字节大模型内部赛马，下一个爆款 or 烧钱深坑？

声明:本文来自于微信公众号 Tech星球（ID:tech618），作者:陈桥辉，授权站长之家转载发布。

今年最火的两款全球AI产品，当属视频生成大模型产品Sora和音乐生成大模型产品Suno。

今年4月，经Suno爆改的周杰伦金曲《以父之名》和《夜曲》直接封神，在音乐界掀起了一股不小的波澜。不少人认为，这两条赛道会催生出新的爆款产品，谁能够拿下其中一条赛道，谁就能成为AI行业的王者。

两款AI产品的火爆，迅速点燃了国内大厂对这两条赛道的争夺战。阿里发布了通义万相AI视频服务，字节跳动发布了“PixelDance”，快手发布了视频大模型产品“可灵”，QQ音乐、网易云音乐也发布了AI创作功能，而AI头部公司的Minimax、生数科技、智谱AI也纷纷跟进。

在这两条热门赛道中最不遗余力的当属字节。9月24日，火山引擎在深圳举办AI创新巡展上，发布了豆包视频生成-PixelDance、豆包视频生成-Seaweed两款大模型，意味着字节正式宣告进军AI视频生成赛道。

不仅如此，字节还在音乐生成赛道上，推出了Seed-Music音乐生成模型，并于今年7月推出了发布了全新版本的海绵音乐APP，主打“一键创作你的AI音乐”，这款产品也是字节AI音乐产品的代表作。

至此，字节完成了在AI视频和AI音乐这两条热门赛道上的全布局。火力全开之下的字节，能够得偿所愿吗?

字节AI赛道创业:试错、内部赛马并举

豆包视频生成大模型的发布，是字节在AI领域的一次重磅亮相。

据火山引擎介绍，豆包视频生成模型基于DiT架构，通过高效的DiT融合计算单元，让视频在大动态与运镜中自由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。

而在此前视频生成模型大多只能完成简单指令，豆包视频生成模型则能实现自然连贯的多拍动作与多主体复杂交互。例如，后者可以让不同人物完成多个动作指令的互动，使人物样貌、服装细节甚至头饰，在不同运镜下也保持一致，接近实拍效果。

基于豆包视频生成大模型，字节内部也推出了相关的具有AI视频生产能力的产品，主要由两个业务团队在推进，一个是豆包，一个是剪映，可以看做是内部的一场赛马。

豆包对外的产品是豆包APP，剪映则是即梦AI APP，两者的底层技术都是使用的豆包视频生成大模型，即梦使用的是豆包视频生成大模型“PixelDance”。

两款产品虽然都有着视频生成能力，但即梦更具有代表性。

即梦的前身是Dreamina，是原字节跳动中国CEO、转岗至剪映的业务负责人张楠的创业项目。刚上线之时，这仅仅是一个文生图的创作产品。随后，Dreamina瞄上了Sora的潜力，内部基于PixelDance模型开始研发视频生成能力，今年2月，Dreamina的视频生成服务开启对外测试。

今年5月，Dreamina改名即梦，宣布其AI作图和AI视频生成功能全量上线，并在抖音内进行大量投放。张楠更是在朋友圈转发，称即梦刚刚上线，还有很多待优化的地方。

音乐生成方面，海绵音乐APP则是字节的代表，这款产品是字节在AI赛道上试错的一个典型案例。海绵音乐的前身是2022年2月的海绵乐队APP。Tech星球了解到，这是字节内部的一款创业项目，但这款产品诞生之初并不是奔着AI而去，而是服务于汽水音乐和抖音上对音乐编辑有所需求的用户。

到了2022年底，随着国内AI浪潮出现后，海绵乐队才开始转向AI领域，并加入AI作曲能力，但此时的创作能力很一般，“因为此时的字节，并没有成体系的音乐生成大模型，海绵乐队只能靠自己去摸索”，一位曾在海绵乐队工作的员工向Tech星球表示。

2023年6月推出了新版本，主打哼唱成曲和伴奏制作，虽然在AI能力上仍不出众，但对接下来的试错和更新提供了经验。随着豆包音乐生成模型的出现，才让海绵乐队有了一战之力，最终在今年7月，更名为海绵音乐，主攻AI音乐创作赛道。目前，已经开始在各渠道进行投放推广。

需要注意的是，字节的AI产品在这两条赛道上的发展并不是独立，而是相互竞争。豆包、即梦在近期也开始推出音乐生成服务，逐步渗透到AI音乐赛道，“竞争是无可避免的，谁都想成为爆款AI产品，谁都想成为或继续保持在内部的核心位置，这无疑需要AI产品更加具有综合体验”，即梦的一位运营告诉Tech星球。

左手视频，右手音乐

据七麦数据显示，字节视频生成APP即梦自今年8月上线以来，在iOS端的摄影与录像（免费）榜单的排名逐渐上升，两个月时间，已经稳定在前40的名次，安卓端，近30天日均下载量，为22978次。

借助抖音APP以及投放，即梦的视频生成服务逐渐成为不少抖音创作者的首选。但即梦并不满足于此，今年8月，即梦开始在AI短剧领域的创作探索。联合抖音、博纳影业AIGMS制作中心出品并制作《三星堆:未来启示录》。即梦还在抖音内发起了“即梦AI迷你剧场”的活动，支持AI短剧的创作。

截至9月，豆包大模型日均tokens使用量已经超过1.3万亿，相比5月首次发布时猛增十倍，其中不乏即梦所作出的贡献。

在商业模式上，即梦已推出会员体系，有79元单月、69元连续包月和659元包年的基础会员等不同订阅方式。具体来说，基础会员每月可使用505个积分生成约2020张图片或168个AI视频。

有分析人士认为，即梦目前的产品功能、商业模式聚焦于服务UGC（用户生成内容），与抖音的生态融合将是未来的发展重点。

相比于字节在视频生成方面取得的成绩，字节在音乐生成方面，目前仍然是不温不火。七麦数据显示，海绵音乐有着广告投放，但并没有在iOS端，取得排名，近30日日均下载量仅为15次。

音乐行业人士李磊认为，虽然AI音乐很火，但好听的AI歌曲创作多来自于专业人士，普通用户对于AI音乐生成工具的使用门槛和学习成本也有一定的要求，如果工具过于复杂或难以使用，就会影响用户的体验和接受度。而且，用户对AI音乐的接受度也需要时间来培养。

“字节在多个领域都有业务布局，在资源有限的情况下，公司需要在不同业务之间进行资源分配和权衡。AI音乐生成领域虽然具有很大的发展潜力，但在前期需要大量的研发投入和市场推广，相比于更加成熟的AI视频，公司肯定更愿意加大对这一块的力度投入”，一位汽水音乐的运营小可告诉Tech星球。

下一个AI爆款，还是烧钱深坑

不可否认，AIGC（人工智能生成内容）是一个巨大的市场，量子位智库预计，2024年我国AIGC应用市场规模达到200亿。2030年，我国AIGC应用将成为万亿规模市场，五年(2024-2028年)平均复合增长率超过30%。

目前，国内在视频生成模型方面，有优势的是快手和字节跳动，因为二者的业务离视频更近，能够待其视频生成足够优秀之后会快速完成拉新，并带动用户体验提升。

而背靠快手的视频生成AI产品可灵，也成为了字节在AI视频赛道上最有力的竞争者。

可灵的发展速度也很迅猛，今年8月的官方数据显示，可灵累计生成视频数量超过1600万，不到2个月，可灵AI已有超过360万用户，累计生成3700万个视频和超过一亿张图片。

近日，快手副总裁、大模型团队负责人张迪宣布，可灵AI将内测视频人脸模型功能。该功能基于创新的ID保持能力，支持用户自助训练人脸模型，完成训练后，可使用该模型进行5秒至10秒的文生视频。

此外，AI视频生成技术研发成本高和周期长也是一个事实。据界面新闻报道，百度CEO李彦宏称“百度不做Sora”后，有关“中国版Sora到底值不值得做”的话题，在微博、小红书等社交媒体引发众多争论。

李彦宏在内部讲话中称，Sora这种视频生成模型的投入周期太长，10年、20年都可能拿不到业务收益，无论多火爆，百度都不去做。

AI音乐生成方面，版本正在快速迭代，字节仍需快马加鞭。近日，AI音乐创作平台Suno推出的一项创新功能——SunoScenes，允许用户通过上传照片和视频作为提示词，生成与之相匹配的30秒音乐。

而且，音乐数据的版权问题也是一个挑战。获取合法的音乐数据，需要与版权方进行合作，这可能会增加成本和难度。同时，音乐数据的质量也参差不齐，如何筛选和整理高质量的音乐数据用于模型训练是一个重要的问题。