用嘴做視頻真來了!Meta 這個新應用太逆天了

愛範兒 於 08/10/2022 發表 收藏文章
今年,是 AI 在圖像視頻製作領域進步很大的一年。

有人拿着 AI 生成的圖像拿走了數字藝術大獎,戰勝了一眾人類藝術家;有 Tiktok 這樣的應用通過文字輸入生成圖片,變為短視頻的綠幕背景;還有新的產品可以做到文字直接生成視頻,直接實現「用嘴做視頻」的效果。

這次的產品來自深耕人工智能多年,前段時間才因為元宇宙被瘋狂嘲諷的 Meta。

▲ Meta 元宇宙曾被瘋狂嘲諷

只是這次,你不能嘲諷它了,因為它真的有了小突破。

文字轉視頻,能做成什麼樣

現在,你可以動嘴做視頻了。

這話雖然有點誇張,但 Meta 這次推出的 Make-A-Video 恐怕真是朝着這個目標前進的。


目前 Make-A-Video 可以做到的是:

  • 文字直接生成視頻——將你的想象力變成真實的、獨一無二的視頻
  • 圖片直接轉為視頻——讓單一圖片或兩張圖片自然地動起來
  • 視頻生成延伸視頻——輸入一個視頻創建視頻變體

單説文字直接生成視頻這個方面,Make-A-Video 就戰勝了不少專業的動畫設計專業的學生。至少它什麼風格都能做,而且製作成本非常低。

雖然官網還不能讓你直接生成視頻體驗,但你可以先提交個人資料,之後 Make-A-Video 有任何動向都會先和你分享。


目前可以看到的案例不多,官網展示的案例在細節上還有一些怪異的地方。但不管怎麼説,文字可以直接變視頻,本身就是一個進步了。

一隻泰迪熊在畫自畫像,你可以看到小熊的手在紙面陰影部分的投影不太自然。


機器人在時代廣場跳舞。


貓拿着電視遙控器換台,貓咪手部爪子和人手極為相似,某些時候看還覺得有點驚悚。


還有戴着橙色針織帽的毛茸茸樹懶在擺弄一台筆記本電腦,電腦屏幕的光映在它的眼睛裏。


上面這些屬於超現實風格,和現實更相似的案例則更容易穿幫。

Make-A-Video 展示的案例如果只是專注局部表現都不錯,例如藝術家在畫布上畫畫的特寫,馬喝水,在珊瑚礁游泳的小魚。


但是稍微寫實一點的年輕夫婦在大雨中行走就很怪異,上半身還好,下半身的腳忽隱忽現,有時還會被拉長,如同鬼片。


還有一些繪畫風格的視頻,宇宙飛船登陸火星,穿着晚禮服的夫婦被困在傾盆大雨中,陽光灑在桌上,會動的熊貓玩偶。從細節上看,這些視頻都不夠完美,但僅僅從 AI 文字轉視頻的創新效果來看,還是讓人驚歎的。


靜態的油畫也可以在 Make-A-Video 幫助下動起來——船在大浪中前進。


海龜在海中游動,最初的畫面非常自然,後面變得更像綠幕摳圖,不自然。

瑜伽訓練者在朝陽中舒展身體,瑜伽墊也會隨着視頻的變化一起變化——這個 AI 就戰勝不了學習影視製作的學生了,控制變量沒做好。


最後輸入一個視頻模仿其風格創造視頻變體也有 3 種案例。

其中一個變化相對來説沒那麼精緻。宇航員在太空中飄舞的視頻變為了美感稍弱版本的 4 個粗放版視頻。


小熊跳舞的視頻倒是有不少令人驚喜的變化,至少舞姿有變化了。


至於最後兔子吃草的視頻就是最「安能辨我是雌雄」的類型了,5 個視頻最後很難認出誰是初始視頻,看着都蠻和諧。


文字轉圖片剛有進展,視頻就來了

在《阿法狗之後,它再次徹底顛覆人類認知》中,我們曾經介紹過圖像生成應用 DALL·E。曾有人用它製作出的圖像去和人類藝術家 PK 並最終取勝。

現在我們看到的 Make-A-Video 可以説是一個視頻版本的 DALL·E(初級版)——它就像 18 個月前的 DALL·E,有巨大突破,但現在的效果不一定能讓人滿意。

▲ DALL·E 創作的延伸畫作

甚至可以説,它就是站在巨人 DALL·E 肩膀上做出成就的產品。相較於文字生成圖片,Make-A-Video 並沒有在後端進行太多全新變革。

研究人員在論文中也表示:「我們看到描述文本生成圖片的模型在生成短視頻方面也驚人地有效。」

▲描述文本生成圖片的獲獎作品

目前 Make-A-Video 製作的視頻有 3 個優點:

  1. 加速了 T2V 模型(文字轉視頻)的訓練
  2. 不需要成對的文本轉視頻數據
  3. 轉化的視頻繼承了原有圖像/視頻的風格

這些圖像當然有缺點,前面提到的不自然都是真實存在的。而且它們不像這個年代誕生的視頻,畫質模糊,動作僵硬,不支持聲音匹配,一段視頻長度不超過 5 秒,解析度 64 x 64px 都是硬傷,它們的清晰度遠遠不夠。

▲ 這個視頻狗狗舌頭和手有幾幀非常怪異

幾個月前清華大學和智源研究院(BAAI)研究團隊發佈的第一個能根據文本直接合成視頻的 CogVideo 模型也有這樣的問題。它基於大規模預訓練的 Transformer 架構,提出了一種多幀率分層訓練策略,可以高效的對齊文本和視頻片段,只是也經不起細看。
但誰能説 18 個月後,Make-A-Video 和 CogVideo 製作的視頻不會比大部分人更好呢?

▲ CogVideo 生成的視頻——這個目前僅支持中文生成

目前已經發布的文字轉視頻工具雖然不多,但在路上的卻有不少。在 Make-A-Video 發佈後,初創企業 StabilityAI 的開發者就公開表示:「我們的(文字轉視頻應用)會更快更好,適用於更多人。」

有競爭才會更好,越來越逼真的文字轉圖像功能就是最好的證明。


資料來源:愛範兒(ifanr)

如果喜歡我們的文章,請即分享到︰

標籤: Meta  

留言


請按此登錄後留言。未成為會員? 立即註冊
    快捷鍵:←
    快捷鍵:→