近日，智象未来正式面向全球推出内容创作智能体 vivago R1，同时国内版本“够搭”也迎来全面升级。此次发布不仅是产品版本的迭代，更向行业传递出重要信号——vivago R1 的上线，标志着 AI 视频创作正式步入“单反级交付时代”。过去需要一整个专业团队协同才能完成的高品质影片，如今每一位普通创作者都有机会独立完成。
如果说 Sora 曾以 15 秒视频惊艳业界，为 AI 视频生成打开了一扇大门，那么时至今日，行业整体仍停留在 15 至 30 秒的片段式生成阶段。而 R1 的突破在于：它能够一次性稳定输出 5 分钟的高质量视频，并支持无限次多轮延长。自此，AI 视频不再只是“惊鸿一瞥”，而是开始拥有完整的叙事长度与表达纵深。事实上，长视频生成的真正瓶颈从来不是单纯的时长数字，而是叙事的可持续性——即如何让故事在多镜头、多角色、多场景之间持续成立。
R1 的解题思路是一套 Agent 调度系统：主 Agent 负责拆解创意，子 Agent 协同完成脚本、分镜、角色、场景与音效，确保角色形象、场景风格与叙事节奏在多段落之间始终统一。支撑这套系统运转的，是智象自研的 HD-AgentOS 全流程调度与治理能力。在该体系加持下，R1 的内容有效可用成功率提升至 85%，视频创作从“碰运气”走向“可预期”。
时至今日，AI 视频竞赛早已走出比拼几秒炫酷片段的早期阶段。算力与模型能力持续迭代，拉长视频时长只是表层结果，能否守住叙事逻辑、保持角色与场景的连贯，才是通往工业化内容生产的关键。R1 与“够搭”的落地，不仅将长时长工具交到创作者手中，也在重新定义 AI 视频的评判标尺——相比炫技式的视觉奇观，可信赖、可延续的完整叙事，才是 AI 影像真正走向实用化与落地化的必经之路。
就在 R1 上线一周后的 9 月 15 日，智象再度正式发布原生全模态音视频生成模型 HiDream-O1-Video-1.0。
AI 长视频的真正分水岭：故事合理、叙事真实
在智象未来的产品理念中，优秀的 AI 创作工具应当顺应人的表达本能。落到视频创作场景，创作的起点不该是节点、画布、参数这类技术要素，而是创作者本身想要传递与表达的内容。基于这一思路，R1 采用 Chat-First（对话优先）的产品路线。对话是人类最自然的表达形式，同时也是对 AI 十分友好的交互入口。用户仅需输入自然语言描述创作诉求，R1 就能自动生成视频，并可依托对话交互持续对作品进行调整与迭代。
这种体验背后，vivago 遵循“做厚”与“做深”两条原则。“做深”是将专业创作者的判断、审美和经验编码进 Agent 编排能力，形成强大的中后台支撑；“做厚”是构建 SkillHub，将抽象 AI 能力转译为产品广告、角色视频、故事短片、品牌内容等真实创作场景，让用户更容易理解能做什么、如何开始。
长视频生成领域绕不开一大核心痛点：内容一致性。如何让同一个人物、同一种声线，在数十组镜头、多轮生成过程中维持形象与风格统一？智象未来选择以“基础模型 + 智能体系统”双轮驱动作为解决方案。一方面，自研原生全模态世界模型为 R1 提供多模态理解与生成底座。它能将文本、图片、视频、参考资产、文档说明与历史创作结果纳入同一任务语境，让 Agent 理解“任务全貌”而非执行单点指令。另一方面，智能体系统将模型能力组织为可持续推进的创作流程，在脚本、分镜、角色、场景、镜头与音效之间统筹调度，确保复杂叙事中角色形象、声音特征与风格前后统一。
在此基础上，R1 推出资产库功能，沉淀用户生成、筛选并认可的内容，供后续创作复用。一次创作不再是单次输出，而成为下一次创作的素材基础。
谈及“无限时长”要攻克的最大难题，vivago 产品负责人弓子健给出了清晰的判断：“无限时长”的本质，不是“能生成一小时就很厉害”，而是在更长的叙事跨度中始终保持叙事合理、人物一致、剧情连贯。他将背后的支撑体系概括为“长长稳”，三件事缺一不可：第一是“长”，即无限时长本身；第二是“长思考”，负责在开头建立完整的世界观和故事框架；第三是“稳”，即稳定生成，确保叙事不崩溃。而保证“稳”的核心，是系统能够“记得住”。“这本质上是 context engineering，上下文里该记住的都要沉淀下来，不能前一段记得角色穿红衣服，后面就丢失设定开始自由发挥。”弓子健解释。
