Meta版Sora深夜横空出世，小扎放出16秒高清大片！92页论文曝光技术细节，Llama 3架构立功

【新智元导读】Meta版Sora，就在刚刚惊艳来袭。Movie Gen可生成1080p、16秒、每秒16帧的高清长视频，还能生成音效、编辑视频、上传图像生成个性化视频。甚至Meta还放出了92页论文，模型架构、训练细节一并公开，干货满满！

毫无预兆地，Meta版Sora——Movie Gen，就在刚刚抢先上线了！

Meta将其称为「迄今最先进的媒体基础模型」。

全新上线的大杀器Movie Gen Video，是一个30B参数的Transformer模型，可以从单个文本提示，生成高质量的高清图像和视频，视频为1080P、16秒、每秒16帧。

一同推出的还有Movie Gen Audio。这是一个13B参数的Transformer模型。通过视频输入和文本提示，它就可以可控性生成和视频同步的高保真音频，时长最长45秒。

最惊人的是，这次Meta一并连论文都发布了。

论文中，详细介绍了Movie Gen的架构、训练方法和实验结果。

论文地址：https://ai.meta.com/static-resource/movie-gen-research-paper/?utm_source=twitter&utm_medium=organic_social&utm_content=thread&utm_campaign=moviegen

从论文可以看出，Movie Gen Video沿用了Transformer的设计，尤其借鉴了Llama 3。而研究人员引入的「流匹配」（Flow Matching），让视频在精度和细节表现上，都优于扩散模型。

稍显遗憾的是，这次Meta发的也是「期货」，产品预计明年才正式向公众开放。

不出意外的，围观群众给出亮眼点评：「Meta居然抢着OpenAI之前发布了Sora，呵呵」。

就在昨天，Sora负责人Tim Brooks选择离职，Meta这个时间点放出Movie Gen，也真是够扎心的。

而HuggingFace工程师也直接贴出Meta开源主页，在线催更模型开源。

也有人期待，Meta版Sora的这次发布，或许或激出其他家的下一个王炸级产品。

一键视频生成，赶超Sora

凭借开源Movie Gen，Meta正式进军AI视频领域。

可以说，Movie Gen在编辑、个性化功能方面，站在了一个新阶段。而且，最令人印象深刻的，便是把一张个人照，转换成个性化视频。

小扎在社交平台上以身试法，将自己照片作为输入，Movie Gen为其配上了健身的视频。

文本生成视频

现在，只要使用简单的文本输入，就能生成自定义的视频了。

从官网放出的Demo可以看出，Meta所言不虚，Movie Gen的确可以说「为沉浸式AI内容」树立了新标准。

更为瞩目的是，Movie Gen可以创建不同宽高比的高清长视频。在业内，这属于首次！

文本编辑视频

而只要使用文本输入，就可以编辑现有视频。

Movie Gen可以支持非常精确的视频编辑，无论是样式、过渡，还是精细编辑。

通过文字输入，就能让小女孩向空中放飞的灯笼，变成一个气泡。

在沙地上跑步的男子，手中可以加上蓝色绒球，周围环境可以换成仙人掌沙漠，甚至可以让男子换上一身恐龙套装。

在观众席上观影的一对男女，可以让他们戴上3D眼镜、背景换成游乐园，甚至加上下雨的特效。

南极冰原上的企鹅可以穿上维多利亚式的衣服，背景可以加上遮阳伞和沙滩床，甚至整幅画面都能变成铅笔素描画。

个性化视频

并且，Movie Gen还有一个Sora没有的亮点——个性化视频！

音效和配乐

Movie Gen还可以将视频、文本作为输入，并为视频生成音频。

它可让你创建和扩展视频音效、背景音乐或整个配乐。

比如，下面企鹅戏水的画面中，配上了AI生成的优美的管弦乐曲。

文本输入：A beautiful orchestral piece that evokes a sense of wonder

AI生成的烟花音效，也是如此地逼真。

文本输入：Whistling sounds, followed by a sharp explosion and loud crackling.

倾泻而下的瀑布和和雨水，站在高处遥望远方顿感壮观。

文本输入：Rain pours against the cliff and the person, with music playing in the background.

一条蛇在草地里缓慢前进，给人一种危机四伏的赶脚。

文本输入：Rustling leaves and snapping twigs, with an orchestral music track.

AI生成的背景音，很有山地摩托摩托竞赛那味儿了。

文本输入：ATV engine roars and accelerates, with guitar music.

还有溜滑板，配着动作，给出不同节奏的音效。

文本输入：Wheels spinning, and a slamming sound as the skateboard lands on concrete.

