新大模型可根據(jù)文本生成高清視頻

　　科技日?qǐng)?bào)北京4月27日電 （記者何亮）27日，在中關(guān)村論壇未來人工智能先鋒論壇上，清華大學(xué)聯(lián)合北京生數(shù)科技有限公司（以下簡(jiǎn)稱“生數(shù)科技”）正式發(fā)布中國(guó)首個(gè)原創(chuàng)全自研視頻大模型——Vidu。論壇現(xiàn)場(chǎng)，清華大學(xué)教授、生數(shù)科技首席科學(xué)家朱軍向與會(huì)者展示了Vidu生成的視頻，包括行駛在崎嶇道路上的汽車、戴珍珠耳環(huán)的貓、彈吉他的熊貓等。與此前震撼業(yè)界的Sora一樣，Vidu能夠根據(jù)文本描述直接生成高質(zhì)量視頻。

　　“長(zhǎng)時(shí)長(zhǎng)、高一致性、高動(dòng)態(tài)性”是Vidu的顯著特征。朱軍表示，研發(fā)團(tuán)隊(duì)的核心技術(shù)在于采用U-ViT架構(gòu)。它由Diffusion與Transformer兩個(gè)模型融合而來，可支持一鍵生成長(zhǎng)達(dá)16秒的高清視頻內(nèi)容。

　　除了在時(shí)長(zhǎng)方面優(yōu)勢(shì)突出，Vidu在視頻效果方面也實(shí)現(xiàn)顯著提升。朱軍介紹，Vidu能模擬真實(shí)物理世界，生成的視頻不但場(chǎng)景細(xì)節(jié)復(fù)雜，而且符合物理規(guī)律，例如合理的光影效果、細(xì)膩的人物表情等。Vidu還具有豐富的想象力，能生成真實(shí)世界不存在的虛構(gòu)畫面，創(chuàng)造出具有深度和復(fù)雜性的超現(xiàn)實(shí)主義內(nèi)容。此外，Vidu可理解多鏡頭語言，生成的視頻不再局限于簡(jiǎn)單的推、拉、移等固定鏡頭，而是圍繞同一主體實(shí)現(xiàn)遠(yuǎn)景、中景、近景、特寫等不同鏡頭的切換，甚至能直接生成長(zhǎng)鏡頭、追焦、轉(zhuǎn)場(chǎng)等效果，給視頻注入豐富的鏡頭表達(dá)。Vidu還獨(dú)具文化特色，能很好理解中國(guó)元素，生成熊貓、龍等中國(guó)元素的視頻。

　　值得一提的是，論壇上展示的視頻都是從頭到尾連續(xù)生成，沒有明顯的插幀現(xiàn)象。朱軍說，與Sora一樣，Vidu在文本到視頻的轉(zhuǎn)換過程中直接且連續(xù)，而且在底層算法上，是由單一模型完全端到端生成，不涉及插幀和其他多步驟處理。