Титульная карточка для сравнения FastFrames Video Generation и Google Veo 3.1 с бейджами «36 мс на кадр», «480p, без звука», «открытые веса», «$24 в минуту», «нативный 4K» и «SynthID и C2PA», а также логотипом OrcaRouter в правом нижнем углу.
Guides & Insights

FastFrames Video Generation vs Google Veo 3.1: реальное время против готового фильма

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Эти две системы не конкурируют за одну и ту же задачу, и быстрее всего это увидеть, если спросить, от чего каждая из них отказывается. FastFrames Video Generation, которую Apple выпустила 16 ноября 2026 года, а статья вышла 17-го, не даст вам файл, который можно передать клиенту: её максимум — 480p, она без звука, и у неё вообще нет хостингового эндпоинта. Google Veo 3.1 не выдаст вам кадр быстрее чем за секунду: стандартный тариф считается по минутам готового результата, а задержка измеряется десятками секунд. Одна — инфраструктура для чего-то интерактивного. Другая — продакшн-хаус. Сравнивать их только по качеству — всё равно что сравнивать камеру со съёмочной группой.

Шесть измерений, и кто измерил каждое из них

Начните с того, что именно измеряется, и внимательно отнеситесь к тому, кто это измерил. Приведённые ниже показатели Veo 3.1 взяты из видеотаблиц Artificial Analysis, зафиксированных в октябре 2026 года, до появления FastFrames. Показатели FastFrames взяты из таблицы 1 в собственной статье Apple — на тех же промптах и с теми же сидами при 480p. Ни одна независимая организация не запускала FastFrames, и ни один рейтинг не выставлял ему оценку. Там, где вы видите показатель Veo, это измерение третьей стороны; там, где вы видите показатель FastFrames, это утверждение производителя.

• Задержка — FastFrames-S: 36 мс на кадр на одном B200, примерно 28 запросов в секунду, тогда как Veo 3.1 — десятки секунд на клип; продаётся по длительности, а не по кадрам.

• Разрешение — FastFrames при 832×480, без других вариантов, против Veo 3.1 при 720p, 1080p и нативном 4K в зависимости от тарифа.

• Звук — FastFrames вообще его не генерирует, тогда как Veo 3.1 нативно поддерживает стерео 48 кГц с диалогами, музыкой и эффектами в одном вызове, при этом generate_audio по умолчанию отключён.

• Цена — у FastFrames нет цены, поскольку у него нет эндпоинта; вы покупаете GPU, тогда как Veo 3.1 стоит $24.00 за минуту выходного материала, или $9.00 на тарифе Fast и $4.80 на Lite.

• Доступ — FastFrames в виде загружаемых весов по лицензии AMLR от Apple, самостоятельное развёртывание на Linux с CUDA 12.8 против Veo 3.1 через API Google и сторонние платформы, без весов.

• Происхождение — FastFrames ничего не публикует, тогда как Veo 3.1 встраивает водяные знаки SynthID и учётные данные контента C2PA в каждый выходной файл.

A two-column scoreboard comparing FastFrames and Veo 3.1 across six dimensions: latency 36 ms per frame against seconds per clip, resolution 832x480 against up to native 4K, audio none against 48 kHz stereo, clip length 81 frames about 5 seconds against 4, 6 or 8 seconds plus extension, price GPU time only against $24.00 per minute, and access open weights against hosted API with no weights.

Что на самом деле даёт вам Veo 3.1

Питч Veo 3.1 — не «самая красивая картинка». Он — «готовый результат». Модель принимает текстовый промпт, до трёх референсных изображений, seed и негативный промпт и возвращает клип длительностью 4, 6 или 8 секунд с синхронизированным стерео 48 кГц — диалоги, атмосфера и эффекты генерируются вместе с изображением, а движение губ соответствует речи. Расширение сцены соединяет эти клипы в цепочку. Тарифные уровни повышают разрешение вплоть до нативного 4K. Каждый файл несёт водяной знак SynthID и учётные данные C2PA — это и есть разница между активом, который юридическая команда одобрит, и тем, который она не одобрит.

По качеству он хорош, но не лидирует. В октябрьском срезе 2026 года на доске image-to-video от Artificial Analysis Veo 3.1 занимал двенадцатое место с Elo 1 082 и интервалом ±7 на 7 040 сэмплах. Уровень Fast был семнадцатым с 1 066 ±6 на 14 688 сэмплах, а уровень Lite — пятнадцатым с 1 071 ±8 на 5 122 сэмплах: три уровня, статистически неразличимое качество, цены различаются в пять раз. На доске text-to-video он занял девятнадцатое место с 962 ±10 примерно на 3 000 сэмплах. Если читать это вместе, практический вывод таков: выбор уровня Veo 3.1 — это решение о бюджете, а не о качестве, и его настоящее преимущество — аудио, 4K и подтверждение происхождения, а не Elo.

Что на самом деле доказывает FastFrames

Интересное утверждение в релизе Apple уже, чем «более быстрая видеомодель», и гораздо труднее от него отмахнуться. Авторегрессионная видеодиффузия работает медленно по причинам, мало связанным с трансформером: вариационный автоэнкодер, превращающий латентные представления обратно в пиксели, занимает основную часть бюджета, как и обновление KV-кэша, переносящее контекст в следующий блок. Apple заменила первый пиксельным декодером на 63,87 млн параметров — три каузальных блока ConvNeXt плюс линейная голова, — а второе — сетью уточнения с общим stem и четырьмя блоками, занимающей 2 миллисекунды на малой модели и 6 — на большой. DiT заморожен на финальном этапе.

