一周不到，AI 畫師又“進階”了，還是一個大跨步 —— 直接 1 句話生成視頻的那種。輸入“一個下午在海灘上奔跑的女人”，立刻就蹦出一個 4 秒 32 幀的小片段：
又或是輸入“一顆燃燒的心”，就能看見一隻被火焰包裹的心：
這個最新的文本-視頻生成 AI，是清華 & 智源研究院出品的模型 CogVideo。
Demo 剛放到網上就火了起來，有網友已經急着要論文了：
CogVideo“一脈相承”於文本-圖像生成模型 CogView2，這個系列的 AI 模型只支持中文輸入，外國朋友們想玩還得藉助Google翻譯：
看完視頻的網友直呼“這進展也太快了，要知道文本-圖像生成模型 DALL-E2 和 Imagen 才剛出”
還有網友想象：照這個速度發展下去，馬上就能看到 AI 一句話生成 VR 頭顯里的 3D 視頻效果了：
所以，這隻名叫 CogVideo 的 AI 模型究竟是什麼來頭？
生成低幀視頻后再插幀
團隊表示，CogVideo 應該是當前最大的、也是首個開源的文本生成視頻模型。
在設計模型上，模型一共有 90 億參數，基於預訓練文本-圖像模型 CogView2 打造，一共分為兩個模塊。
第一部分先基於 CogView2，通過文本生成幾幀圖像，這時候合成視頻的幀率還很低；
第二部分則會基於雙向注意力模型對生成的幾幀圖像進行插幀，來生成幀率更高的完整視頻。
在訓練上，CogVideo 一共用了 540 萬個文本-視頻對。
這裡不僅僅是直接將文本和視頻匹配起來“塞”給 AI，而是需要先將視頻拆分成幾個幀，並額外給每幀圖像添加一個幀標記。
這樣就避免了 AI 看見一句話，直接給你生成幾張一模一樣的視頻幀。
其中，每個訓練的視頻原本是 160×160 分辨率，被 CogView2 上採樣（放大圖像）至 480×480 分辨率，因此最後生成的也是 480×480 分辨率的視頻。
至於 AI 插幀的部分，設計的雙向通道注意力模塊則是為了讓 AI 理解前後幀的語義。
最後，生成的視頻就是比較絲滑的效果了，輸出的 4 秒視頻幀數在 32 張左右。
在人類評估中得分最高
這篇論文同時用數據測試和人類打分兩種方法，對模型進行了評估。
研究人員首先將 CogVideo 在 UCF-101 和 Kinetics-600 兩個人類動作視頻數據集上進行了測試。
其中，FVD（Fréchet 視頻距離）用於評估視頻整體生成的質量，數值越低越好；IS（Inception score）主要從清晰度和生成多樣性兩方面來評估生成圖像質量，數值越高越好。
整體來看，CogVideo 生成的視頻質量處於中等水平。
但從人類偏好度來看，CogVideo 生成的視頻效果就比其他模型要高出不少，甚至在當前最好的幾個生成模型之中，取得了最高的分數：
具體來說，研究人員會給志願者一份打分表，讓他們根據視頻生成的效果，對幾個模型生成的視頻進行隨機評估，最後判斷綜合得分：
CogVideo 的共同一作洪文逸和丁銘，以及二作鄭問迪，三作 Xinghan Liu 都來自清華大學計算機系。
此前，洪文逸、丁銘和鄭問迪也是 CogView 的作者。
論文的指導老師唐傑，清華大學計算機系教授，智源研究院學術副院長，主要研究方向是 AI、數據挖掘、機器學習和知識圖譜等。
對於 CogVideo，有網友表示仍然有些地方值得探究，例如 DALL-E2 和 Imagen 都有一些不同尋常的提示詞來證明它們是從 0 生成的，但 CogVideo 的效果更像是從數據集中“拼湊”起來的：
例如，獅子直接“用手”喝水的視頻，就不太符合我們的常規認知（雖然很搞笑）：
（是不是有點像給鳥加上兩隻手的魔性表情包）
但也有網友指出，這篇論文給語言模型提供了一些新思路：
用視頻訓練可能會進一步釋放語言模型的潛力。因為它不僅有大量的數據，還隱含了一些用文本比較難體現的常識和邏輯。
目前 CogVideo 的代碼還在施工中，感興趣的小夥伴可以去蹲一波了~
項目&論文地址：
https://github.com/THUDM/CogVideo