FastFrames Video Generation 与 Google Veo 3.1 对比的主视觉标题卡,徽章文字分别为“每帧 36 毫秒”、“480p,无声”、“开放权重”、“每分钟 24 美元”、“原生 4K”和“SynthID 与 C2PA”,OrcaRouter 标志位于右下角。
Guides & Insights

FastFrames 视频生成 vs Google Veo 3.1:实时生成对阵成品影片

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

这两个系统并不是在争抢同一项任务,看清这一点的最快方式,就是问问它们各自拒绝做什么。 FastFrames Video Generation由 Apple 于 2026 年 11 月 16 日发布,论文于 17 日跟进,它不会给你一个能直接交给客户的文件:最高只有 480p,没有声音,而且根本没有托管端点。 Google Veo 3.1不会在不到一秒内给你一帧画面:标准档按成品输出每分钟计价,而它的延迟以数十秒计。一个是面向交互式应用的底层基础设施。另一个是制作公司。仅比较质量,就像拿相机和电影摄制组相比。

六个维度,以及每个维度由谁测量

首先看测的是什么,并注意是谁测的。下文的 Veo 3.1 数据来自 Artificial Analysis 的视频榜单,采集于 2026 年 10 月,当时 FastFrames 尚未问世。FastFrames 的数据则来自苹果自家论文的表 1,使用相同的提示词和随机种子,分辨率为 480p。目前没有任何独立机构运行过 FastFrames,也没有任何榜单对其评分。你看到的 Veo 数字属于第三方测量结果;你看到的 FastFrames 数字则属于厂商声称。

• 延迟 — FastFrames-S 在单块 B200 上每帧 36 毫秒,约每秒 28 个请求;而 Veo 3.1 每个片段需数十秒,按视频时长而非按帧售卖。

• 分辨率 — FastFrames 仅支持 832×480,没有其他选项;而 Veo 3.1 则根据套餐不同,支持 720p、1080p 和原生 4K。

• 音频 — FastFrames 完全不生成音频,而 Veo 3.1 可在同一次调用中原生生成 48 kHz 立体声,并包含对白、音乐和音效;其中 generate_audio 默认关闭。

• 价格 — FastFrames 没有价格,因为它没有端点;你购买的是 GPU,而 Veo 3.1 按每分钟输出 $24.00 计费,Fast 层级为 $9.00,Lite 层级为 $4.80。

• 访问方式——FastFrames 以可下载权重形式提供,遵循 Apple 的 AMLR 许可证,可在 Linux 上使用 CUDA 12.8 自托管;而 Veo 3.1 通过 Google 的 API 和第三方平台提供,不提供权重。

• 来源溯源 — FastFrames 不发布任何信息,而 Veo 3.1 会在每次输出中嵌入 SynthID 水印和 C2PA 内容凭证。

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.

Veo 3.1 究竟能为你带来什么

Veo 3.1 的卖点不是“最好看”,而是“已完成”。该模型接收文本提示词、最多三张参考图像、一个种子和负面提示词,并返回一段 4、6 或 8 秒的片段,带有同步的 48 kHz 立体声——对白、环境声和音效与画面一同生成,口型与语音匹配。场景延展可将这些片段串联起来。不同档位可将分辨率提升至原生 4K。每个文件都带有 SynthID 水印和 C2PA 凭证,这正是法务团队会放行的资产与不会放行的资产之间的区别。

在质量方面,它表现不错,但并非领先。在 2026 年 10 月对 Artificial Analysis 图生视频榜单的截取中,Veo 3.1 以 Elo 1,082 位列第十二,区间为 ±7,样本量为 7,040。Fast 层级以 1,066 ±6 排名第十七,样本量为 14,688;Lite 层级以 1,071 ±8 排名第十五,样本量为 5,122——三个层级在统计上质量无法区分,价格却相差五倍。在文生视频榜单上,它以 962 ±10 排名第十九,样本量约为 3,000。把这些放在一起看,实际结论是:Veo 3.1 的层级选择是预算决策,而不是质量决策;它真正的护城河是音频、4K 和来源溯源,而不是 Elo。

FastFrames 实际上在证明什么

Apple 发布内容中那个有趣的说法比“更快的视频模型”更狭窄,也更难以被轻易否定。自回归视频扩散之所以慢,原因与 transformer 关系不大:把潜变量还原成像素的变分自编码器占据了大部分预算,将上下文带入下一个块的 KV 缓存更新也同样如此。Apple 用了一个 6387 万参数的像素解码器来替换前者——三个因果 ConvNeXt 块加一个线性头——又用一个共享主干、四块的精炼网络替换了后者,该网络在小模型上耗时 2 毫秒,在大模型上耗时 6 毫秒。DiT 在最终阶段保持冻结。

VAE 解码——每帧约 147 毫秒,变为约 1 毫秒。

• DiT,1.3B —— 41.6 毫秒缩短至 16.4 毫秒,或分摊到八块 GPU 上为 5.8 毫秒。

• DiT,14B — 89.2 ms 缩短至 75.6 ms,在八块 GPU 上则为 20.3 ms。

• Causal Forcing++ 总计,1.3B —— 271.8 ms 降至 35.8 ms,缩短为原来的 1/7.6。

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.

