谷歌的全新生成式 AI 视频模型 Veo 现已推出

谷歌的全新生成式 AI 视频模型 Veo 现已推出 Veo 是谷歌最新的生成式 AI 视频模型，现在可供企业开始将其纳入其内容创建流程。Veo 于 5 月首次亮相，现以通过谷歌的 Vertex AI 平台推出私人预览版，抢先进入市场。而竞争对手 OpenAI 演示的 Sora 虽然在 2 月就已首次亮相，至今却仍无推出迹象。 Veo 能够根据文本或基于图像的提示生成各种不同视觉和电影风格的高质量1080p 分辨率视频。当该模型首次发布时，这些生成的剪辑可能略微“超过一分钟”，但谷歌并未透露预览版的长度限制。谷歌博客中的一些新示例剪辑与已经从 Veo 看到的不相上下，如果不仔细观察，很难看出这些视频是 AI 生成的。 The Verge, Google博客-电报频道- #娟姐新闻:@juanjienews

快手今天发布了可灵视频生成模型，支持生成最长两分钟 30FPS 1080P 的。

快手今天发布了可灵视频生成模型，支持生成最长两分钟 30FPS 1080P 的视频。 生成质量是现在普通用户能接触到的天花板，5 秒视频这个等级完全超越了谷歌Voe 视频模型。 运动幅度、不同比例、一致性、物理特性都是除了 Sora 之外现在看到最好的。 体验方法：快影 APP-AI 玩法-AI 视频生成中申请。

OpenAI首个视频生成模型发布 能生成长达1分钟的高清

OpenAI首个视频生成模型发布 能生成长达1分钟的高清视频 AI想象中的龙年春节，红旗招展人山人海。有紧跟舞龙队伍抬头好奇官网的儿童，还有不少人掏出手机边跟边拍，海量人物角色各有各的行为。雨后东京街头，潮湿地面反射霓虹灯光影效果堪比RTX ON。行驶中的列车窗外偶遇遮挡，车内人物倒影短暂出现非常惊艳。也可以来一段好莱坞大片质感的电影预告片：竖屏超近景视角下，这只蜥蜴细节拉满：网友直呼game over，工作要丢了：甚至有人已经开始“悼念”一整个行业：AI理解运动中的物理世界OpenAI表示，正在教AI理解和模拟运动中的物理世界，目标是训练模型来帮助人们解决需要现实世界交互的问题根据文本提示生成视频，仅仅是整个计划其中的一步。目前Sora已经能生成具有多个角色、包含特定运动的复杂场景，不仅能理解用户在提示中提出的要求，还了解这些物体在物理世界中的存在方式。比如一大群纸飞机在树林中飞过，Sora知道碰撞后会发生什么，并表现其中的光影变化。一群纸飞机在茂密的丛林中翩翩起舞，在树林中穿梭，就像候鸟一样。Sora还可以在单个视频中创建多个镜头，并依靠对语言的深入理解准确地解释提示词，保留角色和视觉风格。美丽、白雪皑皑的东京熙熙攘攘。镜头穿过熙熙攘攘的城市街道，跟随几个人享受美丽的雪天并在附近的摊位购物。绚丽的樱花花瓣随着雪花随风飘扬。对于Sora当前存在的弱点，OpenAI也不避讳，指出它可能难以准确模拟复杂场景的物理原理，并且可能无法理解因果关系。例如“五只灰狼幼崽在一条偏僻的碎石路上互相嬉戏、追逐”，狼的数量会变化，一些凭空出现或消失。该模型还可能混淆提示的空间细节，例如混淆左右，并且可能难以精确描述随着时间推移发生的事件，例如遵循特定的相机轨迹。如提示词“篮球穿过篮筐然后爆炸”中，篮球没有正确被篮筐阻挡。技术方面，目前OpenAI透露的不多，简单介绍如下：Sora是一种扩散模型，从噪声开始，能够一次生成整个视频或扩展视频的长度，关键之处在于一次生成多帧的预测，确保画面主体即使暂时离开视野也能保持不变。与GPT模型类似，Sora使用了Transformer架构，有很强的扩展性。在数据方面，OpenAI将视频和图像表示为patch，类似于GPT中的token。通过这种统一的数据表示方式，可以在比以前更广泛的视觉数据上训练模型，涵盖不同的持续时间、分辨率和纵横比。Sora建立在过去对DALL·E和GPT模型的研究之上。它使用DALL·E 3的重述提示词技术，为视觉训练数据生成高度描述性的标注，因此能够更忠实地遵循用户的文本指令。除了能够仅根据文本指令生成视频之外，该模型还能够获取现有的静态图像并从中生成视频，准确地让图像内容动起来并关注小细节。该模型还可以获取现有视频并对其进行扩展或填充缺失的帧，请参阅技术论文了解更多信息（晚些时候发布）。Sora 是能够理解和模拟现实世界的模型的基础，OpenAI相信这一功能将成为实现AGI的重要里程碑。奥特曼在线接单目前已有一些视觉艺术家、设计师和电影制作人（以及OpenAI员工）获得了Sora访问权限。他们开始不断po出新的作品，奥特曼也开始了在线接单模式。带上你的提示词@sama，就有可能收到生成好的视频回复。 ... PC版： 手机版：

