即梦、可灵、HappyHorse三强测评，谁翻车了？

AI视频模型进入“三国杀”。

AIX财经（AIXcaijing）原创

作者 | 陈丹

编辑 | 魏佳

随着HappyHorse的正式公测，中国视频生成模型进入“三国杀”时代。

在过去半年里，字节的即梦（Seedance 2.0）、快手的可灵3.0、阿里的HappyHorse先后登顶 Artificial Analysis视频模型榜单第一。

「AIX财经」用六段统一的提示词对三款模型进行了横向测试——四组古典艺术题材、两组现代落地题材。这六组覆盖了AI视频生成关键的能力维度：动作叙事、静态情绪、多人调度、文化符号还原、现代写实质感、商业可用性等。

三家模型在叙事密度、镜头语言、文化辨识度上，给出了三种完全不同的解法，也在不同的环节翻车，如中文文字乱码、多人面孔的“克隆人”现象，以及对特定文化符号的还原失误等。

以下是完整的测试报告。

01.

测试一：赵子龙单骑救幼主

提示词：0-3秒：远景。黄昏战场，烟尘弥漫，残阳如血。一员白袍银甲的年轻将军单骑自远处疾驰而来，白马奔腾，红色披风在身后猎猎飞扬。他怀中紧抱一个襁褓婴儿，一手紧握长枪。

3-6秒：中景。镜头跟随推近，白袍上已溅有斑斑血迹，银甲反射夕阳余晖。他长枪一挑，挑落迎面而来的一名敌将，动作迅猛如梨花纷飞。四周曹军黑甲红旗如潮水般涌动，他穿插其中。

6-10秒：近景特写。将军回首一望，目光坚毅决绝，缰绳一带，白马长嘶人立，他低头看了一眼怀中婴孩，随即扬枪策马，冲入更深的尘烟之中。镜头定格于他冲入尘雾的背影。

整体：中国古典战争电影质感，冷暖对比强烈——白袍银甲与黄沙血色的对比，慢动作与实时动作交错，尘土飞扬，胶片颗粒感，自然光。参考《赤壁》《影》《满城尽带黄金甲》战场镜头美学，4K。

难点：多镜头、多景别、连续叙事；高速动作与慢动作交错；密集群体交互；特定历史风格与画面质感。

战争戏是影视拍摄难度最高的场面之一。模型生成单镜头大片感画面并不难，难的是连续切换景别还能保持叙事连续——马的颜色变了、披风消失、人物面孔在镜头切换间漂移，是这类生成最常见的翻车方式。

这段提示词把难度叠在了一起：景别从远景到近景，节奏实时与慢动作交错，赵子龙、白马等多主体调度，三层挑战同时存在。任何一层失控，画面就垮。

视频：长坂坡赵子龙（即梦版）

Seedance2.0的执行最完整。白马、银甲、红披风、怀抱襁褓、长枪、敌军红旗、夕阳战场这些提示词里的视觉要素几乎全部命中；赵子龙脸颊的伤痕、银甲上的血迹这类细节也按提示词如实生成。最关键的是叙事密度，它在10秒内完成了冲入战场—挑落敌将—回首决绝—冲入尘烟的完整动作弧线，几乎是对提示词的逐句还原。

视频：长坂坡赵子龙（可灵版）

可灵3.0单帧画面质感好，第5秒那一帧，盔甲花纹、披风纹理、群演调度等细节非常充实。但它实际叙事内容只完成了“冲入战场”这一个动作，即梦用4秒讲完的事，可灵用5秒只讲了一半。

视频：长坂坡赵子龙（HappyHorse）

HappyHorse在画面风格上偏离了提示词。提示词要求的是《赤壁》《影》一类的实拍电影质感，HappyHorse给出的却是3D游戏的CG画风，烟尘饱和度过高、写实感偏弱、背景群演面目模糊。在叙事密度上，它最弱。

02.

测试二：黛玉焚稿

提示词：烛光昏暗的卧房内，一名病弱的年轻女子（林黛玉）坐于火盆前，手持诗稿缓缓投入火中。火光映照她苍白消瘦的面容，纸灰随热气飞起。镜头近景固定，极浅景深，光影对比强烈。

难点：静态情绪表演、"哀而不伤"的复杂情绪传达；古典室内空间的光影氛围；火焰与纸张的物理表现。

视频：黛玉焚稿（依次是Seedance2.0、可灵3.0、HappyHorse）

如果说赵子龙考验的是模型的动作能力，那黛玉焚稿考验的就是模型的表演能力。它没有剧烈动作、没有复杂场景，几乎所有信息都靠一张脸表达。这一组的真正难度在于复杂情绪的层次，模型必须在10秒内，通过面部微表情而不是动作来传达人物情感的复杂性。

Seedance2.0的表演水准接近古装剧的演员特写。视频中的黛玉情绪是克制、压抑的哀。后段有一帧人物含泪带笑、似哭非哭，表现出了黛玉“哀而不伤”的复杂感情。

可灵3.0把烛光、火盆、淡青色衣襟、深色木结构组成了一个冷暖对比的工整构图。它处理“焚稿”这个动作时给出了一个比即梦更具叙事铺垫的镜头——先凝视诗稿，再放入火焰，表达黛玉焚稿前的犹豫，但人物表演的层次稍弱。

HappyHorse开场把火焰直接挡在人物面前，后段镜头才切换到人物正面，人物眉头微蹙、眼眶泛红、神情哀痛，比可灵的人物情绪更有带动性，但更像是一种动漫女主式的夸张表达。

03.

测试三：温酒斩华雄

提示词：温酒斩华雄，关羽推帘而入。古代军帐内，众将领围坐于桌前神情凝重。帐外远处传来马蹄声与金鼓声。一员红袍长髯的将军掀开帐帘大步而入，将手中物件掷于桌上。镜头从帐内众人转向帐门，跟随入帐之人转身回到桌前。

难点：多场景跨越叙事（帐内等候-关羽归来）；关羽人物形象的精确还原；多人凝视一人的场面调度；暗示性叙事（斩华雄不直接展示）。

视频：温酒斩华雄（依次是Seedance2.0、可灵3.0、HappyHorse）

这段提示词要求模型完成一个真正的电影叙事：两个空间（帐内、帐外）、两个时间（关羽离去、归来）、一组角色关系（凝重的众将VS归来的关羽），要讲一个事件。

主角辨识度也是难点之一。关羽是中国文化里高度符号化的形象，青龙偃月刀、长髯过腹、丹凤眼，任何一项缺失，这个人物就立不住。

这一组，三家模型都翻车了。

Seedance2.0几乎呈现了关羽的所有视觉符号。但视频后半段出现了空间穿模，关羽将手中物件原本搁在桌面靠近自己的一侧，下一帧却跳到了桌面另一侧，身旁众将的视线也随之转向另一边。主体一致性在10秒内出现了断裂。此外，提示词中“温酒”这一关键细节，即梦完全没有表现。

可灵3.0和HappyHorse的关羽辨识度都不足，红袍是有的，但长髯过腹这些关羽的核心视觉符号缺失。“斩首归来”这一核心动作两家也都没有表现。关羽手中之物被理解为酒壶，而不是华雄的首级。动作也变成了“温酒入帐”，叙事的核心反转完全消失。

值得专门指出的是，这一组镜头几乎集中暴露了AI生成多人时的标志性问题：几位将军的面孔高度雷同，同样的胡须、同样的发型、同样的盔甲，这是典型的“克隆人”翻车。

04.

测试四：元妃省亲

提示词：夜晚的中国古典园林，亭台楼阁灯火通明，处处悬挂红色宫灯。香烟缭绕，花影婆娑。仕女们身着华丽古装在长廊中缓步行走。镜头缓慢横移，展现园林全景。柔和暖光，中国古典电影美学。

难点：多元素静态场景调度；复杂建筑空间还原；群体仕女形态一致性；古典园林夜景的光影氛围。

视频：元妃省亲（依次是Seedance2.0、可灵3.0、HappyHorse）

这组测试考验的是模型的东方美学还原能力，它不像战场戏那样靠动作密度赢得视觉刺激，而是靠静态画面里的元素精度。飞檐、雕梁、宫灯、长廊、香烟、水面倒影、人物服装，这些元素中任何一项出错，整个画面就会“塑料化”。

Seedance2.0的画面以人物为主体，叙事感最强。一队仕女缓步行进于水边长廊，服色错落有致，发髻整齐统一。镜头从水面倒影开始，逐步带出建筑、灯笼、再到行进的队列，信息密度层层递进。

可灵3.0的建筑更有质感，池塘雾气和水面倒影更是接近实拍。但开篇近5秒几乎是建筑空镜，人物只在画面边缘晃过；直到后半段镜头切换才出现仕女特写。在这组镜头设计上更重场景，轻人物。

HappyHorse前7秒全是空镜，仰拍灯笼、烟雾、阁楼，镜头在建筑间游移，完全没有人物。到最后2秒才让两位红衣绿裙的仕女缓步入画。虽然后两秒人物的服饰精度、面容质感、回廊光影都可圈可点，但整个视频没有表现出省亲主题。

05.

