昨日,腾讯混元大模型正式上线视频生成能力,这是继文生文、文生图、3D生成之后,混元大模型的最新业务进展。与此同时,腾讯开源该视频生成大模型,参数量130亿,是当前最大的视频开源模型。
“用户只需要输入一段描述,即可生成视频,”腾讯混元相关负责人透露,目前的生成视频支持中英文双语输入、多种视频尺寸以及多种视频清晰度。目前该模型已上线腾讯元宝APP,用户可在AI应用中的“AI视频”板块申请试用。企业用户通过腾讯云提供服务接入,目前API同步开放内测申请。
自从OpenAI 的Sora 基于 DiT(Diffusion Transformer)架构,把长视频生成的效果提高到了前所未有的水平,全球AI厂商加速赶来,掀起视频生成热潮。
2024年接近尾声,今年以来大模型领域最热闹的细分赛道要数视频生成。字节豆包正在推出文生视频内测,Minmax,快手,商汤等也先后推出了文生视频。由清华大学联合生数科技共同研发Vidu 则宣称是中国首个长时长、高一致性、高动态性视频大模型。
不过,做好文生视频这件事并不简单,这一点从OpenAI在今年初发布了Sora之后,仍未正式对外开放便可见一斑。
这主要是因为当前的视频生成技术产出的结果与用户期望之间仍存在较大差距,这些模型在理解和应用物理规则方面表现不足,并且在生成过程中缺乏有效的可控性。
按照腾讯的说法,混元文生视频大模型主要的优势能力在于,可以实现超写实画质、生成高度符合提示词的视频画面,画面流畅不易变形。
“比如,在冲浪、跳舞等大幅度运动画面的生成中,腾讯混元可以生成非常流畅、合理的运动镜头,物体不易出现变形;光影反射基本符合物理规律,在镜面或者照镜子场景中,可以做到镜面内外动作一致。同时,模型还可以实现在画面主角保持不变的情况下自动切镜头,这是业界大部分模型所不具备的能力。”
从技术角度来看,据腾讯混元相关负责人介绍,混元大模型基于跟Sora类似的DiT架构,在架构设计上进行了多处升级。
混元视频生成模型适配了新一代文本编码器提升语义遵循,其具备强大的语义跟随能力,更好地应对多个主体描绘,实现更加细致的指令和画面呈现;采用统一的全注意力机制,使得每帧视频的衔接更为流畅,并能实现主体一致的多视角镜头切换;通过先进的图像视频混合VAE(3D 变分编码器),让模型在细节表现有明显提升,特别是小人脸、高速镜头等场景。
比如写下这么一段提示词,一位中国美女穿着汉服,头发飘扬,背景是伦敦,然后镜头切换到特写镜头:
不过在视频生成领域,快手、抖音、智谱科技、生数科技等国内厂商均已推出相应的产品,甚至开启了商业化,腾讯混元此番的节奏并不算快。
对此,腾讯混元相关负责人在接受《科创板日报》记者采访时回应称,当下的视频生成技术,从可用度而言,还未到大规模商用的阶段,还有很多技术难点需要克服,混元大模型文生视频功能也并不急于一时,当下阶段更重要的是开源让更多人用起来,使模型的飞轮能快速转动带动优化模型本身。
在落地应用上,上述负责人表示,混元大模型生成的视频可用于工业级商业场景,例如广告宣传、动画制作、创意视频生成等场景。对于未来的商业化,腾讯暂时还没有详细的规划出来。
目前,腾讯宣布开源该视频生成大模型已在 Hugging Face平台及Github上发布,包含模型权重、推理代码、模型算法等完整模型,可供企业与个人开发者免费使用和开发生态插件。基于腾讯混元的开源模型,开发者及企业无需从头训练,即可直接用于推理,并可基于腾讯混元系列打造专属应用及服务。