做视频，你更愿意用一句话对话生成，还是自己搭节点、调参数？
2024 年 2 月，Sora 的演示视频在一夜之间刷屏，我身边做影视的朋友第一反应是「完了」，第二反应是「等等，它什么时候能用」。
答案是：等了很久，然后没了。2026 年 3 月 24 日，OpenAI 宣布关停 Sora，网页和 App 在 4 月 26 日停服，API 定在 9 月 24 日下线。一个点燃了整个赛道的产品，从封神到退场只用了 25 个月。
所以当我听到智象未来讲述5分钟生成时，第一感觉有点微妙：那个曾经被拿来当靶子的对手，已经不在赛场上了。
但换个角度想，这个对比恰恰说明了一件事，Sora 定义的「15 秒惊艳片段」时代，正在被翻篇。接下来大家比的是什么，vivago R1 给了一个答案，它未必是正确答案，但方向值得认真看。
「5 分钟」到底难在哪
vivago R1 是智象未来的「内容创作智能体」，7 月在 WAIC 2026 首次亮相，9 月 8 日面向全球开放，国内版本叫「够搭」。据介绍，vivago.ai 从 2024 年 5 月上线，全球用户突破 7000 万，两年做到这个规模是真实的增长。作为参照，可灵公开的数据是全球用户 6000 万、2026 年 1 月月活 1200 万。
它主打的能力是一次性稳定输出 5 分钟视频，并支持无限次多轮延长。作为对照，通稿说 15-30 秒的片段式生成「依然是行业主流」。
截至 2026 年初，主流工具的单次生成时长大致是，Veo 3 和 Sora 2 最长 60 秒，Runway Gen-4 约 30 秒，可灵的高级会员已经能到 3 分钟。「行业主流还在 15-30 秒」这个说法，放在今天已经偏保守了。
但做过视频的人都知道，长视频的难点从来不是「把时长拉长」，而是「让故事在几十个镜头之间持续成立」。 同一个角色换了三个场景以后脸还是不是那张脸，声音是不是同一把嗓子，剪辑节奏有没有断掉，这些在 15 秒的片段里根本不用考虑的问题，到了 5 分钟全部会暴露出来。
也正因为如此，直到今天，专业创作者的实际工作流仍然是把长片切成一个个 5 到 15 秒的镜头分别生成，再拿到剪映或 Premiere 里手动拼接。「更长」在很长一段时间里都不等于「更好用」，前后一致性下降、提示词偏离，是所有人都踩过的坑。
R1 的解法，是不在模型层硬扛，而是在系统层做调度，一个主 Agent 负责拆解创意，一组子 Agent 分别负责脚本、分镜、角色、场景和音效，中间靠智象自研的 HD-AgentOS 做全流程编排。用智象创始人兼 CEO 梅涛在 WAIC 上的话说，一个看似简单的「分镜生成」任务，需要理解镜头语言、叙事节奏和体裁差异，这不是直接调一次大模型 API 能做到的。
换句话说，R1 的真正卖点不是「5 分钟」，而是「5 分钟里的一致性是谁在管」。 模型负责单镜头的画面质量，Agent 负责跨镜头的连续性，这是一个分工，而不是一个模型参数。
R1 流程示意｜图片来源：智象未来
Chat-First ：把复杂藏起来，也是把控制权收回去
抛开数字，R1 最有意思的产品选择，是它明确站到了「对话优先」这一边。
目前 AI 视频工具大致有两条路线：一条是画布式、节点式的工作流，把模型、工具和参数全部交给用户自己连接，自由度高，门槛也高；另一条是 R1 这种，用自然语言描述需求，系统自动生成，再在对话里持续调整。
智象把它的方法论总结为「做后」和「做厚」：「做后」是把专业创作者的判断、审美和经验编码进 Agent 的编排能力，形成中后台；「做厚」是建一个 SkillHub，把抽象的 AI 能力翻译成产品广告、角色视频、故事短片这样的具体场景，让用户知道能做什么、从哪开始。用户只表达目标，Agent 负责拆解和执行，SkillHub 作为翻译层，自动匹配需要的 Skill 组合。
「R1 的对话式创作，不是把复杂消灭，而是把复杂藏在简单背后。」 这句话是对的，但它同时也暴露了这条路线的代价。
复杂被藏起来的同时，控制权也被藏起来了。 一个做广告片的创作者，客户说「把第三个镜头的产品往左挪一点，光再冷一点」，在节点式工具里这是拧两个旋钮的事；在纯对话里，你得赌 Agent 能不能准确理解「一点」是多少，以及改动会不会牵连其他镜头。行业里已经有人指出，各家都在竞相拉长时长、拉高分辨率，但很少有人真正解决「可控性」，而这恰恰是创作者最在意的核心命题。
对话是最好的入口，但不一定是最好的终点。 真正成熟的形态，大概率是「对话生成初稿、精细工具修改细节」的混合模式。R1 推出的资产库功能，把用户认可的角色、场景沉淀下来，在后续创作中复用，其实已经是往这个方向走了一步：当角色成为可复用的资产，「项目制」创作才真正成立，用户手里也才真正握住了一些确定的东西。
模型上限，系统下限：AI 视频进入「中国时间」之后
把 R1 放回行业里看，我觉得它出现的时机比它的参数更值得讨论。
Sora 的关停，被很多人解读为「AI 视频不行了」。但更准确的读法可能是：单靠一个惊艳模型、缺乏商业化路径的产品形态不行了。 OpenAI 把算力和团队转向了更赚钱的企业工具和代码业务，视频这条线被交给了市场上「千万个替代品」。
而替代品里跑得最快的，是一批中国公司。字节的 Seedance 2.0 在春节前后重新定义了物理真实感的天花板，可灵靠着快手电商生态和广告、短剧客户，做到了年收入 1.4 亿美元量级。这两家走的是「大厂 + 生态」的路，模型足够强，再往两边接分发和商业化。
智象走的是另一条。它是一家创业公司，创始人梅涛来自学术和大厂研究院体系，2025 年靠开源图像模型 HiDream-I1 在开发者社区建立过存在感。它没有抖音也没有快手，所以它选择在「系统层」建立差异：基础模型决定能力上限，智能体系统决定交付下限。 当模型能力的差距在缩小，谁能把能力稳定地组织成作品，谁就能拿到预算。
Sora 的 15 秒，回答的是「AI 能不能生成视频」。两年过去，这个问题已经有了肯定答案，问题本身也就失效了。R1 的 5 分钟，试图回答的是「AI 能不能交付一部作品」——这个问题目前谁都没答完，包括 R1 自己。但把问题问对，本身就是这个阶段最重要的进步。
