新華社北京4月27日電(記者魏夢佳)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)村論壇年會上首次發(fā)布我國自研的具“長時長、高一致性、高動態(tài)性”特點的文生視頻大模型Vidu。
記者從會上獲悉,這一視頻大模型由清華大學聯(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達16秒、分辨率高達1080P的高清視頻內(nèi)容,不僅能模擬真實物理世界,還擁有豐富想象力。
清華大學人工智能研究院副院長、生數(shù)科技首席科學家朱軍說,當前國內(nèi)視頻大模型的生成視頻時長大多為4秒左右,Vidu則可實現(xiàn)一次性生成16秒的視頻時長。同時,視頻畫面能保持連貫流暢,隨著鏡頭移動,人物和場景在時間、空間中能保持高一致性。
在動態(tài)性方面,Vidu能生成復(fù)雜的動態(tài)鏡頭,不再局限于簡單的推、拉、移等固定鏡頭,而是能在一段畫面里實現(xiàn)遠景、近景、中景、特寫等不同鏡頭的切換,包括能直接生成長鏡頭、追焦、轉(zhuǎn)場等效果。
“Vidu能模擬真實物理世界,生成細節(jié)復(fù)雜且符合物理規(guī)律的場景,例如合理的光影效果、細膩的人物表情等,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)突破源于團隊在機器學習和多模態(tài)大模型方面的長期積累,其核心技術(shù)架構(gòu)由團隊早在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、更長時長的視頻內(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),進一步拓展多模態(tài)通用能力的邊界?!敝燔娬f。
(責任編輯:蔡文斌)