從“無到有”走向“有到優(yōu)” 國產(chǎn)視頻生成大模型漸入佳境

　　文生視頻大模型Sora誕生半年后，它的中國“挑戰(zhàn)者”列隊(duì)登場，爭奪下一張AI殺手級應(yīng)用的“船票”。過去一個月，4款國產(chǎn)視頻生成模型陸續(xù)上線、走向大眾。

　　與Sora僅釋放小樣、未開放使用不同，中國的視頻生成大模型發(fā)布即上線，便于使用者“拿來就用”。眼下，在應(yīng)用端，一批內(nèi)容創(chuàng)作者已初嘗“會打字就會生視頻”“生視頻不求人”的樂趣；在技術(shù)側(cè)，還有一批孵化中的視頻生成模型正在路上。盡管國產(chǎn)工具還不具備一次性“分鐘級”的生成能力、無法實(shí)現(xiàn)比肩實(shí)拍的“無縫”“絲滑”，但視頻生成已解決了“有”的問題，逐步向“優(yōu)”進(jìn)化。

　　想象力“動”起來

　　最近，文生視頻賽道擠滿了強(qiáng)有力的中國選手。7月下旬，我國人工智能獨(dú)角獸智譜AI推出視頻生成模型“清影”、愛詩科技發(fā)布視頻生成產(chǎn)品PixVerse V2、生數(shù)科技上線視頻生成模型Vidu的同時，快手6月發(fā)布的“可靈AI”已積累百萬用戶。

　　“Sora還停留在實(shí)驗(yàn)室的小樣階段，國產(chǎn)視頻生成工具已密集上線，并向C端開放使用，令人振奮?！北本┐髮W(xué)深圳研究生院信息工程學(xué)院助理教授、博導(dǎo)袁粒說。

　　Sora的中國“挑戰(zhàn)者”有何本領(lǐng)？

　　清晨，大熊貓坐在湖邊彈吉他、兔子在餐廳里看報紙、袋鼠和金絲猴在一旁吃早餐，然后去動物城的運(yùn)動場上集合，觀看一年一度的自行車大賽……這部由可靈AI生成的動畫微電影，盡管時長只有62秒，卻表現(xiàn)出了對現(xiàn)實(shí)世界物理規(guī)律（反射定律、重力定律等）的理解與呈現(xiàn)能力，以及一定的想象力與故事的實(shí)現(xiàn)能力。

　　進(jìn)入“奧運(yùn)時間”，不少刷屏朋友圈的、可銜接不同場景和運(yùn)鏡的短片，也同樣出自國產(chǎn)視頻生成大模型之手。

　　“視頻生成，簡言之是通過生成式AI技術(shù)，將文本、圖片等多模態(tài)輸入，轉(zhuǎn)化為視頻信號?！笨焓忠曈X生成和互動中心負(fù)責(zé)人萬鵬飛說，“與過去我們常見的相機(jī)拍攝、圖形渲染獲得視頻的方式不同，視頻生成的本質(zhì)是從目標(biāo)分布中采樣計算得到像素。這種方式能以更低的成本，達(dá)到更高的內(nèi)容自由度。”

　　進(jìn)入Vidu的視頻生成頁面，記者體驗(yàn)了“一鍵生成”的自由。上傳一張照片設(shè)置為“起始幀”或作為“參考的人物角色”，在對話框里輸入想要生成場景的文字描繪，點(diǎn)擊“生成”鍵，一條栩栩如生的短視頻就自動生成了。從進(jìn)入頁面到下載完畢，不足1分鐘。

　　一名技術(shù)負(fù)責(zé)人告訴記者一個“生成秘籍”：“試試‘鏡頭語言+建立場景+細(xì)節(jié)描述’的提示詞公式，不出5次就能獲得想要的視頻內(nèi)容。”比如，在對話框中輸入“寫實(shí)風(fēng)格，近距離，老虎伏在地上，身體微微起伏”的文本。1分鐘后，一段視頻出現(xiàn)在屏幕上：微風(fēng)拂過的草地上，老虎的身體隨呼吸起伏，它的毛發(fā)、胡須隨風(fēng)而動，甚至能“以假亂真”。

　　視頻生成技術(shù)的快速迭代，建立在對生成內(nèi)容效果的精準(zhǔn)評價之上。如何區(qū)分視頻生成模型性能的優(yōu)劣？“一看可控性，即生成內(nèi)容與輸入文本的對應(yīng)程度；二看穩(wěn)定性、一致性；三看合理性，即生成內(nèi)容是否合乎物理規(guī)律；四看風(fēng)格、審美、創(chuàng)意；最后一點(diǎn)，看生成的實(shí)時性?！毕愀鄞髮W(xué)計算機(jī)系教授、歐洲科學(xué)院外籍院士徐東這樣歸納。

　　成本降下去 速度提上來

　　國外網(wǎng)友已經(jīng)用行動表達(dá)了對中國自研視頻生成模型的贊許，不少Twitter賬號發(fā)布的文字已經(jīng)配上了可靈AI、清影AI生成的視頻。

　　“坦白說，現(xiàn)在技術(shù)還沒有到成熟的階段，視頻生成模型的技術(shù)天花板高，可以提升的空間大。但是，我們看到了影視、動畫、廣告、游戲行業(yè)的痛點(diǎn)：制作周期長、制作成本高，而這是技術(shù)可以努力解決的?！鄙鷶?shù)科技聯(lián)合創(chuàng)始人、首席執(zhí)行官唐家渝告訴記者。

　　一項(xiàng)技術(shù)想要成為“剛需”，須在增強(qiáng)可用性、可控性的前提下降低成本。作為直接拉低創(chuàng)作與制作門檻的技術(shù)，視頻生成模型的出現(xiàn)，讓影視動畫從業(yè)者看到了“小團(tuán)隊(duì)制作動畫”“小成本內(nèi)容創(chuàng)作”的春天。

　　“創(chuàng)作AIGC（生成式人工智能）動畫短片是一次有趣的經(jīng)歷。我們先是有了一個創(chuàng)意，把它畫成故事版，然后用AI生成圖像，再用Vidu把圖像生成了視頻?！北本╇娪肮?jié)AIGC短片單元最佳影片得主、Ainimate Lab AI負(fù)責(zé)人陳劉芳告訴記者。

　　視頻生成，將讓科幻、奇幻、動畫不再是大廠才敢玩的“燒錢游戲”。陳劉芳說，用上Vidu之后，制作周期與制作成本的降低堪稱顯著。

　　“拿動畫短片《一路向南》來說，創(chuàng)作團(tuán)隊(duì)僅由三人構(gòu)成：一名導(dǎo)演、一名故事版藝術(shù)家和一名AIGC技術(shù)應(yīng)用專家。而傳統(tǒng)流程需要20人，包含導(dǎo)演、故事版、美術(shù)、建模、材質(zhì)、燈光、渲染等不同‘工種’，周期在一個月左右。這樣算下來，成本降低了90%以上?！标悇⒎颊f，當(dāng)然，目前視頻生成技術(shù)的精致程度還不夠，約為傳統(tǒng)動畫性能的三分之一。

　　然而，更低的成本、更高的效率，已讓傳統(tǒng)的影視、動畫、游戲從業(yè)者感受到技術(shù)顛覆前夜的凜冽。“‘人人成為設(shè)計師’‘人人成為導(dǎo)演’的時代將會到來，就像當(dāng)年進(jìn)入‘人人擁有麥克風(fēng)’的時代。”智譜AI首席執(zhí)行官張鵬說。

　　“這對于動畫行業(yè)而言，是挑戰(zhàn)，也是機(jī)遇。比如一名武林高手，哪怕用最簡單的武器、最普通的招式也會威力十足，核心在于他的內(nèi)功強(qiáng)大。對于動畫行業(yè)而言，‘招式’好比新技術(shù)，‘內(nèi)功’則是創(chuàng)意、是視聽表達(dá)、是對審美的品控判斷。”中國傳媒大學(xué)動畫與數(shù)字藝術(shù)學(xué)院教授、動畫系主任艾勝英說。

　　技術(shù)固然帶來了性價比更高的工具，但也凸顯了創(chuàng)意的關(guān)鍵作用?！爱?dāng)影視、動畫、游戲的制作環(huán)節(jié)投入占比大幅降低后，比拼的就更加是創(chuàng)意?！标悇⒎颊f。

