• 我的订阅
  • 科技

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

类别:科技 发布时间:2024-08-07 09:43:00 来源:新智元

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

【新智元导读】国内首个人人可用的国产Sora「清影」,已经引起了AI视频圈的轰动!才发布6天,生成视频数就已经破百万。并且,智谱AI也将同源的视频生产模型CogVideoX,一并开源了。

7月26日,智谱发布AI 生视频产品「清影」,30秒将任意文图生成视频,并上线在他们的AI助手「智谱清言」上,被誉为是国内首个人人可用的Sora。

就在发布6天后,「清影」生成到视频数便已突破了百万量级。

今天,智谱AI宣布将与「清影」同源的视频生成模型——CogVideoX正式开源。

团队表示,希望每一位开发者、每一家企业都能自由地开发属于自己的视频生成模型,从而推动整个行业的快速迭代与创新发展。

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

打开AI助手「智谱清言」即可体验

随着大型模型技术的持续发展,视频生成技术正逐步走向成熟。

以Sora、Gen-3等闭源视频生成模型为代表的技术,正在重新定义行业的未来格局。

然而,截至目前,仍未有一个开源的视频生成模型,能够满足商业级应用的要求。

CogVideoX系列包含多个不同尺寸大小的开源模型。

目前已经开源的CogVideoX-2B,提示词上限为226个token,视频长度为6秒,帧率为8帧/秒,视频分辨率为720×480。

它在FP-16精度下的推理仅需18GB显存,微调则只需要40GB显存。这意味着单张4090显卡即可进行推理,而单张A6000显卡即可完成微调。

代码仓库:https://github.com/THUDM/CogVideo

模型下载:https://huggingface.co/THUDM/CogVideoX-2b

技术报告:https://github.com/THUDM/CogVideo/blob/main/resources/CogVideoX.pdf

目前,该项目已在GitHub上斩获了3.8k星。

下面,我们就来看看CogVideoX生成的效果到底如何?

一个木制玩具船,在模拟海浪的蓝色地毯上航行,宛如在真的海水行驶一般。

一辆白色越野车沿着松树环绕的陡峭土路快速行驶,可以看到车尾的尘土飞扬。

其实这个场景对于AI来说,相对较难,只有正确理解了物理世界,才不会让生成的尘土在车前扬起。

下面这幅在战乱中,人物表情细节的刻画,细腻丰富。

针对更宏观的场景,CogVideoX也能将白雪皑皑的森林、无人穿梭的宁静小路,生动地描绘出来。

舌尖上的美食,还得看国产AI视频模型。烧烤架上烤制的鸡肉和青椒烤串,让人看了垂涎欲滴。

CogVideoX

见识到CogVideoX惊艳视频生成能力,你一定非常好奇这是怎么做到的?

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

VAE

视频数据因包含空间和时间信息,其数据量和计算负担远超图像数据。

为应对此挑战,团队提出了基于3D变分自编码器(3D VAE)的视频压缩方法。

其中,3D VAE通过三维卷积同时压缩视频的空间和时间维度,实现了更高的压缩率和更好的重建质量。

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

模型结构包括编码器、解码器和潜在空间正则化器,并通过四个阶段的下采样和上采样实现压缩。

时间因果卷积确保了信息的因果性,减少了通信开销。而上下文并行技术的采用,则可以适应大规模视频处理。

实验中,团队发现大分辨率编码易于泛化,而增加帧数则挑战较大。

因此,可将分两阶段训练模型:

- 首先在较低帧率和小批量上训练;

- 然后通过上下文并行在更高帧率上进行微调。

训练损失函数结合了L2损失、LPIPS感知损失和3D判别器的GAN损失。

专家Transformer

团队使用VAE的编码器将视频压缩至潜在空间,然后将潜在空间分割成块并展开成长的序列嵌入z_vision。

同时,使用T5将文本输入编码为文本嵌入z_text,然后将z_text和z_vision沿序列维度拼接。拼接后的嵌入被送入专家Transformer块堆栈中处理。

最后,反向拼接嵌入来恢复原始潜在空间形状,并使用VAE进行解码以重建视频。

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

数据

视频生成模型训练需筛选高质量视频数据,以学习真实世界动态。但视频可能因人工编辑或拍摄问题而不准确。

为此,团队开发了负面标签来识别和排除低质量视频,如过度编辑、运动不连贯、质量低下、讲座式、文本主导和屏幕噪音视频。

通过video-llama训练的过滤器,团队标注并筛选了20,000个视频数据点。同时,计算光流和美学分数,动态调整阈值,确保生成视频的质量。

视频数据通常没有文本描述,需要转换为文本描述以供文本到视频模型训练。然而,现有的视频字幕数据集字幕较短,无法全面描述视频内容。

为了解决一问题,团队提出了一种从图像字幕生成视频字幕的管道,并微调端到端的视频字幕模型以获得更密集的字幕。

这种方法通过Panda70M模型生成简短字幕,使用CogView3模型生成密集图像字幕,然后使用GPT-4模型总结生成最终的短视频。

除此之外,团队还微调了一个基于CogVLM2-Video和Llama 3的CogVLM2-Caption模型,使用密集字幕数据进行训练,以加速视频字幕生成过程。

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

性能

为了评估文本到视频生成的质量,团队使用了VBench中的多个指标,如人类动作、场景、动态程度等。并排除了不适用于评估需求的指标,例如颜色指标,因为它可能误导视频生成模型。

此外,团队还使用了两个额外的视频评估工具:Devil中的Dynamic Quality和Chrono-Magic中的GPT4o-MT Score,这些工具专注于视频的动态特性。

4090单卡可跑,6秒直出电影级画质,智谱版Sora正式开源!

值得一提的是,团队已经验证了scaling law在视频生成方面的有效性!

未来会在不断scale up数据规模和模型规模的同时,探究更具突破式创新的新型模型架构、更高效地压缩视频信息、更充分地融合文本和视频内容。

团队表示,目前的视频质量还有很广阔的提升空间,期待开发者们在提示词优化、视频长度、帧率、分辨率、场景微调以及围绕视频的各类功能开发上贡献开源力量。

此外,性能更强参数量更大的模型正在路上,敬请关注与期待。

以上内容为资讯信息快照,由td.fyun.cc爬虫进行采集并收录,本站未对信息做任何修改,信息内容不代表本站立场。

快照生成时间:2024-08-07 12:45:02

本站信息快照查询为非营利公共服务,如有侵权请联系我们进行删除。

信息原文地址:

