下一个应用爆发的机会：实时视频生成来临之时
过去两年，AI 视频主要在比生成质量。现在更值得盯住的变化，是推理速度和实时性开始越过临界点：当生成时间短于播放时间，视频就不再只是预先制作、随后被观看的内容，而可能成为互动娱乐的即时反馈层。
这不是一次单纯的模型参数竞赛。它改变的是产品能被怎样设计：用户的输入、角色状态和故事分支，开始有机会直接成为下一幕画面的条件。
实时性改写了视频的产品边界
过去，视频生成适合做素材、短片和广告。生成一次要等很久，交互就只能停在“写提示词—等待—观看”的循环里。即使画面变得更好，用户仍然是观众。
实时生成把这个顺序倒了过来。用户先行动，系统再生成反馈；视频不再是内容生产的终点，而成为持续变化的界面。无限刷的短视频流、AI 新闻台、你画我猜、约会模拟器和分支式文字冒险，虽然大多仍然粗糙，却已验证了同一件事：当延迟足够低，内容可以在现场被共同决定。
张涛提到“延迟进入一秒内”时，真正指向的不是一个精确的技术指标，而是应用层的设计空间开始变化。延迟进入可感知的即时范围，用户才会把系统当成可互动的环境，而非一次性内容工具。
开源之后，竞争落在后训练与推理
MiniMax H3 开放权重，意义不只在于多了一个可用的视频底座。它把后训练、量化、蒸馏、稀疏注意力和推理优化交给了更多团队。模型本身不再是唯一稀缺资源，谁能把同一个底座变得更快、更便宜、更贴合具体场景，谁就更可能先做出产品。
fal 的 H3 Max 是一个清晰例子：通过后训练和自家推理引擎，把带音频的 5 秒视频压到约 3 秒生成。这个速度使“比实时更快”的视频能力可以按量提供给开发者。
Yoroll H3 Superfast 的路径不同。它同样基于 H3 做后训练和加速，但目标不是通用视频服务，而是游戏：10 秒、768p、24fps、带原生音频的视频，据称可在 8 张 B200 上约 4 秒生成。速度是前提，更重要的是它要让模型对角色、玩法和状态变化作出连续反馈。
Yoroll 把速度做成了玩法
真正有说服力的不是一组吞吐数字，而是速度被如何消耗。YoLive 的设计很直接：观众在持续播放的互动剧情中提出下一幕建议并投票，系统结合既有剧情、人物关系、地点和任务状态生成下一段影像。
这让弹幕第一次不只是作品旁边的评论。不同用户的意图会进入作品本身，影响接下来发生什么。对参与者而言，最有吸引力的瞬间不是“我看到了一个好视频”，而是“刚才那个转折是我参与决定的”。
同样的逻辑也出现在一批小游戏里。《相亲战士》让玩家用对话和行动推动约会走向；《主播开箱模拟器》把弹幕转成开箱指令；《火柴无限冒险》允许玩家提出预设选项外的行动。它们的共同点不是画面已经完美，而是把“下一幕由输入决定”做成了核心循环。
数据、产品和推理栈才是护城河
开源会拉平模型层的起跑线，却不会自动拉平三样东西：推理栈、场景数据和产品能力。
fal 的优势更接近推理基础设施和开发者服务。它把速度与成本封装成公共能力，让更多人可以调用。Yoroll 的优势则更接近游戏数据和产品闭环：互动影游、3D 游戏和创作者作品会留下带分支、状态与玩法标注的游戏内影像。这类数据回答的不是“一个镜头拍得好不好”，而是“玩家做出一个选择后，画面和规则如何接得住”。
通用视频数据更擅长训练模型去“拍”。游戏数据能补上角色一致性、长序列衔接、镜头节奏和动作控制。更关键的是，产品上线后，玩家会不断暴露模型最该修的问题：角色是否执行了动作、道具是否前后消失、场景是否能连续。这种反馈只有真正做 C 端产品的团队才能持续获得。
预生成与实时生成会长期共存
我不认为实时生成会替代所有预先制作的内容。预生成仍然适合打磨主线、角色和关键场景；实时生成更适合回应玩家没有被预设的提问和行动。规则与状态系统则负责记住已经发生的事，让故事和玩法不至于断裂。
成本会决定两者的边界。多人共同观看、共同参与的实时流更容易分摊生成成本；高度个人化的互动需要足够强的付费意愿；可自由探索的持久世界，则还要等待控制能力和推理成本继续下降。
长期看，真正可积累的并不是某一代视频模型，而是内容与 IP、交互数据、创作工具、发行能力，以及把生成速度和成本压进产品体验的能力。实时视频生成的机会，不在于让机器多拍一段视频，而在于让用户的下一步输入真的改变世界。