智象未来vivago R1全球上线：对话即创作，AI视频agent 迈向完整交付

vivago R1直接实现一句成片时代的“完全交付作品”。

本文为IPO早知道原创

作者｜SY

据IPO早知道消息，9月8日，智象未来（HiDream.ai）旗下内容创作智能体 vivago R1 全球上线，国内版本 「够搭」 全新升级发布。

vivago R1最早于今年7月份举办的 WAIC 2026 上亮相。vivago R1 的核心突破，在于实现了从一句成片时代的 “生成片段” 到 “完全交付作品” 的范式跃迁。据了解，它依托智象“基础模型 + 智能体”双轮驱动技术战略，让创作者以自然语言对话的方式，即可完成从创意表达到高质量成片交付的完整创作流程。

图片来源：智象未来（下同）

R1可一次性生成5分钟视频，并支持通过多轮操作延长视频。R1 通过 Agent 系统对长任务进行规划与调度，主 Agent 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、场景风格和叙事节奏在多段落中保持一致。

同时，依托智象未来自研 HD-AgentOS 的全流程调度与治理能力，R1 内容有效可用成功率提升至85%，显著降低“抽卡”概率，让视频创作更具确定性。R1 还优化了跨镜头角色一致性和场景过渡自然度，弱化 AI 视频常见的“塑料感”和“瞬移感”，实现更自然的运镜衔接与音画对齐，让长视频更接近实拍质感。

区别于行业中用节点、画布作为工作流的技术路线，R1选择Chat-First（对话优先）这一人类最自然的表达方式。用户只需用自然语言描述需求，R1即可自动生成视频，并支持在对话中持续调整和迭代。

这种体验背后，是“做后”与“做厚”两条原则。“做后”，是把专业创作者的判断、审美和经验编码进 Agent 编排能力，形成强大的中后台；“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。

在完整流程中，用户只需表达目标，Agent 负责拆解和执行，SkillHub 则作为翻译层，自动匹配并编排所需 Skill 组合，将用户意图转化为可执行任务序列。R1 的对话式创作，让创作从“灵感闪现”到“进入执行”，缩短到只剩一句话。

针对视频生成的一致性这一难点，智象未来通过基础模型与智能体系统双轮驱动，共同支撑复杂视频创作。一方面，智象自研的原生全模态世界模型技术理念，为 R1 提供多模态理解与生成基础能力。另一方面，智能体系统负责将模型能力组织为可持续推进的创作流程，确保复杂叙事中的角色形象、声音特征和风格前后一致。

具体而言，对于难以用语言准确描述的需求，用户也可以提供参考素材，由R1结合对话上下文理解需求并持续迭代。同时，R1 推出资产库功能，沉淀用户生成、筛选并认可的内容，并可在后续创作中复用。

最终，智象提炼出一套面向视频 Agent 的评估框架——CHATS，用于衡量一个视频 Agent 是否具备真正的作品交付能力：

C（Consistency）一致性：角色、场景、风格在多镜头中保持稳定；

H（Human Intent）意图理解：准确理解用户创意，并能在多轮对话中持续推进；

A（Audio & Visual）视听完整度：不仅生成画面，也能组织声音、节奏与整体视听体验；

T（Timeline & Tale）时间线与叙事：让故事在多个镜头、多个段落中持续成立；

S（Stability）稳定交付：降低反复生成和返工成本，提高内容可用率。

据介绍，R1在这五个维度上的表现，已在真实创作内测场景中得到验证。智象希望通过构建一个用户视角的标准，推动AI Agent产品的更好发展。

资料显示，vivago R1的前身为vivago.ai，该产品于2024年5月正式上线，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。

发布会后，IPO早知道等机构与vivago 产品负责人弓子建进行访谈，内容涉及产品能力、技术路径、用户需求和商业布局等方面。以下为访谈内容精编：

文生视频已进入追求故事性、合理性、深度性的阶段

Q：新的版本非常强调“无限时长”，核心突破是什么？

弓子建：“无限时长”的本质，并不是大家想象的生成一个小时或者更长的视频，而是在更长的时长内保持叙事合理、人物和场景一致、剧情连贯。

它由三件事支撑，我们叫「长长稳」：第一个长是无限时长，第二个是长思考，第三个是稳定生成。长思考负责在开头建立完整的世界观和故事框架；「记得住」则是 context engineering——上下文里该记住的都要沉淀下来。缺少任何一个环节，单纯延长视频都没有意义。比如，一个十分钟的视频里有两分钟逻辑错误，整个视频就可能无法使用。

Q：为什么现阶段更强调叙事和逻辑，而不是画面效果？

弓子建：画面好看已经逐渐成为文生视频的基础要求。早期大家关心手指有没有出错、AI味是不是太浓，现在更关心故事是否讲清楚、剧情是否合理、表达是否有深度。

短内容可以依靠视觉冲击力和爆点，但长内容需要依靠故事吸引用户持续观看。影视、广告、电商等场景，也不仅需要漂亮画面，更需要内容连贯、逻辑成立。这是视频Agent现阶段要解决的核心问题。

Q：这款产品到底是通用工具，还是垂直工具？核心场景是什么？

弓子建：我们的能力可以覆盖多种内容，但核心始终是叙事性和连续性。只要用户要做的内容需要较强的叙事和连续表达，就是我们重点服务的场景。

这不一定按“带货视频”、“广告视频”等类别划分。同样卖一瓶水，可以用炫酷镜头展示，也可以通过一个故事表达产品。后者更需要从想法、故事完善到生成的完整过程，也更符合我们的方向。

目前，我们重点面向社交媒体和视频平台上的内容传播，电视、大屏等场景暂时不是主要方向。

模型与Agent协同，追求生成效果天花板后让更多用户使用

Q：视频Agent相比传统对话式产品，最大的区别是什么？

弓子建：它需要更深入地思考、记住任务相关的信息，并在此基础上稳定完成生成。单轮对话也可能把一个问题想清楚，但长任务需要持续执行。Agent不仅要在开始时建立完整框架，还要在后续生成中保持对人物、场景和事件状态的记忆，避免前后矛盾。因此，这是一组相互配合的能力，不能只看生成时长或某一个单独指标。

Q：智象未来做基础模型的经验，如何帮助视频Agent保持一致性？从world model的角度，最难的是什么？

弓子建：一致性落到工程上就是 context engineering 的 know how：上下文压缩一定会丢信息，关键是站在多模态的视角知道哪些不能丢、哪些可以丢。

vivago R1 的 Agent 是从基础模型里生长出来的——智象技术团队做过图像模型、视频模型、交互式世界模型，也都取得过很好的成绩，这些积累让我们知道 AI 如何构建世界、Agent 的方向在哪。

做模型的人清楚模型的上限在哪里，也知道怎么通过 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。

Q：视频效果、生成效率和Token成本之间，如何平衡？

弓子建：现阶段我们优先保证效果，再通过架构和工程优化让更多用户用得起。我们的思路类似训练模型，先把能力做到当前能达到的最高水平，看到上限，再考虑加速和成本优化。如果一开始就围绕性价比做取舍，可能无法充分探索能力上限。后续我们可能推出light版本。

Q：更有性价比的版本，会有什么样的取舍？

弓子建：我们的目标是不牺牲目标场景中的效果，而是缩小能力覆盖范围。原来需要一个“六边形战士”，以后可能由多个更专门的能力分别服务不同任务。

我们会针对用户实际用不到的场景覆盖进行取舍。复杂度降下来，成本自然就降下来。哪些场景保留、哪些舍弃，靠 CHATS benchmark 的数据说话，不靠主观判断——做 Agent 是评估优先，先构建 benchmark，再围绕它做决策。

以创作者需求为核心，通过体验与资产积累建立用户黏性

Q：目前的主要用户是谁？理想客户有什么特征？

弓子建：目前主要是社交媒体创作者，其中YouTube用户较多，其次是TikTok等平台的创作者，此外还有OPC。

我们更希望服务有付费能力、重视创意价值、愿意用AI完成目标的用户。他们不会只停留在“生成一个结果”，而是会不断交流、调整，直到把作品做好。

有些自由职业者尤其愿意投入时间和资金研究创作。我们未来可能会在这类用户身上投入更多精力。

Q：如何让普通用户也能做出专业创作者那样的视频？

弓子建：首先要降低门槛，让用户从一句话、一个想法开始。整个Agent的设计，也需要把原来依赖专业经验的部分能力提供给普通用户。

我们的目标是让普通人具备更强的表达能力。他可以把这种能力用于自己的社交媒体内容，不必因此成为职业导演。专业创作者也能受益，比如同时启动多个项目、探索多个想法，而不再被单一制作流程占满时间。

Q：当用户会随着新模型不断迁移，产品如何建立黏性？

弓子建：我们希望用户来这里的原因是“用AI完成一件事情”。如果用户只关心使用哪个模型、哪个平台更便宜，他很容易迁移；如果他关注的是持续完成自己的创作，选择产品的标准就不同。

黏性一方面来自体验，从一句话、一个想法开始，产品能够理解他，并帮助他完成结果。另一方面来自上下文、记忆和数字资产的积累。比如，昨天已经建立了人物信息，今天就可以接着创作，不需要重新上传素材、重新解释人物关系。

Q：面对大厂的同类产品，创业公司的竞争优势是什么？

弓子建：大厂的优势明显：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。

新瓶一定要装新酒。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。Chat-First（对话优先） 就是这个取舍的结果——它不是共识，是选择。

围绕创意价值探索商业模式，从海外走向全球市场

Q：这次推出了中文名够搭，是否意味着业务重心转向中国市场？

弓子建：我们的方向是从海外走向全球，其中也包括国内市场。

国内创作者生态已经发展得很好，尤其是超级创作者和OPC，对工具价值有清晰判断，也愿意为能够支持创作的能力付费。同时，很多国内好的内容，优秀的创作者在海外社媒平台上也很受欢迎。

我认为，海外与国内用户的购买决策区别，也不能简单归结为付费意愿高低。同样一笔美元定价，在不同市场对应的消费感受不同，要放在当地的消费和价值认知中理解。

国内创作者的内容质量和商业化能力都在快速提升，我们国内版本「够搭」和全球版本vivago R1今天同步上线，就是要更好地服务包括国内创作者在内的全球用户。

Q：商业模式未来会怎样变化？为什么不主打低价竞争？

弓子建：商业模式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，这是消费心态的根本变化。

我们更关注创意和创意带来的价值。如果产品只按生成成本来衡量，就很容易进入价格竞争，而市场上总会有更便宜的方案。我们希望帮助用户把想法做成更有价值的作品，这种价值很难只用单条视频的制作成本衡量。

Q：AI视频普及后，你们还会向社交媒体之外进行拓展吗？

弓子建：我个人认为，更值得关注的是内容分发方式的变化。

当AI让高质量、有叙事性的内容变得容易生产，内容供给会快速增加，现有的推荐逻辑可能不足以分发这些内容。未来可能出现更多去中心化的分发方式，但仅仅依靠好友关系，也不足以解决问题。

我们重视叙事性和连续性，也因为它们能够构建内容之间的关系。我过去在内容生产和消费两端都做过，因此我们做生产工具，最终还是要服务内容消费。