Vidu 是由中国人工智能公司 生数科技（Shengshu AI） 于 2024 年推出的一款 生成式 AI 视频模型，也是中国首个公开发布的、具备较强文生视频（Text-to-Video）能力的大模型。Vidu 的发布标志着中国在多模态生成式 AI 领域，特别是在高质量视频生成方面，迈出了关键一步。
一、基本信息
发布公司：生数科技（Shengshu AI）
首次亮相时间：2024 年 4 月 27 日（在 2024 中关村论坛年会上正式发布）
模型名称：Vidu
核心技术定位：超大规模文生视频生成模型（Text-to-Video Generative Model）
对标产品：OpenAI 的 Sora、Runway 的 Gen-2/Gen-3、Pika、Stable Video Diffusion 等
二、核心能力与技术亮点
1. 文生视频（Text-to-Video）
用户仅需输入一段自然语言提示（Prompt），Vidu 即可生成一段 16 秒、1080p 分辨率 的高清视频。
支持复杂场景描述，如“一只穿着宇航服的熊猫在火星表面漫步，背景是红色沙丘和地球升起”。
2. 时空一致性（Spatiotemporal Coherence）
Vidu 能较好地保持视频中物体的形状、颜色、位置在时间维度上的一致性，避免早期视频生成模型常见的“闪烁”“形变”“物体漂移”等问题。
例如：生成“一个人在雨中奔跑”，人物姿态、雨滴方向、背景透视关系较为连贯。
3. 基于自研架构：U-ViT（Unified Vision Transformer）
Vidu 采用生数科技自研的 U-ViT 架构，将图像和视频统一建模，支持端到端的时空联合生成。
相较于传统扩散模型（Diffusion）仅在空间维度操作，U-ViT 在 时间和空间维度同时建模，提升动态表现力。
4. 单镜头长时长生成
可一次性生成 16 秒 的连贯视频（早期 Runway Gen-2 仅支持 4 秒，Gen-3 提升至 10+ 秒），接近 OpenAI Sora 的水平（Sora 支持最长 60 秒）。
所有内容为 单次生成，非拼接或插帧，保证语义连贯性。
5. 物理与光影理解
模型展现出对基础物理规律（如重力、碰撞）和光影变化（如阴影、反射）的初步理解。
例如：生成“玻璃杯被打翻，水洒在桌面上”，液体流动方向和反光效果较为真实。
三、应用场景
影视预演（Previs）：快速生成镜头草稿，辅助导演构思。
广告创意：低成本制作概念广告视频。
游戏开发：生成角色动画、过场剧情参考。
教育与科普：将抽象概念（如分子运动、天体运行）可视化。
短视频内容创作：个人创作者通过文字快速产出视觉内容。
四、技术背景与团队
生数科技（Shengshu AI） 成立于 2023 年，核心团队来自清华大学、北京大学、Google、Meta 等机构，在计算机视觉、多模态学习、生成模型领域有深厚积累。
公司聚焦 视频生成大模型 赛道，Vidu 是其首个公开成果。
技术路线强调 自主创新，U-ViT 架构不依赖 Stable Diffusion 等开源图像模型，具备完整知识产权。
