剑指Sora！120秒超长AI视频模型免费开玩

新智元报道

编辑：alan

【新智元导读】近日，Picsart AI Resarch等团队联合发布了StreamingT2V，可以生成长达1200帧、时长为2分钟的视频，一举超越Sora。同时，作为开源世界的强大组件，StreamingT2V可以无缝兼容SVD和animatediff等模型。

120秒超长AI视频模型来了！不但比Sora长，而且免费开源！

近日，Picsart AI Resarch等团队联合发布了StreamingT2V，可以生成长达1200帧、时长为2分钟的视频，同时质量也很不错。

论文地址：https://arxiv.org/pdf/2403.14773.pdf

Demo试用：https://huggingface.co/spaces/PAIR/StreamingT2V

开源代码：https://github.com/Picsart-AI-Research/StreamingT2V

并且，作者表示，两分钟并不是模型的极限，就像之前Runway的视频可以延长一样，StreamingT2V理论上可以做到无限长。

在Sora之前，Pika、Runway、Stable Video Diffusion（SVD）等视频生成模型，一般只能生成几秒钟的视频，最多延长到十几秒，

Sora一出，60秒的时长直接秒杀一众模型，Runway的CEO Cristóbal Valenzuela当天便发推表示：比赛开始了。

——这不，120秒的超长AI视频说来就来了。

这下虽说不能马上撼动Sora的统治地位，但至少在时长上扳回一城。

更重要的是，StreamingT2V作为开源世界的强大组件，可以兼容SVD和animatediff等项目，更好地促进开源生态的发展：

通过放出的例子来看，目前兼容的效果还稍显抽象，但技术进步只是时间的问题，卷起来才是最重要的~

总有一天我们都能用上「开源的Sora」，——你说是吧？OpenAI。

免费开玩

目前，StreamingT2V已在GitHub开源，同时还在huggingface上提供了免费试玩，等不了了，小编马上开测：

不过貌似服务器负载太高，上面的这个不知道是不是等待时间，反正小编没能成功。

目前试玩的界面可以输入文字和图片两种提示，后者需要在下面的高级选项中开启。

两个生成按钮中，Faster Preview指的是分辨率更低、时长更短的视频。

小编于是转战另一个测试平台（https://replicate.com/camenduru/streaming-t2v），终于获得一次测试机会，以下是文字提示：

A beautiful girl with short hair wearing a school uniform is walking on the spring campus

不过可能由于小编的要求比较复杂，导致生成的效果多少有点惊悚，诸位可以根据自己的经验自行尝试。

以下是huggingface上给出的一些成功案例：

StreamingT2V

「世界名画」

Sora的横空出世曾带来巨大的轰动，使得前一秒还闪闪发光的Pika、Runway、SVD等模型，直接变成了「前Sora时代」的作品。

不过就如同StreamingT2V的作者所言，pre-Sora days的模型也有自己的独特魅力。

模型架构

StreamingT2V是一种先进的自回归技术，可以创建具有丰富运动动态的长视频，而不会出现任何停滞。

它确保了整个视频的时间一致性，与描述性文本紧密对齐，并保持了高帧级图像质量。

现有的文本到视频扩散模型，主要集中在高质量的短视频生成（通常为16或24帧）上，直接扩展到长视频时，会出现质量下降、表现生硬或者停滞等问题。

AI生成视频

而通过引入StreamingT2V，可以将视频扩展到80、240、600、1200帧，甚至更长，并具有平滑过渡，在一致性和运动性方面优于其他模型。

StreamingT2V的关键组件包括：

（i）称为条件注意力模块（CAM）的短期记忆块，它通过注意机制根据从前一个块中提取的特征来调节当前一代，从而实现一致的块过渡； （ii）称为外观保留模块（APM）的长期记忆块，它从第一个视频块中提取高级场景和对象特征，以防止模型忘记初始场景； （iii）一种随机混合方法，该方法能够对无限长的视频自动回归应用视频增强器，而不会出现块之间的不一致。

