畫家執(zhí)筆在畫布上戳戳點(diǎn)點(diǎn)，形成手繪作品獨(dú)有的筆觸。

你以為這是哪部紀(jì)錄片的畫面？

No，No，No！

視頻里的每一幀，都是 AI 生成的。

還是你告訴它，來(lái)段 " 畫筆在畫布上的特寫 "，它就能直接整出畫面的那種。

不僅能無(wú)中生畫筆，按著馬頭喝水也不是不可以。

同樣是一句 " 馬兒喝水 "，這只 AI 就拋出了這樣的畫面：

好家伙，這是以后拍視頻真能全靠一張嘴的節(jié)奏啊……

不錯(cuò)，那廂一句話讓 AI 畫畫的 Text to Image 正搞得風(fēng)生水起，這廂 Meta AI 的研究人員又雙叒給生成 AI 來(lái)了個(gè)超進(jìn)化。

這回是真能 " 用嘴做視頻 " 了：

AI 名為Make-A-Video，直接從 DALL · E、Stable Diffusion 搞火的靜態(tài)生成飛升動(dòng)態(tài)。

給它幾個(gè)單詞或幾行文字，就能生成這個(gè)世界上其實(shí)并不存在的視頻畫面，掌握的風(fēng)格還很多元。

不僅紀(jì)錄片風(fēng)格能 hold 住，整點(diǎn)科幻效果也沒(méi)啥問(wèn)題。

兩種風(fēng)格混合一下，機(jī)器人在時(shí)代廣場(chǎng)蹦迪的畫面好像也沒(méi)啥違和感。

文藝小清新的動(dòng)畫風(fēng)格，看樣子 Make-A-Video 也把握住了。

這么一波操作下來(lái)，那真是把不少網(wǎng)友都看懵了，連評(píng)論都簡(jiǎn)化到了三個(gè)字母：

而大佬 LeCun 則意味深長(zhǎng)地表示：該來(lái)的總是會(huì)來(lái)的。

畢竟一句話生成視頻這事兒，之前就有不少業(yè)內(nèi)人士覺(jué)得 " 快了快了 "。只不過(guò) Meta 這一手，確實(shí)有點(diǎn)神速：

比我想象中快了 9 個(gè)月。

甚至還有人表示：我已經(jīng)有點(diǎn)適應(yīng)不了 AI 的進(jìn)化速度了……

文本圖像生成模型超進(jìn)化版

你可能會(huì)覺(jué)得 Make-A-Video 是個(gè)視頻版的 DALL · E。

實(shí)際上，差不多就是這么回事兒。

前面提到，Make-A-Video 是文本圖像生成（T2I）模型的超進(jìn)化，那是因?yàn)檫@個(gè) AI 工作的第一步，其實(shí)還是依靠文本生成圖像。

從數(shù)據(jù)的角度來(lái)說(shuō)，就是 DALL · E 等靜態(tài)圖像生成模型的訓(xùn)練數(shù)據(jù)，是成對(duì)的文本 - 圖像數(shù)據(jù)。

而 Make-A-Video 雖然最終生成的是視頻，但并沒(méi)有專門用成對(duì)的文本 - 視頻數(shù)據(jù)訓(xùn)練，而是依然靠文本 - 圖像對(duì)數(shù)據(jù)，來(lái)讓 AI 學(xué)會(huì)根據(jù)文字復(fù)現(xiàn)畫面。

視頻數(shù)據(jù)當(dāng)然也有涉及，但主要是使用單獨(dú)的視頻片段來(lái)教給 AI 真實(shí)世界的運(yùn)動(dòng)方式。

具體到模型架構(gòu)上，Make-A-Video 主要由三部分組成：

文本圖像生成模型 P

時(shí)空卷積層和注意力層

用于提高幀率的幀插值網(wǎng)絡(luò)和兩個(gè)用來(lái)提升畫質(zhì)的超分網(wǎng)絡(luò)

整個(gè)模型的工作過(guò)程是醬嬸的：

首先，根據(jù)輸入文本生成圖像嵌入。

然后，解碼器 Dt 生成 16 幀 64 × 64 的 RGB 圖像。

插值網(wǎng)絡(luò)↑ F 會(huì)對(duì)初步結(jié)果進(jìn)行插值，以達(dá)到理想幀率。

接著，第一重超分網(wǎng)絡(luò)會(huì)將畫面的分辨率提高到 256 × 256。第二重超分網(wǎng)絡(luò)則繼續(xù)優(yōu)化，將畫質(zhì)進(jìn)一步提升至 768 × 768。

基于這樣的原理，Make-A-Video 不僅能根據(jù)文字生成視頻，還具備了以下幾種能力。

將靜態(tài)圖像轉(zhuǎn)成視頻：

根據(jù)前后兩張圖片生成一段視頻：

根據(jù)原視頻生成新視頻：

刷新文本視頻生成模型 SOTA

其實(shí)，Meta 的 Make-A-Video 并不是文本生成視頻（T2V）的首次嘗試。

比如，清華大學(xué)和智源在今年早些時(shí)候就推出了他們自研的 " 一句話生成視頻 "AI：CogVideo，而且這是目前唯一一個(gè)開源的 T2V 模型。

更早之前，GODIVA 和微軟的 " 女媧 " 也都實(shí)現(xiàn)過(guò)根據(jù)文字描述生成視頻。

不過(guò)這一次，Make-A-Video 在生成質(zhì)量上有明顯的提升。

在 MSR-VTT 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，在 FID（13.17）和 CLIPSIM（0.3049）兩項(xiàng)指標(biāo)上，Make-A-Video 都大幅刷新了 SOTA。

此外，Meta AI 的團(tuán)隊(duì)還使用了 Imagen 的 DrawBench，進(jìn)行人為主觀評(píng)估。

他們邀請(qǐng)測(cè)試者親身體驗(yàn) Make-A-Video，主觀評(píng)估視頻與文本之間的邏輯對(duì)應(yīng)關(guān)系。

結(jié)果顯示，Make-A-Video 在質(zhì)量和忠實(shí)度上都優(yōu)于其他兩種方法。

One More Thing

有意思的是，Meta 發(fā)布新 AI 的同時(shí)，似乎也拉開了 T2V 模型競(jìng)速的序幕。

Stable Diffusion的母公司StabilityAI就坐不住了，創(chuàng)始人兼 CEO Emad 放話道：

我們將發(fā)布一個(gè)比 Make-A-Video 更好的模型，大家都能用的那種！

而就在前幾天，ICLR 網(wǎng)站上也出現(xiàn)了一篇相關(guān)論文Phenaki。

生成效果是這樣的：

對(duì)了，雖然 Make-A-Video 尚未公開，但 Meta AI 官方也表示，準(zhǔn)備推出一個(gè) Demo 讓大家可以實(shí)際上手體驗(yàn)，感興趣的小伙伴可以蹲一波了 ~