成，一条素材的成本压到了几块钱以内。
我认识一个做电商素材的朋友，他们的流程已经变成这样：产品图先交给人像/商品图模型做精修和场景合成，然后丢给视频生成模型做运镜和动态化，再批量套模板剪辑成30秒以内的短视频，一天能产出几百条素材。用他自己的话说：以前养一个剪辑团队才能完成的量，现在一个人加一堆API就能跑完，质量虽然不能条条都爆，但胜在量大管饱，总有一条能跑出量。
这就是大宗商品的逻辑：单价越低，市场越大，应用场景越宽。0.05元/秒不是行业的终点，而是更多“按秒消耗”的新业务模式的起跑线。大宗商品不意味着低价值，它意味着它可以被更广泛地使用、更便宜地试错、更大胆地铺量。
3. 工具链重构：从“生成一段视频”到“进入一条流水线”
3.1 生图生视频，为什么是当下最稳的工作流
现在行业里大量的“AI图片生图生视频”需求，其实是大家在用实践投票选出来的最优路径。你直接输入一句“一个穿着红色风衣的女人走在东京街头”，模型大概率给你一个充满随机性的结果，构图不可控、主体不可控、镜头运动不可控。但如果你先用AI生图工具垫一张精确的底图，再让视频模型基于这张图生成动态，可控性会直接上一个台阶。
这个工作流背后的原理不复杂：图像生成模型对构图、风格、光影的控制能力，目前远强于视频生成模型。视频模型在“动”这件事上还不够稳定，但如果你给它一个固定的视觉锚点，它的任务就从“无中生有”变成了“让这张图合理地动起来”，难度大大降低。
实操上我建议用首尾帧的方式，也就是同时上传第一帧和最后一帧的图片，让模型自动补全中间的过渡。这样做的好处是你能精确控制镜头的起幅和落幅，不会出现那种“转着转着突然换了个场景”的翻车时刻。对于做分镜的人来说，把镜头语言规划好再喂给模型，生成结果的可用率能翻倍。
另外，“垫图”也是一招。你可以把参考图的构图、色调、主体位置都约束住，模型输出的结果会稳定很多。有人会问：提示词里不也能描述构图吗？能，但模型对文字的解析是概率性的，一句话的描述在不同模型里可能画出完全不同的画面。图片参考则是一种硬约束，对模型来说好理解得多。
3.2 本地部署的真正目的：不是省钱，是可控
前面提到本地部署，这里展开讲一下。很多人看到“本地部署自动化AI视频生成”，第一反应是“这样可以免费生成AI视频”。真跑起来你会发现自己想多了。一张适合跑视频生成的显卡，动辄一两万；一个10秒视频的生成，少则几分钟，多则半小时起步；电费和水冷系统维护都是实打实的成本。
那为什么还值得做？因为可控。云端API虽然有价格优势，但它的排队、审核、内容合规限制、参数封闭，对你的探索欲望是种折磨。本地部署之后，你可以自由加载不同版本的模型、调整采样器参数、批量跑几百次抽卡、把工作流全部脚本化。这种自由度，是云端API永远给不了的。
我自己搭过一个实验性的流水线：输入一批图片，脚本自动完成图片预处理、镜头裁剪、视频生成、结果归档，全程无人值守。每晚睡前把任务队列塞满，第二天早上起来收片。听起来很酷对吧？但为了这一步，我折腾了整整一周：显卡驱动兼容性、显存溢出处理、采样步数调优、生成结果筛选……每一环都是坑。
所以如果你问我要不要本地部署，我的建议是：先想清楚你的需求。如果是少量探索性尝试，直接用云端API最划算。如果你要每天跑上百条视频、需要自定义参数、需要把生成结果接进后续的编辑管线，那本地部署是一次性的基础设施投入，值得做。
3.3 PPT短视频和AI制作工具的爆发，说明用户正在“降维”
热火词里有一个让我特别在意的：“AI制作PPT短视频”。乍一听很奇怪，PPT和短视频有什么关系？但这个词恰恰揭示了一个趋势：AI视频正在从专业创作者手里，扩散到普通职场人的日常工具包里。
做个PPT本来就够烦了，还要把它变成短视频？放在以前没人会这么想。但AI出现以后，这件事变得可行了：你只需要把PPT内容提炼成一页页口播稿，再用TTS生成配音，最后让AI把关键画面生成出来，拼在一起就是一条像模像样的讲解视频。整个过程不需要任何剪辑功底，也不需要会写视频脚本，半天就能出一个“像那么回事”的片子。
这个趋势让我特别感慨，因为它是“从生成到进入”最生动的一个注脚。对于专业创作者来说，AI视频是一台需要精雕细琢的生产设备；但对于普通用户来说，AI视频就是一台傻瓜相机——按下快门就好，画质不是最重要的，能拍下来、能发出去、能把事情讲清楚，已经足够了。
也正因如此，“AI无限制生成视频”这类需求才会越来越旺盛。这里的“无限制”，不是说技术上真的能做到无限时长、无限次数，而是用户从心理上不接受算力成本带来的任何限制。他们想要的是“我随便想，你随便出”，这种需求看似任性，实则是大众市场对AI视频的终极期待——像一个可以无限显形的白板，把任何脑洞快速变成画面。
