文字生成视频，清华出品

1句话生成视频。

代码还没开源，以后可能开源

输入“一个下午在海滩上奔跑的女人”，立刻就蹦出一个4秒32帧的小片段：

又或是输入“一颗燃烧的心”，就能看见一只被火焰包裹的心：

这个最新的文本-视频生成AI，是清华&智源研究院出品的模型CogVideo。

Demo刚放到网上就火了起来，有网友已经急着要论文了：

CogVideo“一脉相承”于文本-图像生成模型CogView2，这个系列的AI模型只支持中文输入，外国朋友们想玩还得借助谷歌翻译：

看完视频的网友直呼“这进展也太快了，要知道文本-图像生成模型DALL-E2和Imagen才刚出”

还有网友想象：照这个速度发展下去，马上就能看到AI一句话生成VR头显里的3D视频效果了：

所以，这只名叫CogVideo的AI模型究竟是什么来头？

生成低帧视频后再插帧

团队表示，CogVideo应该是当前最大的、也是首个开源的文本生成视频模型。

在设计模型上，模型一共有90亿参数，基于预训练文本-图像模型CogView2打造，一共分为两个模块。

第一部分先基于CogView2，通过文本生成几帧图像，这时候合成视频的帧率还很低；

第二部分则会基于双向注意力模型对生成的几帧图像进行插帧，来生成帧率更高的完整视频。

在训练上，CogVideo一共用了540万个文本-视频对。

这里不仅仅是直接将文本和视频匹配起来“塞”给AI，而是需要先将视频拆分成几个帧，并额外给每帧图像添加一个帧标记。

这样就避免了AI看见一句话，直接给你生成几张一模一样的视频帧。

其中，每个训练的视频原本是160×160分辨率，被CogView2上采样（放大图像）至480×480分辨率，因此最后生成的也是480×480分辨率的视频。

至于AI插帧的部分，设计的双向通道注意力模块则是为了让AI理解前后帧的语义。

最后，生成的视频就是比较丝滑的效果了，输出的4秒视频帧数在32张左右。

在人类评估中得分最高

这篇论文同时用数据测试和人类打分两种方法，对模型进行了评估。

研究人员首先将CogVideo在UCF-101和Kinetics-600两个人类动作视频数据集上进行了测试。

其中，FVD（Fréchet视频距离）用于评估视频整体生成的质量，数值越低越好；IS（Inception score）主要从清晰度和生成多样性两方面来评估生成图像质量，数值越高越好。

整体来看，CogVideo生成的视频质量处于中等水平。

但从人类偏好度来看，CogVideo生成的视频效果就比其他模型要高出不少，甚至在当前最好的几个生成模型之中，取得了最高的分数：

具体来说，研究人员会给志愿者一份打分表，让他们根据视频生成的效果，对几个模型生成的视频进行随机评估，最后判断综合得分：

CogVideo的共同一作洪文逸和丁铭，以及二作郑问迪，三作Xinghan Liu都来自清华大学计算机系。

此前，洪文逸、丁铭和郑问迪也是CogView的作者。

论文的指导老师唐杰，清华大学计算机系教授，智源研究院学术副院长，主要研究方向是AI、数据挖掘、机器学习和知识图谱等。

对于CogVideo，有网友表示仍然有些地方值得探究，例如DALL-E2和Imagen都有一些不同寻常的提示词来证明它们是从0生成的，但CogVideo的效果更像是从数据集中“拼凑”起来的：

例如，狮子直接“用手”喝水的视频，就不太符合我们的常规认知（虽然很搞笑）：

（是不是有点像给鸟加上两只手的魔性表情包）

但也有网友指出，这篇论文给语言模型提供了一些新思路：

用视频训练可能会进一步释放语言模型的潜力。因为它不仅有大量的数据，还隐含了一些用文本比较难体现的常识和逻辑。

目前CogVideo的代码还在施工中，感兴趣的小伙伴可以去蹲一波了~

项目&论文地址：
https://github.com/THUDM/CogVideo