上面是StreamingT2V的整体流水线图。在初始化阶段，第一个16帧块由文本到视频模型合成。在流式处理 T2V 阶段中，将自动回归生成更多帧的新内容。

最后，在流优化阶段，通过应用高分辨率文本到短视频模型，并配备上面提到的随机混合方法，生成的长视频（600、1200帧或更多）会自动回归增强。

上图展示了StreamingT2V方法的整体结构：条件注意力模块（CAM）作为短期记忆，外观保留模块（APM）扩展为长期记忆。CAM使用帧编码器对前一个块上的视频扩散模型（VDM）进行条件处理。

CAM的注意力机制保证了块和视频之间的平滑过渡，同时具有高运动量。

APM从锚帧中提取高级图像特征，并将其注入到VDM的文本交叉注意力中，这样有助于在视频生成过程中保留对象/场景特征。

条件注意模块

研究人员首先预训练一个文本到（短）视频模型（Video-LDM），然后使用CAM（前一个区块的一些短期信息），对Video-LDM进行自回归调节。

CAM由一个特征提取器和一个特征注入器组成，整合到Video-LDM的UNet中，特征提取器使用逐帧图像编码器 E。

对于特征注入，作者使UNet中的每个远程跳跃连接，都关注CAM通过交叉注意力生成的相应特征。

CAM使用前一个块的最后一个Fconditional帧作为输入，交叉注意力能够将基本模型的F帧调节为CAM。

相比之下，稀疏编码器使用卷积进行特征注入，因此需要额外的F − Fzero值帧（和掩码）作为输入，以便将输出添加到基本模型的F帧中。这会导致SparseCtrl的输入不一致，导致生成的视频严重不一致。

外观保存模块

自回归视频生成器通常会忘记初始对象和场景特征，从而导致严重的外观变化。

为了解决这个问题，外观保留模块（APM）利用第一个块的固定锚帧中包含的信息来整合长期记忆。这有助于在视频块生成之间维护场景和对象特征。

为了使APM能够平衡锚帧的引导和文本指令的引导，作者建议：

（i）将锚帧的CLIP图像标记，与文本指令中的CLIP文本标记混合，方法是使用线性层将剪辑图像标记扩展到k = 8， 在标记维度上连接文本和图像编码，并使用投影块; （ii） 为每个交叉注意力层引入了一个权重α∈R（初始化为0），以使用来自加权总和x的键和值，来执行交叉注意力。

为了进一步提高文本到视频结果的质量和分辨率，这里利用高分辨率（1280x720）文本到（短）视频模型（Refiner Video-LDM）来自动回归增强生成视频的24帧块。

使用文本到视频模型作为24帧块的细化器/增强器，是通过向输入视频块添加大量噪声，并使用文本到视频扩散模型去噪来完成的。

然而，独立增强每个块的简单方法会导致不一致的过渡：

作者通过在连续块之间使用共享噪声，并利用随机混合方法来解决这个问题。

对比测试

上图是DynamiCrafter-XL和StreamingT2V的视觉比较，使用相同的提示。

X-T切片可视化显示，DynamiCrafter-XL存在严重的块不一致和重复运动。相比之下，StreamingT2V则可以无缝过渡、不断发展。

现有方法不仅容易出现时间不一致和视频停滞，而且随着时间的推移，它们会受到物体外观/特征变化，和视频质量下降的影响（例如下图中的SVD）。

原因是，由于仅对前一个块的最后一帧进行调节，它们忽略了自回归过程的长期依赖性。

在上图的视觉比较中（80帧长度、自回归生成视频），StreamingT2V生成长视频而不会出现运动停滞。

AI长视频能做什么

各家都在卷的视频生成，最直观的应用场景，可能是电影或者游戏。

用AI生成的电影片段（Pika，Midjourney，Magnific）:

Runway甚至搞了个AI电影节：

不过另一个答案是什么呢？

世界模型

长视频创造的虚拟世界，是Agent和人形机器人最好的训练环境，当然前提是足够长，也足够真实（符合物理世界的逻辑）。

也许未来的某一天，那里也会是我们人类的生存空间。

参考资料：

https://github.com/Picsart-AI-Research/StreamingT2V