重磅！美国OpenAI发布首个视频生成模型

重磅！美国OpenAI发布首个视频生成模型 2月16日，OpenAI在其官网发布文生视频模型Sora。据介绍，该模型可以生成长达一分钟的视频，同时保持视觉标准并遵循用户提示。 该公司表示Sora能够生成复杂的场景，不仅包括多个角色，还有特定的动作类型，以及针对对象和背景的准确细节主题。除此之外，Sora还可以将静态图像制作成动画。 PS:我有个想法

：DeepMind视频音频生成技术，为无声创造同步音轨的创新工具，结合像素和自然语言提示生成丰富的音景

：DeepMind视频音频生成技术，为无声视频创造同步音轨的创新工具，结合视频像素和自然语言提示生成丰富的音景 - DeepMind研发了视频到音频(V2A)技术，可以利用视频像素和文本提示生成与视频同步的丰富音轨。 - V2A可与像Veo这样的视频生成模型配合使用，为视频添加戏剧性配乐、逼真音效或与视频角色和语气匹配的对话。 - V2A也可以为各类传统镜头生成音轨，如档案素材、无声电影等，拓宽创作空间。 - V2A支持无限生成音轨，允许定义正向和负向提示来指导生成所需的音频。 - V2A使用基于扩散的方法，先编码视觉输入，然后模型逐步从随机噪声中提炼音频。这个过程同时利用视觉输入和文本提示进行指导。 - 为提高音频质量，训练中加入了AI生成的含音频详细描述和语音转录的注释信息。 - V2A可理解原始像素，添加文本提示是可选的。它也无需人工调整生成音频与视频的对齐。 - 当前局限包括视频失真可影响音频质量，语音同步存在待改进之处。 - DeepMind将采取负责任的方式开发和部署V2A，正在与顶级创作者合作改进技术，并加入合成识别工具SynthID以防范技术误用。 - V2A正在进行安全评估，初始结果显示它是使生成视频栩栩如生的有前景技术。

商汤发布首个 “可控” 人物视频生成大模型 Vimi

商汤发布首个 “可控” 人物视频生成大模型 Vimi 据界面新闻，商汤发布首个 “可控” 人物视频生成大模型 Vimi，该模型主要面向 C 端用户，支持聊天、唱歌、舞动等多种娱乐互动场景。商汤方面称，Vimi 可生成长达 1 分钟的单镜头人物类视频，画面效果不会随着时间的变化而劣化或失真，Vimi 基于商汤日日新大模型，通过一张任意风格的照片就能生成和目标动作一致的人物类视频，可通过已有人物视频、动画、声音、文字等多种元素进行驱动。