时隔40天,全面对标Sora的中国首个自研视频大模型Vidu重大进展低调曝光。
6号下午,在北京举办的CCF大模型论坛线下专题活动上,清华大学人工智能研究院副院长、生数科技首席科学家朱军教授放出了Vidu的最新进展。
1、目前Vidu可以一键生成32s视频;
2、支持音视频合成,即Vidu视频生成有声音了;
3、支持4D生成,可以从单一视频生成时空一致的4D内容。
首先,现场展示了一段Vidu生成的32秒画面。描述词为:这是一个图书馆书架放着的地球仪,它轻轻地旋转着,表面描绘的是地球的地图,相机逐渐拉近,地球仪表面剥开后,有一颗类似地球的蓝色星球。从现场放出效果看,32秒时长画面连贯,画面效果逼真,地球仪表面的地图信息也细颗粒度的复现,同时从“地球仪”到“内部蓝色星球”的动态转场也很好的实现。
此外,现场展示了三段此前Vidu发布的Demo,但这次是“有声版”。
首先是“画室里的一艘船驶向镜头”的片段,在强表现力、丰富想象力的画面之上,同步生成了背景音,包括海浪声、船的撞击声,声音自然,与画面高度匹配。
另一段“汽车在陡峭山坡上行驶”的片段。现场放出的配音版,能直观听到汽车发动机声音,以及轮胎在地面摩擦的声音,音画同步,包括能感受到森林环境的背景音。
还有一段,是镜头围绕一大堆老式电视旋转,所有电视都显示不同的节目,20世纪50 年代的科幻电影、恐怖电影、新闻、静态、1970年代的情景喜剧等,背景设置在纽约一家大型博物馆画廊内。在声音效果上,该片段能够生成出嘈杂的环境和电视播放的声音内容,非常符合实际效果。
最后还有一段片段,展现了32秒时长的音频生成。朱军表示,理论上底层架构支持任意时长的音频生成和匹配。
目前,生数科技官方还暂未放出正式的发布消息。但从现场效果来看,国产视频生成模型的时长天花板,在短短一个月后,再度被拉高至32秒。
另外值得关注的是,Vidu正朝着“更长时长”和“更多模态”的方向进化,并在短期内已快速取得了较好的阶段性效果。在视频生成之后,音频生成或将成为Vidu迭代的重点方向。
另外现场展示了一项Vidu4D的工作,据现场介绍,Vidu4D支持从单个生成的视频中精确重构出4D(即序列3D)。据朱军表示,该项工作能有效提升视频生成模型效果,通过提升3D一致性,来增强视频生成对世界的真实模拟。
目前该论文已挂arXiv。论文地址:
https://arxiv.org/abs/2405.16822返回搜狐,查看更多
责任编辑: