视频token：1个等于1024像素，为什么一秒视频要1块钱

本文是「术语解构」系列之一。上一篇拆了KV Cache，这一篇换个模态，拆视频模型的计量单位：视频token。

文中价格与参数查证时间：2026年9月10日。视频模型定价变动频繁，请以火山方舟官网当日信息为准。

20帧/秒，字节也开始做实时视频了

据彭博援引知情人士报道，字节跳动正在准备一款基于Seedance路线的实时空间视频生成模型，目标约20帧/秒、约50毫秒延迟，面向直播、短剧、游戏和Pico头显，最快下个月发布。

基于这则消息推测：

第一，这不是正式发布的产品。没有公开演示，没有技术报告，也没有分辨率、GPU配置和价格。

第二，20帧/秒和50毫秒很可能是同一件事的两种说法。1÷20刚好等于0.05秒，也就是每50毫秒出一帧。它是帧间隔，还是你转头到画面变化的完整延迟，报道没说。

第三，实时不是新门槛。Google的Genie 3在2025年8月就做到了720p、24帧/秒的实时可交互世界；字节自己的Seaweed APT2在2025年6月也展示过24帧/秒的流式生成——8B模型在单张H100上跑736×416，升到1280×720要用8张H100。这次的新意，是字节把这条路线接到了Seedance和云端视频业务上。

那这条消息为什么还值得聊？

因为视频一旦从“生成完再播放”变成“边生成边交互”，算力账就变了。

新闻里没有价格，但字节已经公开了视频怎么收钱：Seedance 2.0纯文生视频，720p大约1元1秒。同一家公司的文本模型，写一千字不到一分钱。

视频到底贵在哪？是每个token都贵得离谱，还是token太多？

相对于单价和数量来说，单价只差几倍，数量差了几百倍。

一、一个视频token，等于1024个像素

《token是什么》那篇讲过，文本模型的token大致对应一个字、半个词或一小段字符。视频模型的计费token不是这种语言单位。

火山方舟给出的估算公式是：

1

视频token用量 =（输入视频时长 + 输出视频时长）× 宽 × 高 × 帧率 ÷ 1024

这个估算公式的意思是，把每一帧画面切成一个个1024像素的小方块，一块算一个token——你可以把它想成一块32×32的小拼图。

文本token是切字，视频token是切图。

先划一条边界：这是计费上的折算关系，不代表Seedance内部真的把画面切成32×32的小块送进模型。模型内部还有视频编码器、潜空间压缩、patch划分这些环节，官方计费公式没有透露实现细节。顺便说明一下，本文后面所有token数字，说的都是计费口径。

拿Seedance 2.0的官方示例算一遍。生成一条15秒、720p、24帧/秒的视频，火山方舟的720p实际按1248×704计算：

1

15 × 1248 × 704 × 24 ÷ 1024 = 308,880 token

拆到更小的单位：

• 一帧：1248×704÷1024≈858个token
• 一秒（24帧）：858×24≈20,592个token
• 换成传闻里的20帧/秒：858×20≈17,160个token

这就是视频成本的起点——文本模型一次吐一个token，视频模型每秒要持续更新两万块画面。

有一点要先说明白：视频token是平台定的计费单位，一个视频token和一个文本token承载的信息完全不是一回事，不能拿两者比“信息量”。但计费单位既然定了，就可以比价格。

二、贵的不是单价，是数量

先看单价（查证于2026年9月10日，火山方舟价格页）：

Seedance 2.5的70元和42元目前只查到媒体对火山引擎公告的转述，没在价格页直接核到，所以后面的计算全部以Seedance 2.0为准。

只看单价，Seedance 2.0的视频token是DeepSeek文本token的7.7倍。贵，但不到一个数量级，真正拉开差距的，是一次任务要消耗多少token。

从上面表格看来，三个不同口径，三个答案。

所以“视频比文字贵10倍”这种说法太粗。比token单价，不到10倍；比一次任务，几百倍起步。视频贵，贵在同样一秒钟的内容，它要吃掉几百倍的token。

这也解释了一个现象：文本模型的定价页只写“每百万token多少钱”，视频模型的定价页一定会附一句“每秒多少钱”。因为对视频用户来说，百万token这个数字没有体感，一秒一块钱才有。

注：表中50token/秒只是一个便于理解的示例速度，不同模型、不同负载差异很大；3000字分析按上一篇峰谷定价文章里的4000输入、1500输出估算。

三、空间账：每一帧都是一张要生成的图

那为什么一帧画面要这么多token？先算第一笔账：空间。

对于文字来说，一段文字不需要给每个字安排颜色、位置、光照和透视关系。而对于视频来说，视频的每一帧，都是一张完整的二维画面，每个位置都要有内容。

分辨率从720p提到1440p，宽和高各翻一倍，像素数变成4倍，按火山方舟的公式，计费token也是4倍。

模型内部还有一层放大。《上下文窗口》那篇讲过注意力机制的计算量随序列长度平方增长。如果某个空间注意力模块让一帧里所有画面token两两关联，token数×4，这一环节的理论计算量就接近×16。

这里必须收着说：16倍只描述全局注意力这一个环节，不能写成“分辨率翻倍，整台服务器成本翻16倍”。视频模型普遍会先把画面压进潜空间再处理，还会用局部注意力、窗口注意力等手段把这笔账压下来。但方向是确定的：画面越大，成本增长得比画面本身更快。

四、时间账：视频不能只生成一张好看的图

对于一段完整视频，单帧画面对了还远远不够。

人物走到下一帧，衣服不能突然变色；汽车开过路口，不能下一秒又回到原位；镜头转过去再转回来，刚才那栋楼还得在原地。

20帧/秒的意思是，模型每秒要生成20个新的画面状态，还要让这20个状态在人物、物体、光照、动作和镜头位置上保持连续。

离线生成可以一次处理一段时间范围，让多帧互相参考，前后对齐。实时生成做不到——它不知道你下一秒往左走、往右走，还是突然要求下雨，只能一边接收输入，一边往下续写这个世界。

Google DeepMind介绍Genie 3时提过一句：模型生成每一个新画面时，都要参考不断增长的历史轨迹。你一分钟后走回原来的位置，场景还要尽量和刚才一样。这笔成本不只来自新的一帧，还来自模型对“过去发生过什么”的记忆。

而记忆本身也是两难：历史一直攒着，计算和显存越来越重；只留最近几帧，模型又会忘掉更早的建筑、人物和你做过的交互。实时世界模型要在“记得住”和“算得动”之间反复取舍。

五、修正与记忆账：一帧出来之前，模型可能已经算了好几遍

第三笔账藏在生成过程里。很多视频模型走的是扩散路线：从一团噪声开始，一轮一轮修正，直到画面成形。离线模型可以用几十步慢慢去噪，实时模型没有这个时间。

现有的实时方案大致两条路。

第一条，把去噪压短。用蒸馏、少步采样或流水线并行，把几十步压到1到4步。StreamDiffusionV2就是这条路：支持1到4个去噪步骤，14B模型在4张H100上跑到58.28帧/秒，首帧时间控制在0.5秒以内。

第二条，按帧自回归，把历史放进缓存。每生成一帧，就把它的状态存下来，下一帧接着算。LongLive采用帧级自回归和短窗口注意力，1.3B模型在单张H100上达到20.7帧/秒。字节自己的Seaweed APT2走得更远：一次生成一个潜在帧，每个潜在帧只做一次网络前向，然后靠KV Cache和滑动窗口让推理成本不随视频时长无限增长——8B模型在单张H100上跑到736×416、24帧/秒，延迟0.16秒；1280×720、24帧/秒则要8张H100。

这里有个容易写错的地方：Seaweed APT2说的是每个潜在帧一次前向，而一个潜在帧对应4个最终视频帧，不能写成“每个视频帧一次前向”。

这条路的代价，老读者应该有条件反射了：历史状态要占显存，和文本模型的KV Cache是同一个逻辑，只是缓存里存的从文字变成了连续的画面状态，规模和更新方式都要重新算。

这些案例只能说明实时视频有哪些技术路线，不能反推字节新模型用了几步去噪、几张卡、什么缓存结构。这些信息字节还没有公开。

六、实时服务税：最贵的不是多算，而是不能等

前三笔账，离线视频和实时视频都要付。第四笔，只有实时要付。

离线生成像工厂接单。任务可以排队，可以凑成批次，可以等GPU空闲时集中处理。平台优化的是“单位时间一共完成多少段视频”，这和文本模型的批处理、错峰是一个思路。

实时生成像视频通话。你转了头，下一帧必须按时出现。它不能排队，不能错峰，也很难为了提高GPU利用率去等别的请求凑齐一批。

StreamDiffusionV2的作者把这个区别说得很直白：离线系统靠批处理大负载来优化吞吐，实时直播要满足严格的SLO——首帧时间要短，每一帧都有截止期限，抖动要低。

具体到工程上，实时视频要同时盯住这些东西：

• 首帧等待时间；
• 每一帧的交付期限；
• 帧与帧之间的抖动；
• 用户输入进入模型的响应速度；
• 云端编码、网络传输和设备端解码；
• 突发负载下预留的备用算力。

举个例子。假设某个系统平均每帧要40毫秒，看起来已经满足50毫秒的帧间隔。但只要少数复杂画面突然花了80毫秒，你看到的就是卡顿。服务器不能只看平均值，还要压住慢帧出现的频率，这通常意味着预留更多算力余量。

