你输文字，它生成视频：这款新模型让LeCun也开始转梗图了

机器之心报道

编辑：泽南、小舟

脸书的视频生成新模型实现了 SOTA，但不知道是不是人类给的提示太简单了，生成内容有点惊悚。

你输入文字，AI 就能生成视频，很长一段时间里只存在于人们想象中的事现在已经实现了。

昨天，Meta（脸书）研究人员发布了在 AI 艺术领域的新成果 Make-A-Video，这是一种创造性地新技术，结果令人印象深刻且多种多样。虽然画面目前看起来都有点惊悚，但在 AI 圈里人们已经开始尝试批量制造梗图了，图灵奖获得者 Yann LeCun 也在不停转推它制造的内容。

在此之前，我们以前见过文本到视频模型大多数利用文本生成图像（如 DALL-E），它们从人类的提示中输出静止图像。不过，虽然从静止图像到移动图像的概念跳跃对于人类大脑来说很小，但在机器学习模型中想要实现却绝非易事。

Make-A-Video 实际上并没有在后端对这套过程进行太大的改变——正如研究人员在论文中指出的那样，「一个只看到描述图像的文本的模型在生成短视频方面出奇地有效。」

例如输入「A teddy bear painting a portrait」，即「一只画自画像的泰迪熊」，Make-A-Video 生成的视频如下动图所示：

论文《Make-A-Video: Text-to-video Generation without text-video data》：

从格式看是 ICLR 大会的投稿。

论文链接：

https://makeavideo.studio/Make-A-Video.pdf

该 AI 模型使用现有且有效的扩散技术来创建图像，其本质上是从纯视觉静态「去噪」向目标提示的逆向工作。这里要注意的是，该模型还对一堆未标记的视频内容进行了无监督训练（即在没有人类仔细指导的情况下用数据进行训练）。

Make-A-Video 不需要从头开始学习视觉和多模态表示，从一开始就知道如何制作逼真的图像，也不需要成对的文本视频数据，同时生成的视频风格多样，继承了当今图像生成模型的可扩展性。Meta 研究人员表示，在空间和时间分辨率、对文本的还原忠实度和质量的所有方面，Make-A-Video 实现了文本到视频生成的最高水平。

无论是空间和时间分辨率、还是与文本描述的符合程度，Make-A-Video 都在文本到视频的生成中达到了 SOTA 水平。

相比于之前从文本生成视频的系统，Make-A-Video 使用了不同的方法，实现了与 18 个月前在原始 DALL-E 或其他上一代系统中一致的图像保真度。

T2V 生成的图像示例。Meta 提出的模型可以为各种视觉概念生成具有连贯运动的高质量视频。

值得注意的是，AI 模型生成的图像往往因为太高清而失去真实感，保留一点瑕疵的图像和视频才更贴合实际。

Make-A-Video 的高级架构。给定由先验 P 翻译成图像嵌入的输入文本 x 和所需的帧速率 f ps ，解码器 Dt 生成 16 个 64 × 64 分辨率的帧，然后通过 ↑F 将其插值到更高的帧速率，并提高分辨率到 SRt l 为 256 × 256，SRh 为 768 × 768，最后生成高时空分辨率的视频 y^。

作为一个脑补工具，Make-A-Video 也可以利用静止图像和其他视频转换为其变体或进行扩展，就像图像生成器也可以用图像本身作为提示一样。这样生成的结果就稍微没那么魔性了。

从文本、图像到视频，AI 工具的发展速度再次跨越了一个界限，不知在这项技术公开之后，人们会用它创造出哪些「艺术品」。Meta 表示，人们已经可以开始注册，并在近期获取开放的模型。