两个检查点均从 Wan2.1 蒸馏而来——FastFrames-S 来自 Wan2.1-T2V-1.3B,FastFrames-L 来自 Wan2.1-T2V-14B——采用 Causal Forcing++ 配方;像素解码器在 32 块 B200 上基于 150,000 次 rollout 训练了约一周,并在八块 B200 上针对冻结的 DINOv3 ViT-S/16 判别器进行了一轮对抗训练。作者的 VBench 数值显示,FastFrames-S 为 84.23,FastFrames-L 为 84.44,而其蒸馏来源基线为 84.11,Krea-Realtime 为 84.42,后者每帧运行耗时 1,675 ms。

FastFrames 不能用于的两件事,以及它能用于的一件事

它无法替代已交付的片段

480p 在已发布配置中是硬性上限。Apple 报告了 720p 延迟——在八块 GPU 上,小模型每帧 127 毫秒,大模型每帧 116 毫秒——但并未随附 720p 权重或设置。完全没有音频通路,因此任何口播头像、带旁白的产品演示,或客户会带声音观看的内容,都需要单独的音频管线。而且在单块 GPU 上,14B 每个片段耗时 12.8 秒,大模型比实时播放还慢,除非你拥有一个节点。

它不能被称为

没有 Apple 端点。FastFrames 是一个研究发布:权重在 Hugging Face 上,采用 AMLR 许可证;代码在 GitHub 上;还有一个采用 CC BY-NC-SA 4.0 的 LingBot-World v2 演示应用——非商业用途。要使用它,你需要 Linux x86-64、NVIDIA GPU、CUDA 12.8、uv sync 和一个检查点目录。这首先是一个采购问题,其次才是技术问题。

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.

它能让现场循环真正拥有现场感

每帧 36 毫秒时,单块 B200 上的 FastFrames-S 生成视频的速度比视频播放速度快 1.7 倍。正是这个阈值,让生成式预览能在一两帧内响应输入;也正是这一点,使流式虚拟形象、可控世界模型和交互式原型成为截然不同的产品,而不是只是更慢的同类产品。苹果自己的演示让两个现有系统实现了交互:LingBot-World 的 1.3B 变体从每帧 1,085 毫秒降至 52 毫秒,降幅达 16×;其 14B 从 3,862 毫秒降至 233 毫秒。RealWonder 1.3B 从 1,141 毫秒降至 51 毫秒。这些也都不是 Veo 的替代品——它们是 Veo 无论花多少钱都做不到的事情,因为没有任何托管 API 会按会话中的帧来计费。

如果你这个季度需要交付点什么

决策规则很简单。如果交付物是一个文件——一支广告、一段产品视频、一段带配音的讲解视频——那么 Veo 3.1 就是成品工具,FastFrames 根本不在讨论范围内,因为它无法提供声音或 1080p。如果交付物是一种体验——一场现场演示、一个互动角色、一个由人操控并立即看到结果的工具——那么目前没有任何托管式视频模型能做到这一点,FastFrames 是通往该目标最可信的开放路径,代价是一块 GPU 和一次许可证审查。

还有第三种情况,而且这是最常见的一种:一个团队想弄清楚交互式场景是否值得构建。基于托管模型为此制作原型,比购买 B200 机时更便宜,而 OrcaRouter 正是托管侧只需一个密钥的地方——同一个端点覆盖 Kling 3.0、Kling 3 Turbo 和 Kling Video O1,以及 MiniMax H3,全部按提供商目录价、0% 加价,因此供应商价格一变,当天就会体现在你的账单上。FastFrames 本身不在该目录中,我们也不提供它;本次发布没有任何内容会改变我们所托管的东西。一个密钥带来的,是能够在你投入硬件去击败它之前,衡量用户实际能容忍多少延迟的能力。

接下来会怎样

两套系统之间的差距,在于生成过程中硅在做什么,而这个差距会从两端同时缩小。托管厂商已经在销售更快的服务档位,而像素解码器技术在原则上与模型无关——它是按每个基础模型分别训练的,但它没有任何部分要求使用 Wan2.1。真正重要的版本是十八个月后的这次比较:一个带音频的托管式 1080p 模型,能在不到一秒内返回片段,按秒而非按分钟计费。在那出现之前,诚实的总结是:FastFrames 在一个 Veo 并未参与的品类中赢得了延迟竞赛。