再看一个更直观的对比。Seaweed APT2要跑720p、24帧/秒的实时流，用了8张H100——这8张卡在那一分钟里只服务这一路视频。而一张H100跑文本模型，可以同时服务几十上百个用户的对话，靠的就是把大家的请求凑成批次。实时视频把这个凑批的空间几乎压没了。

于是出现了一个反直觉的结论：实时化不一定增加同一段视频的理论计算量，却会限制批处理、提高预留容量、压低GPU的平均利用率。同样的GPU，能卖出去的有效算力变少了，账单自然往上走。模型算得再快，调度跟不上，直播照样掉帧。

这和DeepSeek峰谷定价那篇讲的是同一个道理。文本任务可以排队、错峰、批处理，所以闲时token更便宜；实时视频把这些降成本的空间压到了最小。它是“必须实时任务”的极端形态：每一帧都是高峰时段的价格。

七、20帧/秒离真正的云端交互还有多远

最后回到文章开头说到的那条新闻。字节把生成放在云端，降低的是头显本地芯片的负担。但算力没有消失，只是从设备搬进了数据中心，上一节那笔实时服务税，也全部留在了云端。

一次交互从头到尾要经过这些环节：

1

用户动作 → 设备采集 → 网络上传 → 模型推理 → 视频编码 → 网络下载 → 头显解码显示

50毫秒覆盖的是哪一段，目前没有公开答案。如果它只是服务器输出一帧的间隔，网络和显示延迟要另外算；如果它是从动作到画面的完整延迟，那技术含义完全不同。

报道也没有给出测试距离、网络条件、分辨率、首帧时间和延迟百分位。所以现在只能把20帧/秒当成一个研发目标，不能写成已经验证的云端VR体验。

能说的只有一句刻度尺：按现有Seedance 2.0的公式，20帧/秒、720p的一秒画面约1.7万个视频token。这个数字只说明输出规模。实时模型可能因为蒸馏和更高压缩率把计算压下来，也可能因为低延迟服务、交互输入和算力预留把成本抬上去——没有正式价格和测试条件，两个方向都不能下结论。

写在最后

回到标题：一个视频token等于1024个像素，为什么一秒视频要1块钱？

三句话收束：

• 视频token是切画面，不是切字。一帧720p约858个token，一秒约两万个。
• 单价和文本在同一量级，数量差了几百倍。贵的不是每个token，是同样一秒内容要吃掉多少token。
• 实时再加一层服务税。离线模型可以让你等几十秒——Seedance 1.0技术报告披露过L20上生成5秒1080p需41.4秒，靠的是低步数蒸馏、轻量VAE解码器、量化和混合并行；实时模型每50毫秒就要交一次作业，而且不能排队、不能错峰、不能凑批，优化目标完全是另一套。

这个系列反复讲“参数量不等于算力”，今天可以再加一句：token单价不等于内容成本。

往后看，视频模型还会降价，但降价不会只靠单次前向变快。更高的潜空间压缩率、更少的去噪步骤、更短的历史窗口、更有效的缓存、更高的实时GPU利用率——这五个杠杆，决定“一秒一块钱”还能往下走多远。

下一篇顺着第五节那条路往下：视频模型的KV Cache怎么算，一分钟的历史帧要占多少显存。

资料边界说明

按信源可信度分四档，越靠前越可靠：

一手官方

• 火山方舟「模型价格」页：视频token估算公式、Seedance 2.0/2.5单价、720p示例（查证于2026年9月XX日）
• Google DeepMind博客《Genie 3: A new frontier for world models》：720p、24帧/秒、参考历史轨迹的描述
• StreamDiffusionV2论文（arXiv 2511.07399，MLSys 2026）：1到4步去噪、14B模型4张H100达58.28FPS、首帧0.5秒内、离线批处理与实时SLO的对比
• Seaweed APT2论文（arXiv 2506.09350）及项目页：8B模型、每潜在帧一次前向、一个潜在帧对应4个视频帧、单张H100跑736×416、8张H100跑1280×720、24帧/秒、延迟0.16秒

二手工程/媒体

• IT之家等对Seedance 2.0定价的转述（15秒约30.888万token、约1元1秒），已与官方公式交叉核对
• 彭博关于字节实时空间视频模型的报道：全部信息来自匿名知情人士，字节未确认，本文只作研发目标引用
• Seedance 2.5的70元/42元：仅见媒体对火山引擎公告的转述，未用于正文计算
• Seedance 2.0 Mini约0.5元/秒：第三方按官方单价折算

说明

• 文中所有“文本对视频”的价格对比只比计费口径，不比信息量
• 50token/秒为示例值；3000字分析的token估算沿用峰谷定价文章
• 16倍仅指全局注意力环节的理论变化，不代表整体推理成本