92页技术报告，同用Llama 3架构

Movie Gen发布同时，Meta还祭出了92页的技术报告。 值得一提的是，这次团队也被命名为「Movie Gen team」。

Pytorch之父Soumith Chintala表示，其中很多细节将会推动AI视频领域的发展。

接下来，一起看看Movie Gen得以实现的技术要点吧。

研究人员表示，Movie Gen主要是基于两种基础模型打造的，一个是Movie Gen Video，另一个是Movie Gen Audio。

Movie Gen Video

Movie Gen Video参数有300亿，基础架构细节如下图所示。

它能够联合文本到图像和文本到视频的生成。

Movie Gen Video可以遵循文本提示，生成长达16秒、16帧每秒高清视频。

它也是通过预训练微调完成，在骨干网络架构上，它继续沿用了Transformer的设计，尤其是借鉴的Llama3的设计。

而且，该模型有强大的适应性，可生成不同纵横比、分辨率和时长的高质量图像和视频。

预训练阶段，在大约1亿个视频和10亿张图像上进行了联合预训练。

它是通过「看」视频，来学习视觉世界。

实验结果发现，Movie Gen Video模型能够理解物理世界——

可以推理物体运动、主-客体交互、几何关系、相机运动、物理规律，以及各种概念的合理运动。

在微调阶段，研究人员精选了一部分视频，对模型在美学、运动质量方面完成了微调。

为了提高训练、推理效率，研究人员在时空压缩的潜在空间（Latent Space）中进行生成。

为此，他们训练了一个单一的时间自编码器（TAE），用于将RGB图像和视频映射到潜在空间。

然后，再使用预训练文本编码器，来编码用户提供的文本提示，并获得文本提示嵌入，这些嵌入用作模型的条件。

流匹配，击败扩散损失

值得一提的是，研究人员还引入「流匹配」（Flow Matching）来训练生成模型，这使得视频生成效果在精度、细节表现上，都优于扩散模型。

「流匹配」是一种新兴的生成模型训练方法，其核心思想是——直接学习样本从初始噪声状态向目标数据分布转化的过程。

而且，模型只需通过估计如何在每个时间步中演化样本，即可生成高质量的结果。

与扩散模型相比，「流匹配」训练效率更高、计算成本更低、并且在时间维度保持连续性和一致性。

有网友对此总结道，在质量和文本对齐上，人类评估都强烈倾向于流匹配，而不是扩散。

此外，Movie Gen Video在技术上也引入了很多创新：

他们引入了创新的位置编码方法——「因子化可学习编码」，能够独立对高度、宽度、时间三个维度进行编码，然后将其相加。

基于这种灵活设计，让模型不仅能够适应不同宽高比，还能处理任意长度的视频。

另外，为了解决模型推理效率问题，研究人员采用了一种「线性-二次时间步长」的策略。

如下图所示，仅需50步，就能实现接近1000步采样效果，大幅提升了推理速度。

与此同时，Movie Gen Video还采用了一种巧妙的「时间平铺」方法，进一步提升生成效率。

具体来说，这种方法将输入的视频，在时间维度上切分成多个小片段，然后对每个片对独立进行编码和解码，最后再将所有处理好的片段，重新拼接成完成视频。

这种分而治之策略，不仅显著降低内存需求，还提高了整体推理效率。

为了确保最终生成的视频质量，团队在解码阶段采用了精心设计的重叠和混合技术。

最后微调得到的Movie Gen Video模型，与当前最先进的模型相比，大幅超越LuamaLabs的Dream Machine，还有Gen-3。

它仅小幅超越了Sora、Kling 1.5。

如下是，生成图像质量的对比。总的来说，Movie Gen Video在画面一致性、质量等方面，均取得了最优表现。

提示中袋鼠走路细节，在Sora中到最后并没有展现。

Movie Gen Audio

音频模型参数共有130亿，能够生成48kHz的高质量电影音效和音乐。

而且，这些AI音频与输入视频，实现同步。

值得一提的是，Movie Gen Audio可以原生处理不同长度音频生成。

这一过程是通过TAE完成解码与编码。

而且，通过音频延伸技术，能够为长达几分钟视频，制作出连贯长音频。

研究人员在大约100万小时音频上，对模型进行了预训练。

得到的预训练模型，不仅学会了物理关联，还学会了视觉世界和音频世界之间的心理关联。

另外，模型还可以生成，与视觉场景匹配的非画面「内环境」声音，即便是声源没有出现在画面中。

最后，模型还可以生成支持情绪，并与视觉场景动作相匹配的非画面内音乐。

而且，它还能与专业地混合音效和背景音乐。

通过评估，与当前先进的音频模型ElevenLabs等相比，Movie Gen Audio结果如下所示。