跨越时代的修复计划,如何重回香港电影黄金年代?
...修复,将模糊、磨损的港片重新翻新,解决了老旧影片的画质损伤,比如将在黑暗的场景中被掩盖的细节变得更清晰,褪色的场景变得鲜艳。这不仅仅是技术展示,更是对于香港电影历史的致敬,为
2023-08-23 10:40:00
OpenAI空降视频生成模型:一口气生成60s,风格画质尺寸灵活定制 | 最前线
...人走来走去。Sora生成视频(原视频为60s,文中截取20s,画质受gif大小限制有所压缩)。图源:OpenAI Sora也能生成动物和自然风光
2024-02-18 06:20:00
《卖身契》修复记:AI重现“打工人”喜剧魅力,留住老电影的黄
...调整。普通的2K修复依靠人工大概用两到三周完成,而4K画质更好、观感更清晰细腻,修复时间起码在两个月以上,甚至半年之久。你很难想象,自20世纪初,这样的老电影已经积攒了近3万
2024-04-22 20:30:00
国产AI可以拍微电影了!4K、60帧高清画质,自带音效
...但现在,音效是可以直接自带了!而且还是4K、60帧高清画质的那种。那么AI视频生成现在能到什么水平?我们直接拿这个国产AI做了个微电影,请看VCR:如何?是不是已经有电影的那
2024-11-09 09:54:00
开源社区参数量最大的文生视频模型来了,腾讯版Sora免费使用
...ideo(HY-Video)是一款突破性的视频生成模型,提供超写实画质质感,能够在真实与虚拟之间自由切换。它打破了小幅度动态图的限制
2024-12-04 09:48:00
AI修复  扮靓影像(AI创作新风潮)
...?“整个修复过程基本是自动化的,主要包括智能分析、画质修复、画质增强和智能编码四个模块。”夏珍逐一介绍了其中的原理,在智能分析环节,对噪声、划痕、亮度、饱和度等维度进行数据分
2023-09-18 04:47:00
腾讯版Sora发布即开源!130亿参数,模型权重、推理代码全开放
...过腾讯云接入。腾讯混元视频生成主打四大特点:超写实画质,模型生成的视频内容具备高清质感、真实感,可用于工业级商业场景例如广告宣传、创意视频生成等商业应用。 高语义一致,用户
2024-12-04 09:50:00
全网刷频的Sora,有多“可怕”
...司,在这种麻痹里,都陷入了同质化竞争:过多关注更高画质、更高成功率、更低成本,而非更大时长以及世界模型。Pika、Runway、Meta,大体都是如此,在时长不超过 4s 的
2024-02-19 09:22:00
6个月估值达2亿美元,文生视频Pika超强更新,斯坦福华人博士出品|最前线
...来看,生成的视频不管是在时长、逻辑连贯性、流畅性、画质和风格准确性上都很难达到预期。Pika1.0几乎都解决了这些问题,让很多人眼前一亮。有推特网友评论称,Pika 1.0会
2023-11-30 20:54:00
更多关于科技的资讯:
十堰广电讯(全媒体记者 耿吉国)据2025新能源汽车零部件交易会组委会最新消息,9月21日10:30,本届交易会将在十堰国际会展中心的交易会活动现场
2025-09-21 08:54:00
9月20日,2025太原人形机器人欢乐跑比赛在晋阳湖公园举行。这是我市第一次举办人形机器人“跑步”比赛。本次比赛,共有来自省城高校
2025-09-21 06:42:00
混成全网公敌的“流水线式造假”,终于被整顿
一家三口站在某所知名小学校门前,松弛地拍了一张合照。照片发到小红书上,下方评论区都在问询:“这么优秀的娃,究竟该怎么培养
2025-09-20 22:18:00
家庭观影进入IMAX时代!海信发布全球最大150英寸激光电视
鲁网9月19日讯9月19日,以“无界”为主题的“2025激光显示技术与产业发展大会”隆重举行。作为全球激光显示领域的领军企业
2025-09-20 08:56:00
我国脑机接口技术取得重大突破 厦门大学研究人员参与
放大镜视野下的“神经蠕虫”电极。(受访者 供图)厦门网讯(厦门日报 佘峥 通讯员 戴佩琪)我国脑机接口技术有重大突破——近日
2025-09-20 09:18:00
厦门“屏实力”再添新动能 天马发布高端OLED技术品牌“天工屏”
图为天马“天工屏”发布会现场。(厦门日报记者 卢剑豪 摄)厦门网讯(厦门日报记者 林露虹 通讯员 雷飏 李舜)随着人们日常使用手机时长持续攀升
2025-09-20 09:18:00
“赢在南京”海外人才创业大赛总决赛落幕逐鹿未来机“慧” 四海英才“论剑”南报网讯(记者余梦娇)9月19日,2025年“赢在南京”海外人才创业大赛总决赛在紫金山科技城圆满落幕
2025-09-20 09:54:00
过节送福礼,就送波尼亚!老字号中秋礼盒,青岛人都认这口
鲁网9月20日讯中秋将至,岛城的节日氛围日渐浓厚,走亲访友、阖家团聚的时刻,一份饱含心意的礼品总能传递温暖。作为扎根青岛的老字号肉食品牌
2025-09-20 10:08:00
机器人“总动员”!2025世界制造业大会上演智造奇观
大皖新闻讯 机械臂在空中划出优美弧线,人形机器人灵活抓取糖果,机器狗稳步行走在模拟街区内……2025世界制造业大会的智能机器人展区仿佛穿越至未来世界
2025-09-20 13:25:00
茶话弄九周年,这款经典单品即将迎来“家族式”升级
9月的西安,金桂飘香。2016年创立于西安的国风新中式茶饮品牌茶话弄,也将于近期启动以“桂花”为主题元素的品牌九周年庆典系列活动
2025-09-20 15:33:00
了不起的河南制造丨汉威科技:唤醒机器人“感知”世界的能力
大河网讯 2025世界制造业大会9月20日至23日在安徽省合肥市举办,大会以“智造世界·创造美好”为主题,举办开幕式暨主旨演讲
2025-09-20 16:14:00
了不起的河南制造丨2025世界制造业大会举行,河南“工业机器人”现场秀签名
大河网讯 9月20日,2025世界制造业大会开幕式暨主旨演讲在合肥市举行。河南省作为主宾省参会,30家制造业企业“重装上阵”
2025-09-20 16:45:00
2026届校园招聘大战启幕 科技企业派机器狗进高校抢人
近期,2026届校园招聘在全国多所高校陆续启动,一场围绕科技人才的“抢人大战”正式拉开帷幕。与往年相比,今年众多科技企业积极创新招聘形式
2025-09-20 17:55:00
2025山东省“产业大脑”建设工作推进会暨第五届中国(国际)美妆睫毛产业博览会在平度盛大启幕
鲁网9月20日讯(记者 潘亚妮 实习记者 刘悦 通讯员 袁嘉利 位一凡)9月20日,2025山东省“产业大脑”建设工作推进会暨第五届中国(国际)美妆睫毛产业博览会在平度市美妆在线新经济产业园盛大启幕
2025-09-20 17:55:00
从“炕头经济”到“美丽经济” ,平度睫毛产业数字化蝶变升级
齐鲁晚报•齐鲁壹点 刘震 通讯员 袁嘉利 位一凡9月20日,2025山东省“产业大脑”建设工作推进会暨第五届中国(国际)美妆睫毛产业博览会在平度市开幕
2025-09-20 18:05:00