直接生成16秒高清視頻 中國自研視頻大模型在京發(fā)布

只需一段文字指令就能生成一段逼真視頻,今年初,文生視頻大模型Sora在全球人工智能業(yè)內(nèi)外引發(fā)廣泛關(guān)注。27日,2024中關(guān)村論壇年會(huì)上首次發(fā)布中國自研的具“長(zhǎng)時(shí)長(zhǎng)、高一致性、高動(dòng)態(tài)性”特點(diǎn)的文生視頻大模型Vidu。

 

記者從會(huì)上獲悉,這一視頻大模型由清華大學(xué)聯(lián)合北京生數(shù)科技有限公司共同研發(fā),可根據(jù)文本描述直接生成長(zhǎng)達(dá)16秒、分辨率高達(dá)1080P的高清視頻內(nèi)容,不僅能模擬真實(shí)物理世界,還擁有豐富想象力。

 

清華大學(xué)人工智能研究院副院長(zhǎng)、生數(shù)科技首席科學(xué)家朱軍說,當(dāng)前國內(nèi)視頻大模型的生成視頻時(shí)長(zhǎng)大多為4秒左右,Vidu則可實(shí)現(xiàn)一次性生成16秒的視頻時(shí)長(zhǎng)。同時(shí),視頻畫面能保持連貫流暢,隨著鏡頭移動(dòng),人物和場(chǎng)景在時(shí)間、空間中能保持高一致性。

 

在動(dòng)態(tài)性方面,Vidu能生成復(fù)雜的動(dòng)態(tài)鏡頭,不再局限于簡(jiǎn)單的推、拉、移等固定鏡頭,而是能在一段畫面里實(shí)現(xiàn)遠(yuǎn)景、近景、中景、特寫等不同鏡頭的切換,包括能直接生成長(zhǎng)鏡頭、追焦、轉(zhuǎn)場(chǎng)等效果。

 

“Vidu能模擬真實(shí)物理世界,生成細(xì)節(jié)復(fù)雜且符合物理規(guī)律的場(chǎng)景,例如合理的光影效果、細(xì)膩的人物表情等,還能創(chuàng)造出具有深度和復(fù)雜性的超現(xiàn)實(shí)主義內(nèi)容。”朱軍介紹,由于采用“一步到位”的生成方式,視頻片段從頭到尾連續(xù)生成,沒有明顯的插幀現(xiàn)象。

 

此外,Vidu還可生成如熊貓、龍等形象。

 

據(jù)悉,Vidu的技術(shù)突破源于團(tuán)隊(duì)在機(jī)器學(xué)習(xí)和多模態(tài)大模型方面的長(zhǎng)期積累,其核心技術(shù)架構(gòu)由團(tuán)隊(duì)早在2022年就提出并持續(xù)開展自主研發(fā)。“作為一款通用視覺模型,我們相信,Vidu未來能支持生成更加多樣化、更長(zhǎng)時(shí)長(zhǎng)的視頻內(nèi)容,探索不同的生成任務(wù),其靈活架構(gòu)也將兼容更廣泛的模態(tài),進(jìn)一步拓展多模態(tài)通用能力的邊界。”朱軍說。(記者魏夢(mèng)佳)

標(biāo)簽:科技