好家伙，这是以后拍视频真能全靠一张嘴的节奏啊…… 不错，那厢一句话让AI画画的Text to Image正搞得风生水起，这厢Meta AI的研究人员又双叒给生成AI来了个超进化。 这回是真能“用嘴做视频”了： AI名为Make-A-Video，直接从DALL·E、Stable Diffusion搞火的静态生成飞升动态。 给它几个单词或几行文字，就能生成这个世界上其实并不存在的视频画面，掌握的风格还很多元。 不仅纪录片风格能hold住，整点科幻效果也没啥问题。 两种风格混合一下，机器人在时代广场蹦迪的画面好像也没啥违和感。 文艺小清新的动画风格，看样子Make-A-Video也把握住了。 这么一波操作下来，那真是把不少网友都看懵了，连评论都简化到了三个字母： 而大佬LeCun则意味深长地表示：该来的总是会来的。 毕竟一句话生成视频这事儿，之前就有不少业内人士觉得“快了快了”。只不过Meta这一手，确实有点神速： 比我想象中快了9个月。 甚至还有人表示：我已经有点适应不了AI的进化速度了…… 文本图像生成模型超进化版 你可能会觉得Make-A-Video是个视频版的DALL·E。 实际上，差不多就是这么回事儿 前面提到，Make-A-Video是文本图像生成（T2I）模型的超进化，那是因为这个AI工作的第一步，其实还是依靠文本生成图像。 从数据的角度来说，就是DALL·E等静态图像生成模型的训练数据，是成对的文本-图像数据。 而Make-A-Video虽然最终生成的是视频，但并没有专 门用成对的文本-视频数据训练，而是依然靠文本-图像对数据，来让AI学会根据文字复现画面。 视频数据当然也有涉及，但主要是使用单独的视频片段来教给AI真实世界的运动方式。 具体到模型架构上，Make-A-Video主要由三部分组成： 文本图像生成模型P 时空卷积层和注意力层 用于提高帧率的帧插值网络和两个用来提升画质的超分网络 整个模型的工作过程是酱婶的： 首先，根据输入文本生成图像嵌入。 然后，解码器Dt生成16帧64×64的RGB图像。 插值网络↑F会对初步结果进行插值，以达到理想帧率。 接着，第一重超分网络会将画面的分辨率提高到256×256。第二重超分网络则继续优化，将画质进一步提升至768×768。 基于这样的原理，Make-A-Video不仅能根据文字生成视频，还具备了以下几种能力。 将静态图像转成视频： 根据前后两张图片生成一段视频： 根据原视频生成新视频： 刷新文本视频生成模型SOTA 其实，Meta的Make-A-Video并不是文本生成视频（T2V）的首次尝试。 比如，清华大学和智源在今年早些时候就推出了他们自研的“一句话生成视频”AI：CogVideo，而且这是目前唯一一个开源的T2V模型。 更早之前，GODIVA和 微软 的“女娲”也都实现过根据文字描述生成视频。 不过这一次，Make-A-Video在生成质量上有明显的提升。 在MSR-VTT数据集上的实验结果显示，在FID（13.17）和CLIPSIM（0.3049）两项指标上，Make-A-Video都大幅刷新了SOTA。 此外，Meta AI的团队还使用了Imagen的DrawBench，进行人为主观评估。 他们邀请测试者亲身体验Make-A-Video，主观评估视频与文本之间的逻辑对应关系。 结果显示，Make-A-Video在质量和忠实度上都优于其他两种方法。 One More Thing 有意思的是，Meta发布新AI的同时，似乎也拉开了T2V模型竞速的序幕。 Stable…
阅读更多（Read More）