　　“煉”一個殺手級應(yīng)用

　　大語言模型敲開生成式AI的大門后，視頻作為圖像模態(tài)的再擴(kuò)展，將AIGC的技術(shù)推向高潮，也讓AIGC的應(yīng)用離大眾越來越近。

　　當(dāng)前，全球視頻生成的技術(shù)路線主要有兩種：一種是擴(kuò)散模型，這其中又分為兩類，一類是基于卷積神經(jīng)網(wǎng)絡(luò)的擴(kuò)散模型，如Meta的Emu Video、騰訊等推出的VideoCrafter；另一類是基于Transformer架構(gòu)的擴(kuò)散模型，如生數(shù)科技的Vidu、OpenAI的Sora、快手的可靈AI等。第二種是自回歸路線，如谷歌的VideoPoet、Phenaki等。

　　“國內(nèi)視頻生成的主流選擇是基于Transformer架構(gòu)的擴(kuò)散模型，這一架構(gòu)能使模型在處理語言、計算機(jī)視覺、圖像生成等領(lǐng)域表現(xiàn)出擴(kuò)展能力，遵從‘規(guī)模定律’。”徐東說。

　　這一選擇也意味著，更大的算力、更高的質(zhì)量與更大規(guī)模的數(shù)據(jù)，以及復(fù)雜的算法。

　　“首當(dāng)其沖的是算法。視頻在圖像的基礎(chǔ)上增加了時間維度，算法的復(fù)雜程度會指數(shù)級增長?！毙鞏|說，數(shù)據(jù)、算力一定的條件下，模型性能關(guān)鍵在于算法的能力，取決于算法人才水平的高低。

　　其次，最為缺乏的是數(shù)據(jù)?！耙曨l生成強(qiáng)依賴于數(shù)據(jù)。與文本數(shù)據(jù)相比，視頻數(shù)據(jù)的積累難度更大。數(shù)據(jù)的質(zhì)量提升，不僅包括視頻的解析度、風(fēng)格、分鏡、組合、連續(xù)性等，還包括數(shù)據(jù)的清洗、篩選、處理?！睆堸i說。

　　視頻生成模型更是“吞卡巨獸”。從Sora的實(shí)踐來看，持續(xù)提高模型的數(shù)據(jù)量、參數(shù)規(guī)模，迄今依然是AIGC進(jìn)化的核心。中信證券測算，一個60幀的視頻（約6至8秒）大約需要6萬個Patches（補(bǔ)片），如果去噪步數(shù)是20的話，相當(dāng)于生成120萬個Tokens（詞元）。考慮到擴(kuò)散模型在實(shí)際使用中需多次生成，實(shí)際計算量會遠(yuǎn)超120萬個Tokens（詞元）。

　　“大模型參數(shù)正以每年十倍的速度增長。不論對科技企業(yè)還是研究機(jī)構(gòu)而言，如何持續(xù)訓(xùn)練高性能的模型，依然是巨大挑戰(zhàn)。但與此同時，C端的‘殺手級應(yīng)用’讓人充滿期待。從創(chuàng)意的生成，到圖片、音樂、視頻的制作，AI都將有大施拳腳之地。未來，視頻制作也許就像今天做PPT一樣簡單便捷?！北本┲窃慈斯ぶ悄苎芯吭涸洪L王仲遠(yuǎn)說。（記者 張漫子）

　　轉(zhuǎn)自：經(jīng)濟(jì)參考報

　　【版權(quán)及免責(zé)聲明】凡本網(wǎng)所屬版權(quán)作品，轉(zhuǎn)載時須獲得授權(quán)并注明來源“中國產(chǎn)業(yè)經(jīng)濟(jì)信息網(wǎng)”，違者本網(wǎng)將保留追究其相關(guān)法律責(zé)任的權(quán)力。凡轉(zhuǎn)載文章及企業(yè)宣傳資訊，僅代表作者個人觀點(diǎn)，不代表本網(wǎng)觀點(diǎn)和立場。版權(quán)事宜請聯(lián)系：010-65363056。

延伸閱讀