在他看来，最终的评估标准只有一个——逻辑合理。“画面好看已是基本功，任何产品都可以做到画面好看。故事合理、叙事真实，才是不同产品拉开差距的真正分水岭。”
至于 vivago 如何保持角色、场景和事件状态的长期一致，弓子健表示，“vivago R1 的 Agent 是从基础模型里生长出来的，源于团队做过图像模型、视频模型、交互式世界模型的积累，这些经验让我们知道 AI 如何构建世界、Agent 的方向在哪里。做模型的人清楚模型的上限在哪里，也知道如何通过 Agent 的设计把上限拉高、把短板补齐。这就像读过很多书的人，写作时不会照搬任何一本书的写法，但功力都在。”
这份“功力”在本周有了新的注脚。9 月 15 日发布的 HD-V1 被定位为“首款物理规律导向视频模型”——长视频的地基，是单镜头的质量上限。该模型原生支持 5 至 20 秒任意时长单镜头生成，输出 1080p 高清画面，并会根据输入内容自主确定合适的时长：让“讲多久”服务于“讲什么”，而非反过来迁就模型的固定模板。R1 一次输出 5 分钟的成片，正是由这类高质量单镜头经 Agent 规划调度组合而成——先有“一段一段都成立”，才有“一整部都成立”。
同时，“HiDream-O1-Video 从架构之初便面向文本、视频与音频的统一表征。”智象未来 CTO 姚霆表示，“它不只是‘把画面做出来’，更是把用户意图翻译成可执行的专业分镜，并同步生成可信的声音。这是原生全模态技术从‘看得清、动得顺’迈向‘听得懂、说得准、演得连贯’的关键一步。”
直面本土创作者的真实诉求
近期，AI 版《西游记》在社交媒体刷屏出圈，引发广泛关注。有创作者借助 R1 对这部国民经典进行二次演绎，生成了近五分钟的西游主题视频作品。无论是人物角色的造型塑造、故事场景的氛围感渲染，还是独树一帜的东方奇幻气韵，都直观展现了 R1 对经典文本强大的视觉转译与落地能力。
优质的落地能力让 vivago 在全球范围内快速成长。据悉，2024 年 5 月 vivago.ai 上线，成为全球最早一批公开可用的 AI 视频生成产品；今年 5 月 vivago.ai 登顶 Product Hunt 日榜第一；如今 vivago.ai 全球用户已突破 7000 万。两年时间，智象从“第一个可用”走到了第一个“单反级交付”。
伴随 HiDream-O1-Video-1.0 视频模型的发布，智象同步完成 C+ 轮融资，投资方包括新微资本、交子资本、工银资本——国资及产业资本正加速向原生全模态世界模型赛道聚拢。
谈及商业模式，弓子健表示，“我们跟着用户的消费能力和成熟度走，两年前用户把 AI 订阅当玩具，今天越来越多创作者把它当生产资料，预期它能帮自己把钱赚回来，消费心态发生了根本变化。”他坦言，“我们不会做性价比生意，一条两百块成本能卖一万块的片子是创意生意，一条一千块只能卖两百块的是体力生意，我们做前者，因为创意无法被完全量化，一旦可量化就进入了价格战。我们希望让更多普通人具备专业级的表达能力，而不是让所有人去抢专业创作者的饭碗，而是让这种能力被用在社媒表达上。”
过去，vivago 的业务重心长期放在海外市场，收获了全球大量创作者的验证。此番国内版本“够搭”全新升级正式发布，也意味着这套经过海外市场打磨的长视频创作智能体能力正式落地国内，直面本土创作者的真实需求。弓子健表示，“vivago 从海外出发面向全球，现在国内已拥有成熟的创作者生态，国内专业创作者对工具的付费决策逻辑已和海外用户相近，大量创作者也会把内容输出到海外平台。伴随国内创作者内容质量与商业化能力持续提升，够搭选择和海外版同步发布，以此服务包括中国创作者在内的全球用户。”
至于国内大厂也在做同类产品，智象未来的优势在哪里？弓子健表示，“大厂的优势非常明显，在成熟市场里挤压成本。但 AI 视频现在还没有稳定的场景可以挤压，大家都在开辟新场景，这恰恰适合创业公司。”他坦言，自己常和团队讲一句话：“新瓶一定要装新酒。”在他看来，市面上很多产品要么是旧需求套上 AI，要么是新需求套传统产品形态。“我们要做的是新需求加新产品形态，如果只求四平八稳，我们肯定干不过大厂，要做出让用户觉得爽的产品，才有机会。”