多模态视频语音3D
关键信息摘要
Key Highlights
- 快手可灵（1024.HK）市值约3200亿港元，可灵3.0在2026年初视频生成评测中名列前茅，与Sora 2 Pro、Seedance形成三足鼎立
- ElevenLabs估值110亿美元（2026年2月，Sequoia领投5亿美元），ARR达3.3亿美元，增速175%，估值一年翻10倍；Suno估值24.5亿美元，AI音乐生成头号玩家
- 全球AI视频生成市场2025年7.2亿-51亿美元，CAGR 19%-34%；生成式AI音乐市场2025E达29.2亿美元，2034年达184.7亿美元
| 维度 | 核心数据 |
|---|---|
| 全球AI视频生成市场（2025） | 7.2亿-51亿美元（口径不同），CAGR 19%-34% |
| 全球生成式AI音乐市场（2025E） | 29.2亿美元，2034年达184.7亿美元 |
| 核心上市标的 | 快手（1024.HK，市值约3200亿港元）、出门问问（2438.HK）、昆仑万维（300418.SZ） |
| 核心未上市公司 | ElevenLabs（估值110亿美元）、Suno（估值24.5亿美元）、Runway（估值40亿美元） |
行业定义与边界
多模态视频语音3D覆盖AI模型工厂中三大多模态细分（对应原报告§2.5、§2.6、§2.7）：
- 多模态/视频生成：融合文本、图像、视频的统一生成模型，从扩散模型（Diffusion）向流匹配（Flow Matching）演进。代表：可灵、Sora 2 Pro、Seedance 1.5 Pro、Runway Gen-3。
- AI语音/音乐：TTS（文本转语音）、语音克隆、AI音乐生成三大方向。3秒语音克隆、studio级音乐生成已成标配。代表：ElevenLabs、Suno、Udio、科大讯飞、出门问问。
- AI 3D/空间计算：高斯溅射（Gaussian Splatting）、NeRF场景重建、文本/图像到3D网格生成。10秒级高质量3D生成已初步实现。代表：Tripo/VAST、Meshy、Luma AI、腾讯混元3D。
行业边界：聚焦于多模态生成模型本身，不包括纯文本LLM（L4-05）、AI代码模型（L4-08）和具身智能（L4-09）。
市场规模与增长
全球市场
- AI视频生成市场（2025）：7.2亿-51亿美元（口径不同），CAGR 19%-34%
- 生成式AI音乐市场（2025E）：29.2亿美元，2034年达184.7亿美元
- AI 3D生成市场：快速增长阶段，与游戏/元宇宙工业场景需求深度绑定
ElevenLabs ARR从2024年约1.2亿美元增长至2025年3.3亿美元（增速175%），估值从2024年1月的11亿美元飙升至2026年2月的110亿美元，一年翻10倍，是该赛道景气度的典型佐证。
中国市场
快手可灵凭借短视频生态的训练数据和落地场景优势，在全球视频生成市场争夺领先地位。字节跳动即梦（Seedance 1.5 Pro）与可灵形成国内双雄格局。
技术演进路线
技术路线
阶段 01
上游环节
阶段 02
中游环节
阶段 03
下游环节
原始图谱
flowchart LR
上游环节 --> 中游环节 --> 下游环节产业价值链结构
价值链
上游
原材料
中游
制造
终端
客户
原始图谱
flowchart LR
原材料 --> 制造 --> 客户重点公司
本土龙头
- 快手 可灵（1024.HK）：可灵AI视频生成模型，已迭代至3.0版本。市值约3,200亿港元（2026年2月）。可灵3.0在2026年初多项视频生成评测中名列前茅，凭借短视频生态具有独特训练数据和落地场景优势。
- 出门问问（2438.HK）：AI语音技术、3秒语音克隆，港股市值约50亿港元（2026年2月）。号称"AIGC第一股"，C端+B端双轮驱动。
- 昆仑万维（300418.SZ）：天工大模型、SkyMusic天工音乐。A股AI全生态布局公司，市值约400亿元（2026年2月），覆盖大模型+搜索+音乐+游戏。
- 腾讯 混元3D（0700.HK）：依托腾讯游戏生态，实现10秒内生成高质量纹理网格，主要服务内部游戏/元宇宙业务。
海外对标
- ElevenLabs（未上市）：全球AI语音生成领域绝对龙头。估值110亿美元（2026年2月，Sequoia领投5亿美元），ARR达3.3亿美元，增速175%。TTS、语音克隆、AI配音，2025年8月推出Eleven Music。正在考虑潜在IPO。
- Suno（未上市）：AI音乐生成头号玩家，估值24.5亿美元（2025年11月，Menlo Ventures领投2.5亿美元），年收入2亿美元。但面临索尼、环球、华纳三大唱片公司版权诉讼。
- Runway（未上市）：AI视频生成先行者，估值约40亿美元。Gen-3 Alpha模型在专业影视制作领域口碑领先。
- Luma AI（未上市）：高斯溅射（Gaussian Splatting）场景重建先驱，3D捕捉和重建领域技术领先。
未升格公司清单
留作行业全景参考，未单独建 note。出现重大催化时考虑升格。
- 字节 即梦/Seedance（未上市）：Seedance 1.5 Pro视频生成模型2026年初表现抢眼，与可灵、Sora形成竞争
- Pika（未上市）：估值约8亿美元，面向消费者的轻量级AI视频编辑工具
- Udio（未上市）：AI音乐生成领域Suno的主要竞争对手
- Tripo/VAST（未上市）：AI 3D生成，300万+用户
- Meshy（未上市）：文本/图片生成3D模型，面向游戏和数字内容创作者
景气度判断
当前景气度（描述性） 信号源：
多模态融合加速，"全能型"模型成为标配。2026年，领先的基础模型已不再是纯文本LLM，而是集文本、图像、视频、音频于一体的多模态系统。视频生成从"秒级片段"升级为"分钟级高质量影片"，AI音乐生成达到"studio级"品质。
ElevenLabs估值一年翻10倍（11亿→110亿美元），Suno完成2.5亿美元C轮，显示该赛道资本热度极高。但版权诉讼（Suno被三大唱片公司起诉）是AI音乐商业化的重要风险信号。
风险提示
关键风险
- 版权诉讼风险：Suno被三大唱片公司（索尼、环球、华纳）起诉，AI生成内容的版权归属仍存在重大法律不确定性，可能影响整个赛道的商业模式
- 技术快速迭代导致先发优势短暂，Runway作为早期先行者已被后发的快手可灵和字节Seedance赶超，赛道龙头地位不稳定