测试五：早高峰地铁

提示词：早高峰的地铁车厢，镜头缓慢横移扫过几位乘客。有人低头看手机，有人靠窗打盹，有人带着耳机望向窗外。车厢轻微摇晃，窗外隧道灯光快速掠过。

难点：现代城市场景的真实质感；多人物群像；通勤者状态的精准刻画；地铁车厢内部细节。

视频：早高峰地铁（依次是Seedance2.0、可灵3.0、HappyHorse）

这组测试的是纯现代写实场景，任何一处违和，如错误的扶手形制、错位的广告牌、不像中国人的面孔、不真实的拥挤密度，都会让观众出戏。尤其值得指出的是，这组测试具有高度的地域性，北上广深的地铁几乎都有自己的车厢风格，人群的构成、车厢广告等细节很容易出现错位。

Seedance2.0在地域上出现了明显偏移。它的车厢内部精度接近实拍，不锈钢扶手、白色拉环、车门、广告位、座椅蓝色、人物姿态也很自然。但问题在于，画面整体看起来像韩国地铁，广告牌上的疑似韩文、车厢风格、人物面孔都偏韩系。

可灵3.0是三家中地域识别最准确的，车厢风格、宣传海报、广告LED屏、“禁止吸烟”标识等，都是国内地铁的标准配置。可灵的画面同样精度高，人物状态也真实。但它的问题是另一个维度的，车厢太空旷，不像早高峰。

HappyHorse是这一组的意外反超者。它最准确还原了早高峰的拥挤感，密集的站立通勤者、西装上班族在低头刷手机、戴围巾的中年女士、座位上闭眼休息的乘客。

06.

测试六：林黛玉直播带货

提示词：现代直播间内，一位古装少女（林黛玉）坐于精美中式书房布景前，身着月白色绣花襦裙，手持一瓶护肤精华，面带浅笑娓娓而谈。她体态柔弱清瘦，眉间略带忧郁。背景有书架、瓷瓶、绿植，环形补光灯打在她脸上，桌前可见弹幕飘过的屏幕剪影。

难点：古今元素融合的合理性；直播间布景的现代真实感；古典人物气质的精确还原；产品特写的商业可用性；直播表演的微表情。

视频：林黛玉带货（依次是Seedance2.0、可灵3.0、HappyHorse）

这段提示词的难点不在于任何单一元素，而在于合不能让观众笑场，也不能显得违和。

即梦的完成度最高，人物辨识度也最准。清雅气质、忧郁眉眼，黛玉的人物特征被准确捕捉。同时，环形补光灯、苹果笔记本、iPhone取景器、产品礼盒、新中式书房布景也全部到位。人物的口型自然、眼神温和、刺绣细节清晰可见。它让黛玉和直播间在同一个画面里看起来是合理的，而不是滑稽的。

可灵3.0在镜头视角上做了最大胆的设计。它没有正面拍“穿古装的人在直播”，而是给出了一个直播间外的观众视角：前景是一台显示着密密麻麻弹幕的屏幕，后景才是身着古装的少女在直播。这种视角设计还原了直播间这个空间的层次感，没有把它当成一个普通背景。但人物气质偏离了黛玉。

HappyHorse人物镜头出现了严重翻车。主播脸部被一块发光的白色光斑遮挡，可能是模型把环形补光灯的反射误生成在了人物面部上；产品特写镜头中又出现了三只手，这是AI生成手部时最常见的物理翻车之一。

值得注意的是，中文文字生成这个公认的软肋。可灵3.0和HappyHorse模型都给出了带弹幕屏的画面，但所有弹幕文字都是糊的乱码。

07.

结语

这六组测试打下来，三家模型的水平差距明显。

Seedance 2.0是这次测试里综合完成度最高的，核心优势在于叙事密度，能在10秒内把提示词里的动作弧线基本跑完，赵子龙一战几乎是逐句还原，黛玉焚稿也给出了哀而不伤的情绪层次。但它并非没有短板，温酒斩华雄出现了空间穿模。

可灵3.0的单帧质量是三家里最稳的，黛玉焚稿的烛光构图、元妃省亲的水面倒影、地铁场景的标识细节，每一帧单独截出来都经得住放大看。但在连续叙事上仍有所欠缺，有时场景交代充分，人物和事件姗姗来迟。

HappyHorse作为三家里最新公测的模型，它在局部精度与某些场景表现突出，但整体稳定性与风格仍有待探索，例如，在赵子龙测试中给出3D游戏CG风格，元妃省亲前七秒全是空镜。

需要注意的是，不同效果背后，各家的收费也有差异。「AIX财经」同时购买了即梦、HappyHorse最高等级会员、可灵铂金会员，价格分别为499元、188元和186元，生成一段视频三家分别需要330积分、160积分和96积分。

另外，三家模型存在共同没有解决的问题，也代表着当前AI视频生成的天花板。例如，没有一家能在画面里稳定生成可读的中文，多人面孔一致性也是集体翻车点。

总结来看，三家模型都能生成好看的画面，但还没有一家能稳定生成一个完整的故事。AI视频生成要迈向“精准叙事”的专业创作门槛，还需要时间。