测试文本关键词生成视频效果：长度、细节与跳帧情况展现
所生成视频时长为2秒
基本符合逻辑与经验规则
选了符合日常生活经验的内容，选了符合常识的内容，记者首先做的这事，要直接看效果，话不多说 。
熊猫吃竹子
一名男骑手骑马
大雨中走路的人
测试结果能看到，目前视频长度可生成在约2秒左右，视频尺寸为，生成等候时间处于1分多钟乃至4分多钟之间。同时并且，视频里的细节渲染非常到位，像背景中散落着的竹叶，逐渐远离而去的灌木，能将那飞起大雨狂风一起卷起来，都在这视频当中表现了出来。
只是，于“一名男性骑手骑着马”的视频里出现了跳帧情形，明明那正朝着画面右边行进的马匹猛一下掉头朝着画面深处跑去，然而马的后半截身子却还是处于向右方移动的状态，只是因为这个大模型才刚刚上线而已，所以那样也能够被理解。
根据文本关键词做视频
只是画风有点怪异
若发挥想象力，向大模型输入些不符合现实生活经验与逻辑的文本，或者一些抽象性描述，会获致怎样的结果？说实话，目睹之后，确信此作品置于任何社交平台皆为相当炸裂的存在。
两头大象在厨房忙着做饭
说实在的，这个视频人家做出来不存在问题：里有大象呢，所在地方为厨房，虽说做的究竟是啥，不大能够看得明白，然而为了进行烹调而站到灶台上的大象，明显已然是非常努力了。
贵妃醉酒
这个就更厉害了，很有复古文艺风。
又讲讲这贵妃，看上去雍容华贵且不失仪表的端庄，结合常识讲，两旁侍女梳的发髻，极像是初唐时在宫人中流行的半翻髻，站在中间的贵妃的发饰，却很如盛唐开元年间的双鬟望仙髻，就这般对中国文化的理解已然相当让人佩服。
但是接下来的画风，就有点奇怪了。比如这个……
楚霸王在摩天大楼跳舞
这段视频看起来则是一部科幻片。
高高耸立仿若电影《盗梦空间》里呈现之景的摩天大楼，此外，楚霸王项羽被塑造成为恰似外星人那般的生物，这使人联想起一个动漫人物。
如果再增加一些难度，把一些不可能相关的事物联系在一起：
美丽的夏日热带海滩上，一只巨龙在吃冰激凌
有这样一段视频，AI直接返回了一段灾难片，在夏日的海滩之上，绿色的怪兽带着它的幼仔登上海滩去觅食，给人一种异兽会将页游吞噬的既视感。
AI视频并非不合常识
或因数据量影响了结果
看起来，AI似乎仅仅是依照文本描述去做要素的堆砌，基本上不考量常识以及逻辑。
那到底是不是这样呢，记者接着进行了测试，让不同的人物做同样的事，在同一个场景下，让不同的事物做同样的事，对于“人拿着遥控器在看电视”“香蕉拿着遥控器在看电视”“猫拿着遥控器在看电视”，分别让AI据此生成视频，看看会出现怎样的结果。
人拿着遥控器在看电视
猫拿着遥控器在看电视
香蕉拿着遥控器在看电视
视频返回后能看到，AI生成视频仍有逻辑可循、有常识可依，比如人能用手拿着遥控器，猫能用爪子拨弄遥控器，香蕉不能用手或爪子操作遥控器，只能出现在电视画面中，出现这种情况或许是因可供AI选用的高质量数据不多，只能从现有数据中选取，而这些现有数据符合常识 。
文生视频尚待发展
将成为下游应用的加速器
就本质而言，视频乃是一系列图像，最为理想之效果即为，用户给出提示词，系统自动生成对应任意风格的视频。
按照谷歌先前发布的论文，视频生成框架为七个子视频扩散模型的串联，它们分别进行文本条件视频生成、空间超分辨率以及时间超分辨率，通过整个串联，能够每秒以24帧的速率生成128帧分辨率大小为1280×768的高清视频。
但是在现实情形下，生成连贯性较长视频并非那般简单。原因在于，于这项任务里，可供使用的高质量数据极为稀缺，并且任务自身的计算需求颇为巨大。所以，从现阶段此类模型生成视频的等待时长，画面的真实程度、清晰程度还有长度等各个层面来讲，和产出令人满意的视频仍存在很大差距。
此外，文本完整性是影响文本生成视频迭代的一个瓶颈，有研究表明，以往用于图像生成的简短文本往往无法提供对视频的完整描述，视频需要的是一系列文本或故事，研究人员称，基于故事的条件视频生成此前从未被探索过。
只不过，文本生成视频已然具备了巨大的市场潜力，有研报表明，从源头生成视频，不需要凭借其他视频素材，这意味着所有用户，哪怕没有视频制作的技巧，都能够参与到AI视频的创作当中，这同样意味着AIGC正式推开了通向视频时期的门禁，。
国盛证券称，全民都加入到AI视频创作当中，算力需求会变成更为重要的资源。未来，算力会成为决定内容质量以及商业竞争力的关键要素，也就是“算力即权力”。并且，AI视频的放量还会对当下电商直播、产品广告、影视制作等多个行业的生态予以改变，下游应用的加速时刻也就要来临了。
欢迎 你 发表评论: