原標題：谷歌AI生成視頻兩連發(fā)：720p高清+長鏡頭，網(wǎng)友：對短視頻行業(yè)沖擊太大

內(nèi)容生成AI進入視頻時代！

Meta發(fā)布「用嘴做視頻」僅一周，谷歌CEO劈柴哥接連派出兩名選手上場競爭。

第一位Imagen Video與Meta的Make-A-Video相比突出一個高清，能生成1280*768分辨率、每秒24幀的視頻片段。

另一位選手Phenaki，則能根據(jù)200個詞左右的提示語生成2分鐘以上的長鏡頭，講述一個完整的故事。

網(wǎng)友看過后表示，這一切進展實在太快了。

也有網(wǎng)友認為，這種技術一旦成熟，會沖擊短視頻行業(yè)。

那么，兩個AI具體有什么能力和特點，我們分別來看。

Imagen Video：理解藝術風格與3D結構

Imagen Video同樣基于最近大火的擴散模型，直接繼承自5月份的圖像生成SOTA模型Imagen。

除了分辨率高以外，還展示出三種特別能力。

首先它能理解并生成不同藝術風格的作品，如“水彩畫”或者“像素畫”，或者直接“梵高風格”。

它還能理解物體的3D結構，在旋轉展示中不會變形。

最后它還繼承了Imagen準確描繪文字的能力，在此基礎上僅靠簡單描述產(chǎn)生各種創(chuàng)意動畫，

這效果，直接當成一個視頻的片頭不過分吧？

除了應用效果出色以外，研究人員表示其中用到的一些優(yōu)化技巧不光對視頻生成有效，可以泛化至一般擴散模型。

具體來說，Imagen Video是一系列模型的集合。

語言模型部分是谷歌自家的T5-XXL，訓練好后凍結住文本編碼器部分。

與負責從文本特征映射到圖像特征的CLIP相比，有一個關鍵不同：

語言模型只負責編碼文本特征，把文本到圖像轉換的工作丟給了后面的視頻擴散模型。

基礎模型，在生成圖像的基礎上以自回歸方式不斷預測下一幀，首先生成一個48*24、每秒3幀的視頻。

接下來，一系列空間超分辨率（Spatial Super-Resolution）與時間超分辨率（Temporal Super-Resolution）模型接連對視頻做擴展處理。

所有7種擴散模型都使用了v-prediction parameterization方法，與傳統(tǒng)方法相比在視頻場景中可以避免顏色偏移。

這種方法擴展到一般擴散模型，還使樣本質(zhì)量指標的收斂速度更快。

此外還有漸進式蒸餾（Progressive Distillation），將每次迭代所需的采樣步驟減半，大大節(jié)省顯存消耗。

這些優(yōu)化技巧加起來，終于使生成高清視頻成為可能。

Phenaki：人人都能是“導演”

Phenaki的論文投了ICLR 2023會議，在一周前Meta發(fā)布Make-a-video的時候還是匿名雙盲評審狀態(tài)。

如今信息公開，原來研究團隊同樣來自谷歌。

在公開的信息中，Phenaki展示了它交互生成視頻的能力，可以任意切換視頻的整體風格：高清視頻/卡通，還能夠切換任意場景。

還可以向Phenaki輸入一個初始幀以及一個提示，便能生成一段視頻。

這都還是開胃小菜，Phenaki真正的大招是：講故事，它能夠生成2分鐘以上的長視頻，通過輸入長達200多個字符的系列提示來得到。

（那有了這個模型，豈不是人人都能當導演了？手動狗頭）

從文本提示到視頻，計算成本高、高質(zhì)量文本視頻數(shù)據(jù)數(shù)量有限以及視頻長度可變一直以來都是此類模型發(fā)展的難題。

以往的大多數(shù)AI模型都是通過單一的提示來生成視頻，但若要生成一個長時間并且連貫的視頻這遠遠不夠。

而Phenaki則能生成2分鐘以上的視頻，并且還具備故事情節(jié)，這主要歸功于它能夠根據(jù)一系列的提示來生成視頻的能力。

具體來說，研究人員引入了一個新的因果模型來學習表示視頻：將視頻視作圖像的一個時間序列。

這個模型基于transformer，可以將視頻分解成離散的小表示，而分解視頻則是按照時間的因果順序來進行的。

再講通俗一點，就是通過空間transformer將單個提示進行編碼，隨后再用因果transformer將多個編碼好的提示串聯(lián)起來。

一個提示生成一段視頻，這樣一來，視頻序列便可以沿著提示中描述的時間序列將整個“故事”串在一起。

因為將視頻壓縮為離散的圖像序列，這樣也大大減少了AI處理標記視頻的數(shù)量，在一定程度上降低了模型的訓練成本。

提到模型訓練，和大型圖像系統(tǒng)一樣，Phenaki也主要使用文本-圖像數(shù)據(jù)進行訓練，此外，研究人員還用1.4秒，幀率8FPS的短視頻文本對Phenaki進行訓練。

僅僅通過對大量圖像文本對以及少量視頻文本例子進行聯(lián)合訓練，便能達到突破視頻數(shù)據(jù)集的效果。

Imagen Video和Phenaki，谷歌接連放出大招，從文本到視頻的AI發(fā)展勢頭迅猛。

值得一提的是，Imagen Video一作表示，兩個團隊將合作進行下一步研究。

嗯，有的網(wǎng)友已經(jīng)等不及了。

One More Thing

出于安全和倫理的考慮，谷歌暫時不會發(fā)布兩個視頻生成模型的代碼或Demo。

不過既然發(fā)了論文，出現(xiàn)開源復刻版本也只是時間問題。

畢竟當初Imagen論文出來沒幾個月，GitHub上就出現(xiàn)了Pytorch版本。

另外Stable Diffusion背后的StabilityAI創(chuàng)始人兼CEO也說過，將發(fā)布比Meta的Make-A-Video更好的模型，而且是大家都能用上的那種。

當然，每次AI有了新進展后都會不可避免地碰到那個話題——AI會不會取代人類。

目前來說，一位影視行業(yè)的工作者表示還不到時候：

老實說，作為一個在電影行業(yè)工作了十年的人，這個話題令人沮喪。

在他看來，當前的視頻生成AI在外行看起來已經(jīng)足夠驚艷，不過業(yè)內(nèi)人士會認為AI還缺乏對每一個鏡頭的精細控制。

對于這個話題，StabilityAI新任首席信息官Daniel Jeffries此前撰文表示，AI最終會帶來更多的工作崗位。

如相機的發(fā)明雖然取代了大部分肖像畫家，但也創(chuàng)造了攝影師，還開辟了電影和電視這樣的全新產(chǎn)業(yè)。

5年后再回看的話，反對AI就像現(xiàn)在反對Photoshop一樣奇怪，AI只不過是另一個工具。

Jeffries稱未來是環(huán)境人工智能（Ambient AI）的時代，各個行業(yè)、各個領域都會在人工智能的加持下進行發(fā)展。

不過現(xiàn)在我們需要的是一個更開放的人工智能環(huán)境，也就是說：開源！

最后，如果你現(xiàn)在就想玩一下AI生成視頻的話，可以先到HuggingFace上試試清華與智源實驗室的Cogvideo。