智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星

 新闻中心     |      2024-08-26

金磊 发自 凹非寺量子位 | 公众号 QbitAI

国产版Sora真的卷疯了。

就在刚刚,智谱AI直接把清影视频生成背后的大模型给开源了。

而且是首个可商用的那种哦!

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

这个模型的名字叫做CogVideoX,刚刚在GitHub发布仅5个小时,便狂揽了3.7K个Star️。

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

我们直接来看下效果。

Prompt 1,人物大特写:

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

视频地址:https://mp.weixin.qq.com/s/IXRQ6PJ7NteZGXLi2x228g

可以看到,不仅人物眼睛等细节非常高清,眨眼前后的连贯性也是hold住了。

再来Prompt 2,一镜到底:

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

光影、远景、近景,以及车辆行驶的过程,统统都拿捏住了。

而且这些效果还不只是官方一个发布动作而已,是人人可以在线可玩的哦~

单卡A100,90秒即可生成

值得一提的是,智谱AI的CogVideoX是包含多个不同尺寸,而这次开源的是CogVideoX-2B。

它的相关基础信息如下所示:

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

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。

据了解,这个模型已经支持在HuggingFace的diffusers库中进行部署,操作也是非常简单,只有2步:

1、安装对应的依赖、2、运行代码、并且在单卡A100上,按照刚才的步骤操作,生成视频仅需90秒。

不仅如此,在HuggingFace上,智谱AI也搞了在线可玩的demo,亲测效果如下:

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

可以看到,生成后的结果不仅可以以.mp4的方式下载,还提供了GIF的格式。

那么接下来的一个问题,智谱AI是如何做到的?

论文也已公开、智谱AI这次不仅是将视频生成模型开源,背后的技术报告也是一并被发布了出来。

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

纵观报告内容,有三大技术亮点值得说道说道。

首先便是团队自研了一个高效的三维变分自编码器结构,将原视频空间压缩至2%大小,大大减少了视频扩散生成模型的训练成本及训练难度。

模型结构包括编码器、解码器和潜在空间正则化器,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。团队采用上下文并行技术以适应大规模视频处理。

在实验中,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,团队分两阶段训练模型: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。

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

其次是专家 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,他们使用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,团队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。

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

最后的亮点,便是在于数据了。

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,他们标注并筛选了20000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。现有的视频字幕数据集字幕较短,无法全面描述视频内容。

为此,团队还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。

他们还微调了一个基于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。

智谱AI版Sora开源!首个可商用,在线可玩,5小时GitHub3.7K星-Good Luck To You!

以上便是CogVideoX其背后的技术实力了。

在视频生成这个领域,Runway家的Gen-3也有新动作——

Gen-3 Alpha的文生视频,现在支持把“喂”进去的图片,不仅可以作为视频的第一帧,也可以作为视频的最后一帧。

颇有种AI让时间倒流的感觉。

来看下效果:

最后,关于智谱AI开源的视频生成大模型,相关链接附在下面喽~

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

在线体验:https://huggingface.co/spaces/THUDM/CogVideoX

猜你喜欢: