Мульти-модальні «Deepseek момент» — диференціація великих компаній: ByteDance зосереджена на «ефективності», Kuaishou прагне до «професіоналізму», Alibaba зосереджена на «електронній комерції»!

На початку року ця хвиля мультимодальних оновлень відбувається дуже швидко: 31 січня Куайшоу випустив Kling 3.0, 7 лютого ByteDance представила Seedance 2.0, 10 лютого — Seedream 5.0 від ByteDance та Qwen-Image-2.0 від Alibaba, що додали ще один рівень для «створення тексту/зображень/редагування».

У дослідженні аналітичного інституту Huachuang Securities під керівництвом Яо Лей 12 числа прямо зазначено — генерація відео вже не просто демонстрація можливостей, а еволюціонує у інструменти, здатні інтегруватися у робочі процеси: «AI-генерація відео переходить від розваг у стилі лотереї до точного промислового виробництва». Причиною затримки комерціалізації є «модель витрат, зумовлена механізмом ‘збір карток’», що робить маргінальні витрати неконтрольованими: одна й та сама потреба в повторному створенні та редагуванні призводить до високого рівня відходів, що поглинає час і бюджет.

Основний акцент оновлення Kling 3.0 та Seedance 2.0 — не просто покращення якості зображень, а підвищення керованості: забезпечення послідовності головних об’єктів між кадрами, семантичне дотримання складних команд, а також можливість редагування після генерації — все це спрямовано на зниження рівня відходів. У висновках дослідження зазначено, що технологічний прорив створює основу для масштабованого використання AI-відео у B2B-робочих процесах, і перші сфери, які відчують цей вплив, — електронна комерція, реклама, короткі та довгі серіали.

Далі у звіті розділяють вплив на два рівні: перший — продуктова стратегія — ByteDance більше орієнтована на «інфраструктуру ефективності», тоді як Куайшоу — на «професійне оповідання»; другий — революція на стороні пропозиції, що зменшує витрати — маргінальні витрати на створення контенту дедалі більше схожі на витрати на обчислювальні ресурси. У контексті інвестицій дослідження зосереджує увагу на потенційних вигодах для IP-контенту, авторських прав, інструментів/моделей AI для відео, а також для хмарних сервісів і платформ.

Те, що справді вирішується — це неконтрольовані витрати, викликані «збіром карток»

У звіті повторюється логічний ланцюг: раніше AI-відео було важко комерціалізувати не через неспроможність створити, а через нестабільність результату. За однаковим сценарієм, однаковими матеріалами та підказками якість готового відео коливалась значно, змушуючи творців використовувати більше раундів генерації для досягнення бажаного результату, що призводило до неконтрольованих витрат.

Згідно з дослідженням, нове покоління моделей має значення у тому, щоб перенести «здатність до генерації» на задній план, а «керованість» — на передній, — за допомогою архітектури мультимодальних моделей, узгодження команд та посилення послідовності головних об’єктів/семантики, зменшити рівень відходів і знизити загальні витрати на виробництво відео. Це переформулює бар’єр для комерціалізації — з «можна чи ні» у «можна стабільно поставляти».

Kling 3.0 робить ставку на «кіношний ефект»: фізична реалістичність і довга логіка оповідання — пріоритети

У дослідженні ключові слова Kling 3.0 зводяться до двох аспектів: системне оновлення базових можливостей та інтеграція генерації й редагування (Omni).

Що стосується відео, оновлення Kling 3.0 зосереджені на: підвищенні послідовності головних об’єктів у багатокадрових/послідовних сценах; більш детальному аналізі складних текстових команд; зменшенні плутанини при одночасному зображенні кількох персонажів, а також підкресленні «точного відображення тексту та візуальних ролей» (включаючи багатомовність, діалекти, природне відтворення міміки та жестів).

Режим Omni — ще одна важлива зміна: можливість локального контролю та редагування вже створеного контенту, зменшуючи необхідність починати з нуля. У дослідженні також згадуються дві більш професійні функції: перша — створення головних об’єктів відео (виділення характеристик персонажів, їх голосу, точне відтворення міміки та рухів); друга — вбудована можливість налаштування сцен, з можливістю збільшення тривалості до 15 секунд, з можливістю вказати тривалість, кадр, точку зору, сюжет і спосіб руху камери.

Щодо зображень, Kling Image 3.0 розглядається як частина «завершення робочого процесу»: підтримка до 10 референсних зображень для фіксації контурів, ключових елементів і кольорової гами; можливість додавання, видалення та редагування елементів у кількох референсах; підтримка пакетного виводу для створення сторібордів або матеріалів; а також покращена якість високої роздільної здатності та деталізації.

Seedance 2.0 — індустріальний інструмент для «редагованого» відео

Звіт позиціонує Seedance 2.0 більше як «стандарт індустріальної якості»: на базовому рівні підкреслюється реалістичність фізичних закономірностей, природність рухів, точність розуміння команд і стабільність стилю; особливо виділяються три можливості — оптимізація послідовності (від обличчя до одягу, шрифти, зміни сцен); контроль складних рухів і зйомки; точне відтворення креативних шаблонів і складних спецефектів.

Ще важливіше — інтерфейс взаємодії. У дослідженні вважають, що Seedance 2.0 використовує синтаксис «@назва_матеріалу» для визначення призначення зображень/відео/аудіо, фактично розбиваючи «чорний ящик» генерації на керовані виробничі процеси: модель може окремо аналізувати @відео для руху камери, @зображення для деталей, @аудіо для ритму, що значно знижує рівень відходів.

Обмеження та рекомендації у використанні більш відповідають «виробничим обмеженням»: підтримка до 9 зображень; до 3 відео довжиною до 15 секунд; до 3 MP3 файлів тривалістю до 15 секунд; сумарно до 12 файлів; тривалість генерації — до 15 секунд (опційно 4-15 секунд); також є вбудовані звукові ефекти та музика. Вхідні дані організовуються через «початковий і кінцевий кадр» або «універсальний референс».

ByteDance орієнтується на «інфраструктуру ефективності», Kuaishou — на «професійне оповідання», Alibaba — на вертикальні сценарії електронної комерції

У дослідженні не так важливі «рейтинги» або «змагання», як стратегічний напрямок компаній.

Згідно з аналізом, ByteDance орієнтована на інструменти з низьким порогом входу, низькими витратами та широкою універсальністю, схожі на «剪映» у більш просунутій формі, з метою зниження витрат на створення контенту та підтримки екосистеми; Kuaishou робить ставку на фізичне моделювання, реалістичність складних сцен і послідовність ролей, що більше підходить для професійних проектів, таких як кінематографічні демо або сценарії; Alibaba зосереджена на високоточних моделях для зображень у вертикальних сценаріях (електронна комерція), підсилюючи можливості цифровізації товарів.

Ці три стратегії не спрямовані на один бізнес-модель: одна — на масштабне виробництво, інша — на високоякісне оповідання, третя — на вертикальні галузі з «готовим до виробництва» продуктом.

Революція у пропозиції контенту: маргінальні витрати наближаються до обчислювальних

У комерційному сценарії у звіті описується «революція пропозиції» досить радикально: після підвищення можливостей у графіці та відео, маргінальні витрати на створення контенту дедалі більше наближаються до вартості обчислювальних ресурсів.

У короткостроковій перспективі найбільше очікують на дві зміни: підвищення ефективності виробництва матеріалів для маркетингу та електронної комерції, що покращить валову маржу; а також можливий сплеск виробничих потужностей у сегменті коротких і довгих серіалів. У довгостроковій перспективі головний конфлікт зосереджений на IP — оскільки створення контенту стає дешевшим і легшим, цінність зосереджується на унікальних IP-об’єктах: провідні IP та їх похідні отримають вищу цінність, а середні IP можуть переоцінюватися через AI-відео. Одночасно, гіганти з потужною інфраструктурою (хмара) і закритими сценаріями (платформи) отримають пряму вигоду від частих викликів у системі.

Попередження про ризики та обмеження

Ринок має свої ризики, інвестиції слід здійснювати обережно. Цей матеріал не є інвестиційною рекомендацією і не враховує індивідуальні цілі, фінансовий стан або потреби користувачів. Користувачі повинні самостійно оцінити відповідність будь-яких думок, поглядів або висновків їхнім конкретним обставинам. За інвестиції відповідальність несе сам.