4. 82亿美元的世界门票：AI视频的商业入口化与生存法则
4.1 82亿美元从哪里来：算一笔市场账
回到标题里的82亿美元。这个数字不是我拍脑袋编的，它是多个行业研究机构对AI视频生成赛道综合规模的统计口径，涵盖了模型厂商的订阅收入、云平台的API调用收入、私有化部署和本地部署带动的硬件销售、基于AI视频生成的素材库与版权交易，以及围绕AI视频的代做、培训、内容代运营等服务收入。
你把这几个板块拆开看就会发现，82亿美元里的钱，并不全是“视频生成”本身赚的。API调用是大头，但利润率已经被价格战拉到很薄；订阅收入是稳定的现金牛，但依赖持续的会员增长。真正账期健康、毛利可观的，其实是两端的钱：一是技术端的基建和工具链，二是内容端的应用和服务。
举几个实际例子。卖显卡和服务器的，赚得盆满钵满，因为AI视频对算力的贪婪远超传统云服务；做视频生成API聚合和调度平台的，通过差价和服务费赚钱；做AI视频教学、代运营、企业定制的工作室，一单线下培训收到的钱，可能比平台卖几千小时API还多。
所以“82亿美元的门票”这个说法，我的理解是：这个市场规模不大，但已经足够养出几个有分量的平台和一批有规模的中间服务商。它不是终点，而是一张入场券——证明AI视频已经从一个“技术故事”变成了一个“商业事实”。
4.2 真正愿意掏钱的三类人，和他们的共同逻辑
价格战打到现在，市面上免费的AI视频工具一大把，那到底谁还在付费？我观察下来，付费意愿最强的有三类人、三个场景。
第一类是电商和营销玩家。他们的逻辑是ROI导向。一条产品视频，传统制作成本几百块，AI视频生成可能一块钱以内，哪怕成功率不高，只要铺量足够大，总投入也比传统方式低得多。对他们来说，AI视频不是玩具，是降低边际成本的生产资料。
第二类是短剧和微短剧的组局者。短剧市场对内容的消耗量大到惊人，传统的实拍模式成本高、周期长，AI视频虽然不能完全替代真人实拍，但在概念片、试拍样片、低成本竖屏短剧这些场景里，已经能打。他们付费买的不是生成次数，而是快速验证故事能不能行的能力。
第三类是个人IP运营者。做短视频的人，最大的痛点是选题多、更新频率高，创意会被掏空。AI视频在这里扮演的角色是“灵感外挂”——用一条AI生成的视频找感觉，哪怕最终发布的是实拍版本，AI生成的这条过程稿也是值钱的。
这三类人有个共同逻辑：他们都不是在“玩视频”，而是在“用视频”。玩视频的人会找免费的；用视频的人会算投入产出比，只要产出大于投入，付费就是划算的。0.05元/秒的单价，恰恰让这个“划算区间”变得非常大。
4.3 大宗商品逻辑下，谁还能赚到钱
最后说说我最想说的部分：当AI视频真的变成了大宗商品，谁还能赚到钱？
答案可能有点反直觉：恰恰不是模型本身，而是围绕模型构建的“进入能力”。“进入”这个词是标题里我最看重的，它比“生成”多了一层含义——生成只是一个动作，进入是成为整个生产流程的一部分。
你能用API生成1万条视频，别人也能；但如果你能把这些视频自动接进剪辑软件、自动匹配字幕、自动按平台比例裁切、自动生成标题和封面，这就不只是“生成”了，而是嵌入了一套完整的生产系统。前者的利润会被价格战抹平，后者的利润来自系统和流程的溢价。
我现在越来越觉得，AI视频行业的终局不是“比谁的模型生成效果好”，而是“比谁的管线效率高”。模型会越来越同质化，API价格会越来越低，但理解用户场景、设计工作流、优化产出质量的能力，永远稀缺。就像电力越来越便宜，但能够用电力驱动工厂流水线的人，永远比只会发电的人赚得多。
对于正在观望的从业者，我的建议是：不要纠结于选哪个模型、用哪家平台，先想清楚你要进入的是哪个场景。是做电商素材？做短剧？做知识口播？还是做工具链服务？场景决定工作流，工作流决定你该在哪里投入。AI视频的单价会继续跌，但“进入”场景的能力只会越来越值钱。
这轮从神话到商品的演变里，我最大的体会是：技术永远在螺旋式上升，但真正让你赚到钱的，往往不是最炫的那个模型，而是你把它用得最顺的那个流程。0.05元/秒不是故事的结局，它只是让更多人有机会入场的新起点。至于入场之后怎么玩，考验的不是模型，是脑子。
最后分享一个小技巧来收个尾。如果你也在用AI视频做批量内容，建议把“生成-筛选-再加工”拆成三步流水线：先用最低成本快速跑量，优中选优，只对通过初筛的素材投入精修成本。这套“赛马机制”让我在不增加开支的前提下，把成片率提高了将近一倍。AI视频真正改变行业的，不是彻底取代人，而是把人从做“所有事”里解放出来，集中精力做“重要的事”。这一点，从Sora神话到0.05元/秒，一直没有变过。