• Декодирование VAE — около 147 мс на кадр сокращается примерно до 1 мс.

• DiT, 1,3B — 41,6 мс превращаются в 16,4 мс, или 5,8 мс распределяются по восьми GPU.

• DiT, 14B — 89,2 мс сокращается до 75,6 мс, или до 20,3 мс на восьми GPU.

Causal Forcing++ в целом, 1,3 млрд — 271,8 мс сокращаются до 35,8 мс, что в 7,6 раза меньше.

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame, with tabs for demo, abstract, quality-latency plots, pipeline and comparisons.

Обе контрольные точки дистиллированы из Wan2.1 — FastFrames-S из Wan2.1-T2V-1.3B, FastFrames-L из Wan2.1-T2V-14B — с использованием рецепта Causal Forcing++, а пиксельный декодер обучался около недели на 32 B200 на протяжении 150 000 прогонов, с состязательным проходом на восьми B200 против замороженного дискриминатора DINOv3 ViT-S/16. По данным VBench от авторов, FastFrames-S достигает 84,23, а FastFrames-L — 84,44, тогда как базовая модель, из которой проводилась дистилляция, показывает 84,11, а Krea-Realtime — 84,42, работая со скоростью 1 675 мс на кадр.

Две вещи, для которых нельзя использовать FastFrames, и одна, для которой можно.

Это не может заменить доставленный клип

480p — жёсткий потолок в выпущенной конфигурации. Apple сообщает о задержке для 720p — 127 мс на кадр на малой модели и 116 мс на большой при использовании восьми GPU, — но ни веса, ни настройки для 720p не поставляются. Аудиотракта нет вообще, поэтому любое видео с говорящей головой, демонстрация продукта с закадровой озвучкой или что-либо, что клиент будет смотреть со звуком, требует отдельного аудиоконвейера. А при 12,8 секунды на клип для 14B на одном GPU большая модель работает медленнее воспроизведения, если у вас нет собственного узла.

Это нельзя назвать

Эндпоинта Apple не существует. FastFrames — это исследовательский релиз: веса на Hugging Face под лицензией AMLR, код на GitHub и демонстрационное приложение LingBot-World v2 под CC BY-NC-SA 4.0 — некоммерческое. Для его использования нужны Linux x86-64, GPU NVIDIA, CUDA 12.8, uv sync и каталог контрольных точек. Это проблема закупок, а уже потом техническая.

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', the two checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

Это может заставить живой луп ощущаться по-настоящему живым

При 36 мс на кадр FastFrames-S на одном B200 генерирует видео в 1,7 раза быстрее, чем оно воспроизводится. Это тот порог, при котором генеративный предпросмотр реагирует на ввод за один-два кадра, и именно это превращает стриминговых аватаров, управляемые модели мира и интерактивное прототипирование в другие продукты, а не в более медленные версии. В собственных демонстрациях Apple две существующие системы становятся интерактивными: вариант LingBot-World с 1,3B — с 1 085 до 52 мс на кадр, снижение в 16 раз, а его 14B — с 3 862 до 233. RealWonder 1,3B — с 1 141 до 51. Впрочем, ни один из них не заменяет Veo — это то, что Veo не может сделать ни за какие деньги, потому что ни один облачный API не тарифицирует по кадрам в рамках сеанса.

Если вам нужно выпустить что-то в этом квартале

Правило выбора простое. Если результат — это файл: рекламный ролик, продуктовое видео, объясняющий ролик с озвучкой — Veo 3.1 является готовым инструментом, а FastFrames здесь не может участвовать в обсуждении, потому что не даёт ни звука, ни 1080p. Если результат — это интерактивный опыт: живая демонстрация, интерактивный персонаж, инструмент, где человек управляет процессом и сразу видит результат — сегодня ни одна хостируемая видеомодель этого не делает, FastFrames — самый убедительный открытый путь к этому, а цена — GPU и проверка лицензии.

Есть третий сценарий, и он самый распространённый: команда хочет выяснить, стоит ли создавать интерактивный сценарий. Прототипирование этого на хостируемой модели обходится дешевле, чем покупка времени B200, а в OrcaRouter хостинговая сторона доступна по одному ключу — тот же эндпоинт обслуживает Kling 3.0, Kling 3 Turbo и Kling Video O1 наряду с MiniMax H3, всё по прайс-листовым ценам провайдера с наценкой 0%, поэтому изменение тарифа поставщика отражается в вашем счёте в тот же день, когда оно происходит. Сам FastFrames отсутствует в этом каталоге, и мы его не обслуживаем; ничто в этом выпуске не меняет того, что мы хостим. Один ключ даёт возможность измерить, какую задержку ваши пользователи действительно терпят, прежде чем вы вложитесь в оборудование, чтобы её превзойти.

Что будет дальше

Разрыв между двумя системами — это разрыв в том, что кремний делает во время генерации, и он будет закрываться с обеих сторон. Поставщики хостинговых решений уже продают более быстрые тарифы, а метод пиксельного декодера в принципе не зависит от модели — он обучается для каждой базовой модели, но ничто в нём не требует Wan2.1. Важная версия этого сравнения — через восемнадцать месяцев: хостинговая модель 1080p со звуком, возвращающая клип менее чем за секунду, с ценой за секунду, а не за минуту. Пока этого не существует, честный вывод таков: FastFrames выиграл гонку задержки в категории, в которой Veo не участвует.