你以為這是哪部紀錄片的畫面？No，No，No！視頻裡的每一幀，都是AI生成的。還是你告訴它，來段“畫筆在畫布上的特寫”，它就能直接整出畫面的那種。不僅能無中生畫筆，按著馬頭喝水也不是不可以。同樣是一句“馬兒喝水”，這只AI就拋出了這樣的畫面：

好傢伙，這是以後拍視頻真能全靠一張嘴的節奏啊……

不錯，那廂一句話讓AI畫畫的Text to Image正搞得風生水起，這廂Meta AI的研究人員又雙叒給生成AI來了個超進化。

這回是真能“用嘴做視頻”了：

AI名為Make-A-Video，直接從DALL·E、Stable Diffusion搞火的靜態生成飛升動態。

給它幾個單詞或幾行文字，就能生成這個世界上其實並不存在的視頻畫面，掌握的風格還很多元。

不僅紀錄片風格能hold住，整點科幻效果也沒啥問題。

兩種風格混合一下，機器人在時代廣場蹦迪的畫面好像也沒啥違和感。

文藝小清新的動畫風格，看樣子Make-A-Video也把握住了。

這麼一波操作下來，那真是把不少網友都看懵了，連評論都簡化到了三個字母：

而大佬LeCun則意味深長地表示：該來的總是會來的。

畢竟一句話生成視頻這事兒，之前就有不少業內人士覺得“快了快了”。只不過Meta這一手，確實有點神速：

比我想像中快了9個月。

甚至還有人表示：我已經有點適應不了AI的進化速度了……

文本圖像生成模型超進化版

你可能會覺得Make-A-Video是個視頻版的DALL·E。

實際上，差不多就是這麼回事兒

前面提到，Make-A-Video是文本圖像生成（T2I）模型的超進化，那是因為這個AI工作的第一步，其實還是依靠文本生成圖像。

從數據的角度來說，就是DALL·E等靜態圖像生成模型的訓練數據，是成對的文本-圖像數據。

而Make-A-Video雖然最終生成的是視頻，但並沒有專

門用成對的文本-視頻數據訓練，而是依然靠文本-圖像對數據，來讓AI學會根據文字復現畫面。

視頻數據當然也有涉及，但主要是使用單獨的視頻片段來教給AI真實世界的運動方式。

具體到模型架構上，Make-A-Video主要由三部分組成：

文本圖像生成模型P

時空卷積層和注意力層

用於提高幀率的幀插值網絡和兩個用來提升畫質的超分網絡

整個模型的工作過程是醬嬸的：

首先，根據輸入文本生成圖像嵌入。

然後，解碼器Dt生成16幀64×64的RGB圖像。

插值網絡↑F會對初步結果進行插值，以達到理想幀率。

接著，第一重超分網絡會將畫面的分辨率提高到256×256。第二重超分網絡則繼續優化，將畫質進一步提升至768×768。

基於這樣的原理，Make-A-Video不僅能根據文字生成視頻，還具備了以下幾種能力。

將靜態圖像轉成視頻：

根據前後兩張圖片生成一段視頻：

根據原視頻生成新視頻：

刷新文本視頻生成模型SOTA

其實，Meta的Make-A-Video並不是文本生成視頻（T2V）的首次嘗試。

比如，清華大學和智源在今年早些時候就推出了他們自研的“一句話生成視頻”AI：CogVideo，而且這是目前唯一一個開源的T2V模型。

更早之前，GODIVA和微軟的“女媧”也都實現過根據文字描述生成視頻。

不過這一次，Make-A-Video在生成質量上有明顯的提升。

在MSR-VTT數據集上的實驗結果顯示，在FID（13.17）和CLIPSIM（0.3049）兩項指標上，Make-A-Video都大幅刷新了SOTA。

此外，Meta AI的團隊還使用了Imagen的DrawBench，進行人為主觀評估。

他們邀請測試者親身體驗Make-A-Video，主觀評估視頻與文本之間的邏輯對應關係。

結果顯示，Make-A-Video在質量和忠實度上都優於其他兩種方法。

One More Thing

有意思的是，Meta發布新AI的同時，似乎也拉開了T2V模型競速的序幕。

Stable Diffusion的母公司StabilityAI就坐不住了，創始人兼CEO Emad放話道：

我們將發布一個比Make-A-Video更好的模型，大家都能用的那種！

而就在前幾天，ICLR網站上也出現了一篇相關論文Phenaki。

生成效果是這樣的：

對了，雖然Make-A-Video尚未公開，但Meta AI官方也表示，準備推出一個Demo讓大家可以實際上手體驗，感興趣的小伙伴可以蹲一波了。

來源：量子位