影
七层数据：网络开源视频、自有平台、版权库授权、合成渲染、清洗与字幕、后训练偏好、新品类；谁在供、模型怎么用、多少钱、卡在哪条法律线。
视频生成模型的算法在 2024–2026 年快速收敛：扩散 Transformer + 自训 captioner + 偏好对齐几乎是所有技术报告的共同骨架。拉开差距的是数据——从哪来、能不能合法用、加工到什么程度、为特定方向补了什么品类。但这恰恰是各家披露最少的部分：31 个主流模型里，只有少数开源模型和 Meta Movie Gen、NVIDIA Cosmos 世界基础模型、Stability Stable Video Diffusion（LVD） 写清了数据账，闭源头部几乎全部只有一句"公开与授权数据"。这个专栏把能核到的事实拼起来：每一层数据谁在生产、谁在卖、模型怎么用、多少钱、卡在哪条法律线上。
按"离最终模型分布的距离"和"生产方式"排列。前三层是原料从哪来，第四到第六层是怎么造与怎么加工，第七层是 2025–2026 年新增的专用品类。
| 层 | 数据 | 主要来源 | 典型规模 | 在模型里的角色 |
|---|---|---|---|---|
| 1 | 公开网络视频与开源数据集 | YouTube 抓取；HD-VILA-100M → Panda-70M / Koala-36M → OpenVid-1M / OpenVidHD-0.4M 一条血缘 | 开源集千万 clip 级；闭源"数十亿级"不公开 | 预训练主体原料；开源集今天主要是研究与评测底座 |
| 2 | 自有平台与 UGC | 快手、抖音/TikTok、YouTube、Meta、腾讯、阿里 | 平台库百亿级视频（非训练集口径） | 技报从不直接承认；唯一公司确认的是 Google 用 YouTube 子集训练 Google Veo（2 / 3 / 3.1） |
| 3 | 版权库与授权市场 | Shutterstock、Getty Images、Adobe Stock、Troveo AI、Protege（含 Calliope）、视觉中国 VCG、捷成股份 | 创作者素材 $1–4/分钟；整体价格带跨两个数量级 | 合规补充与高质量片源；Adobe Firefly Video 与 Adobe Stock 采购、Moonvalley / Marey 以"全授权"为卖点 |
| 4 | 合成、渲染与蒸馏 | UE5/游戏引擎、Objaverse 渲染、VLM 合成 caption、少步蒸馏 | 只有 Cosmos 披露渲染视频占 4% | 主要用于文本侧（recaption）与相机/动作/物理可控性标签 |
| 5 | 清洗、切分、打分与字幕 | 自建管线：切镜 → 过滤 → 去重均衡 → 自训 captioner | Cosmos 2000 万小时 → 约 1 亿 clip | 决定"可用小时"；漏斗留存几乎无人披露 |
| 6 | 后训练：SFT、偏好与奖励模型 | 人工精选 SFT、成对偏好、多维奖励模型 | 腾讯 HunyuanVideo（1 / 1.5） SFT 约 100 万条；VideoReward / VideoAlign 18.2 万偏好三元组 | 小而贵的人工环节；外部标注商的主要切入点 |
| 7 | 新数据品类 | 音视频联合、多镜头、参考配对、相机/3D、游戏动作、动漫 | SpatialVID 7,089 小时；Phantom-Data 约 100 万配对 | 四类靠算法从大池构造；游戏动作数据是唯一新出现的买卖市场 |
三条横切：各模型的数据配方与供应商（中美 31 个模型 × 七层热力图、29 条供数关系）、版权诉讼与监管（片厂诉 Midjourney / MiniMax、YouTube 创作者系列诉讼、EU 训练数据摘要、中国暂行办法与标识办法）、厂商全景与价格（授权单价、上市公司 AI 授权收入、数据公司融资）。
深色 = 该层是预训练主体或自建采集体系；浅色 = 少量或只用开源；灰 = 未用或未披露。悬停看规模口径，完整数字见下方数据表。
| 公司 | 模型 | 地区 | 网络/开源视频 | 自有平台 | 版权授权 | 合成/渲染 | 自建管线/captioner | SFT/偏好 | 新品类数据 | 配比公开 | 路线 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 快手 可灵 | Kling 1.x–3 / Omni | 中国 | 明确使用：Koala-36M 172K h（开源集，论文口径） | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源 | 主力层：三层治理+VTSS，无总量 | 未用 / 未披露 | 少量或仅开源 | 部分 | 仅 Koala-36M 与 Omni 技报给出管线轮廓，无主模型规模；UGC 与授权均未披露 |
| 字节 Seedance / 即梦 | Seedance 1.0 / 2.0 | 中国 | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源：称'公开与授权库'，无明细（公司口径） | 未用 / 未披露 | 主力层 | 明确使用：SFT 几百类，三个 RM，无条数 | 少量或仅开源 | 部分 | 1.0 技报管线完整但规模未披露；2.0 页面无数据信息；抖音 UGC 为推断 |
| 字节 Seaweed-7B / Waver | Seaweed-7B / Waver | 中国 | 未用 / 未披露：约 100M 片段 ≈22 万 h（本文换算） | 未用 / 未披露 | 未用 / 未披露 | 明确使用：数百万条仿真视频 | 主力层 | 主力层：SFT 约 70 万（5 万加权） | 少量或仅开源：Waver 见过 200M+ 片段 | 公开 | 字节数字最多的两份技报；日处理 >50 万小时，无效片段率 42%→2.9% |
| 生数 Vidu | Vidu Q1–Q3 / Vidar | 中国 | 少量或仅开源：Vidar 用开源机器人数据约 75 万条 | 未用 / 未披露 | 明确使用：视觉中国专区（公司口径） | 少量或仅开源 | 未用 / 未披露 | 未用 / 未披露 | 明确使用 | 未公开 | 无训练数据技报；无平台，靠版权库、开源与具身合作方；多数线索为本地口径待核 |
| 爱诗 PixVerse | PixVerse V5/V6/C1/R | 中国 | 未用 / 未披露 | 少量或仅开源：1.5 亿用户记录是否训练未披露（推断） | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源 | 未用 / 未披露 | 少量或仅开源 | 未公开 | 仅'自研视频内容理解标注系统'；R 系实时世界模型需动作条件数据（推断） |
| MiniMax 海螺 | Hailuo 01/02/03 | 中国 | 未用 / 未披露：Hailuo 02 数据约为前代 4 倍（公司口径） | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源 | 未用 / 未披露 | 未用 / 未披露 | 未公开 | 无技报；诉讼指控含版权影视角色，非事实认定 |
| 阿里 通义万相 | Wan 2.1 / 2.2 / 2.5 | 中国 | 明确使用：'数十亿图像与视频'，图像约为视频 10 倍 | 明确使用 | 未用 / 未披露 | 明确使用：亿级渲染文字图 | 主力层 | 明确使用：视频简单/复杂运动各数百万 | 少量或仅开源：2.2 视频 +83.2%（公司口径） | 公开 | '内部版权来源+公开可访问数据'；4 步过滤砍约 50%，100 簇人工打分 |
| 腾讯 HunyuanVideo | HunyuanVideo 1 / 1.5 | 中国 | 明确使用：原始 >1000 万 h→约 8 亿片段（1.5） | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源 | 主力层 | 主力层：v1 SFT 约 100 万；1.5 CT 每任务 100 万 | 明确使用：v1 视频转音频 25 万 h 预训练/8 万 h SFT | 公开 | 规模披露最足的中国开源模型之一，来源未点名（称遵循 GDPR、含数据合成） |
| 阶跃 Step-Video-T2V | Step-Video-T2V | 中国 | 明确使用：20 亿视频-文本对 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 主力层 | 明确使用：SFT 前置池约 3000 万→人工精筛 | 未用 / 未披露 | 公开 | 八帧采样质量+光流+12 万簇平衡；与中广天择共建垂类模型非语料证据 |
| Sand AI MAGI-1 | MAGI-1 | 中国 | 明确使用：'数十 PB'原始视频与图像 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 主力层 | 未用 / 未披露 | 少量或仅开源 | 部分 | 来源与最终规模均未披露；自回归逐秒 caption；后训练数据量未查到 |
| 智谱 CogVideoX | CogVideoX / 清影 | 中国 | 主力层：过滤后约 35M 片段（≈5.8 万 h，本文换算） | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 主力层 | 未用 / 未披露 | 未用 / 未披露 | 公开 | '网上可得的大部分视频'+LAION-5B/COYO；2 万条标注训练 6 个分类器 |
| 昆仑万维 SkyReels | SkyReels V1 / V2 | 中国 | 明确使用 | 未用 / 未披露 | 主力层：自采 28 万+电影、80 万+剧集，约 620 万 h（授权状态未披露） | 少量或仅开源 | 主力层 | 明确使用：约 100 万 SFT 子集 | 少量或仅开源 | 公开 | 全表最直接的版权暴露点；SkyCaptioner-V1 人工核对准确率 76.3% |
| 潞晨 Open-Sora 2.0 | Open-Sora 1.x / 2.0 | 中国 | 明确使用：7000 万/1000 万/500 万三段样本 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 主力层 | 未用 / 未披露 | 未用 / 未披露 | 公开 | 总成本 $199.6K（约 4160 H200 GPU 天）；未点名视频来源 |
| 百度 蒸汽机 | MuseSteamer | 中国 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源：'亿级中文多模态数据清洗'（媒体口径） | 少量或仅开源 | 少量或仅开源 | 未公开 | 来源、规模、SFT 均未披露；中文音视频一体 |
| OpenAI Sora / Sora 2 | Sora / Sora 2 | 美国 | 少量或仅开源 | 未用 / 未披露 | 明确使用：Shutterstock 六年协议（公司口径） | 未用 / 未披露 | 少量或仅开源 | 未用 / 未披露 | 少量或仅开源 | 未公开 | '公开或已授权'；2026-03-24 宣布停止 Sora app（关闭生效日未核），Disney 协议终止 |
| Google Veo | Veo 2 / 3 / 3.1 | 美国 | 未用 / 未披露 | 主力层：YouTube 约 200 亿视频的子集（CNBC 二手） | 少量或仅开源 | 明确使用 | 主力层 | 未用 / 未披露 | 明确使用：音视频联合训练（模型卡） | 部分 | 模型卡写多级 Gemini caption、去重、合成 caption；视频数量与小时数未披露 |
| Google Genie 3 | Genie 3 | 美国 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 明确使用：实时可交互世界，720p/24fps（二手） | 未公开 | 训练数据未披露 |
| Meta Movie Gen | Movie Gen | 美国 | 未用 / 未披露：O(100)M 视频+O(1)B 图像（论文口径） | 少量或仅开源 | 少量或仅开源 | 明确使用 | 主力层 | 主力层 | 主力层：音频预训练 O(1)M 小时 | 公开 | 美国闭源模型中数据账最完整：策展+LLaMa3-Video captioner+人工精修 SFT；论文未写来源构成 |
| Runway Gen-3/4 | Gen-3 / Gen-4 / Aleph | 美国 | 明确使用：近 4000 个 YouTube 频道（404 Media 泄露表，不等于全部入库） | 未用 / 未披露 | 明确使用：Lionsgate 片库定制模型（2 万+标题，二手） | 未用 / 未披露 | 少量或仅开源 | 未用 / 未披露 | 少量或仅开源 | 未公开 | 泄露表+片库合作并存；Getty/AMC 授权未查到 |
| Luma Ray | Ray2 / Ray3 | 美国 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源 | 未公开 | 训练集、授权、后训练均未披露 |
| Pika | Pika | 美国 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未公开 | 训练数据、授权、诉讼均未查到 |
| Midjourney Video | Video V1 | 美国 | 少量或仅开源：答辩称需'数十亿公开图像' | 少量或仅开源：用户评分（图像侧，视频未披露） | 少量或仅开源 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未公开 | 与 Meta 技术授权（Midjourney 为授权方）；被迪士尼等三家起诉 |
| Adobe Firefly Video | Firefly Video | 美国 | 未用 / 未披露 | 未用 / 未披露 | 主力层：采购均值 $2.62/分钟（Bloomberg 二手） | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 部分 | 公司口径：授权内容、不抓网络、不用客户内容；视频数据构成未披露 |
| Moonvalley Marey | Marey | 美国 | 未用 / 未披露 | 未用 / 未披露 | 主力层：授权小时数未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 部分 | 自称 fully licensed，创作者直签；Troveo 称供大部分（Troveo 口径） |
| NVIDIA Cosmos | Cosmos WFM | 美国 | 明确使用：20M 小时原始→约 1 亿预训练 clip | 未用 / 未披露 | 明确使用 | 少量或仅开源：渲染合成占 4% | 主力层 | 明确使用：约 1 千万 clip 精调 | 主力层 | 公开 | 论文口径'专有+公网视频'；被诉称使用 HD-VILA 等所指 YouTube 视频（未判决） |
| Apple 视频模型 | Apple（未命名） | 美国 | 少量或仅开源 | 未用 / 未披露 | 少量或仅开源 | 少量或仅开源 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未公开 | Shutterstock 授权（报道）；被诉称用 Panda-70M；视频细节未披露 |
| Amazon Nova Reel | Nova Reel | 美国 | 少量或仅开源 | 未用 / 未披露 | 少量或仅开源 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未公开 | 仅笼统'授权/专有/开源/公开'；2026-04 被 YouTube 创作者起诉 |
| Lightricks LTX | LTX-Video / LTX-2 | 全球 | 主力层 | 未用 / 未披露 | 明确使用：Shutterstock 研究授权（公司口径） | 未用 / 未披露 | 主力层 | 少量或仅开源 | 少量或仅开源 | 部分 | '大量公开数据辅以授权材料'；LTX-2 开权重但数据不开放 |
| Stability SVD | Stable Video Diffusion | 全球 | 主力层：LVD 5.8 亿 clip/212 年（论文口径） | 未用 / 未披露 | 未用 / 未披露 | 少量或仅开源 | 主力层 | 明确使用：25 万高质量 clip 精调 | 少量或仅开源 | 公开 | LVD 来源为'长视频集合'，未逐一列出也未释出数据 |
| Black Forest Labs FLUX 3 | FLUX 3 | 欧洲 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 未用 / 未披露 | 明确使用：视频预测占训练算力 95%+（公司口径，二手转引） | 未公开 | 图像/视频/音频/动作联合；数据来源与规模未披露 |
| Synthesia | Synthesia 数字人 | 全球 | 少量或仅开源 | 未用 / 未披露 | 主力层：付费演员棚拍+授权媒体（公司口径） | 未用 / 未披露 | 少量或仅开源 | 未用 / 未披露 | 未用 / 未披露 | 部分 | 演员按条分成，保留 provenance 文档；公开内容占比未披露 |
依据各公司论文 / 技术报告 / 官方博客；公司口径与二手已在表内标注。
开源视频数据集的血缘、许可与诉讼风险：多数源头收敛到 HD-VILA 与 YouTube
谁拥有视频语料、用户条款怎么写、技术报告里是否承认使用平台数据
视频授权给 AI 训练方的市场：价格带、上市公司收入、合同形态与中美差异
合成数据主要用在文本与监督信号，渲染视频占比极低且多不披露
从原始视频到训练 clip 的标准管线、漏斗留存与 caption 规格
视频生成模型的精调集、偏好对、奖励模型与评测数据如何生产，以及标注商的真实切入点。
纯文本-视频对之外的六类新增训练数据：怎么造、多大、谁在卖。
中美 31 个视频模型披露了什么数据、谁在给谁供货
视频生成训练数据的诉讼、判例射程与各法域规则，及其对采购的影响
跨层厂商对照、上市公司授权收入、融资事件与统一折算的视频数据价格表