OpenAI 2月16日凌晨發(fā)布了文生視頻大模型Sora，在科技圈引起一連串的震驚和感嘆，在2023年，我們見證了文生文、文生圖的進(jìn)展速度，視頻可以說是人類被AI攻占最慢的一塊“處女地”。而在2024年開年，OpenAI就發(fā)布了王炸文生視頻大模型Sora，它能夠僅僅根據(jù)提示詞，生成60s的連貫視頻，“碾壓”了行業(yè)目前大概只有平均“4s”的視頻生成長度。
為了方便理解，我們簡單總結(jié)了這個(gè)模型的強(qiáng)大之處：
1、文本到視頻生成能力：Sora能夠根據(jù)用戶提供的文本描述生成長達(dá)60S的視頻，這些視頻不僅保持了視覺品質(zhì)，而且完整準(zhǔn)確還原了用戶的提示語。
2、復(fù)雜場景和角色生成能力：Sora能夠生成包含多個(gè)角色、特定運(yùn)動類型以及主題精確、背景細(xì)節(jié)復(fù)雜的場景。它能夠創(chuàng)造出生動的角色表情和復(fù)雜的運(yùn)鏡，使得生成的視頻具有高度的逼真性和敘事效果。
3、語言理解能力：Sora擁有深入的語言理解能力，能夠準(zhǔn)確解釋提示并生成能表達(dá)豐富情感的角色。這使得模型能夠更好地理解用戶的文本指令，并在生成的視頻內(nèi)容中忠實(shí)地反映這些指令。
4、多鏡頭生成能力：Sora可以在單個(gè)生成的視頻中創(chuàng)建多個(gè)鏡頭，同時(shí)保持角色和視覺風(fēng)格的一致性。這種能力對于制作電影預(yù)告片、動畫或其他需要多視角展示的內(nèi)容非常有用。
5、從靜態(tài)圖像生成視頻能力：Sora不僅能夠從文本生成視頻，還能夠從現(xiàn)有的靜態(tài)圖像開始，準(zhǔn)確地動畫化圖像內(nèi)容，或者擴(kuò)展現(xiàn)有視頻，填補(bǔ)視頻中的缺失幀。
6、物理世界模擬能力：Sora展示了人工智能在理解真實(shí)世界場景并與之互動的能力，這是朝著實(shí)現(xiàn)通用人工智能（AGI）的重要一步。它能夠模擬真實(shí)物理世界的運(yùn)動，如物體的移動和相互作用。
可以說，Sora的出現(xiàn)，預(yù)示著一個(gè)全新的視覺敘事時(shí)代的到來，它能夠?qū)⑷藗兊南胂罅D(zhuǎn)化為生動的動態(tài)畫面，將文字的魔力轉(zhuǎn)化為視覺的盛宴。在這個(gè)由數(shù)據(jù)和算法編織的未來，Sora正以其獨(dú)特的方式，重新定義著我們與數(shù)字世界的互動。一反常態(tài)，OpenAI在模型公布后的不久，就公布了相關(guān)的技術(shù)Paper，我們第一時(shí)間“啃”了這篇技術(shù)報(bào)告，希望能夠幫助大家理解到底有哪些神奇的技術(shù)，讓Sora能夠有如此強(qiáng)大的魔力。
以下為OpenAI文生視頻模型Sora官方技術(shù)報(bào)告
我們探索了利用視頻數(shù)據(jù)對生成模型進(jìn)行大規(guī)模訓(xùn)練。具體來說，我們在不同持續(xù)時(shí)間、分辨率和縱橫比的視頻和圖像上聯(lián)合訓(xùn)練了以文本為輸入條件的擴(kuò)散模型。我們引入了一種transformer架構(gòu)，該架構(gòu)對視頻的時(shí)空序列包和圖像潛在編碼進(jìn)行操作。我們最頂尖的模型Sora已經(jīng)能夠生成最長一分鐘的高保真視頻，這標(biāo)志著我們在視頻生成領(lǐng)域取得了重大突破。我們的研究結(jié)果表明，通過擴(kuò)大視頻生成模型的規(guī)模，我們有望構(gòu)建出能夠模擬物理世界的通用模擬器，這無疑是一條極具前景的發(fā)展道路。
圖注：Sora生成的東京街頭場景視頻
這份技術(shù)報(bào)告主要聚焦于兩大方面：首先，我們詳細(xì)介紹了一種將各類可視數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一表示的方法，從而實(shí)現(xiàn)了對生成式模型的大規(guī)模訓(xùn)練；其次，我們對Sora的能力及其局限性進(jìn)行了深入的定性評估。需要注意的是，本報(bào)告并未涉及模型的具體技術(shù)細(xì)節(jié)。
在過去的研究中，許多團(tuán)隊(duì)已經(jīng)嘗試使用遞歸網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、自回歸Transformer和擴(kuò)散模型等各種方法，對視頻數(shù)據(jù)的生成式建模進(jìn)行了深入研究。然而，這些工作通常僅限于較窄類別的視覺數(shù)據(jù)、較短的視頻或固定大小的視頻上。相比之下，Sora作為一款通用的視覺數(shù)據(jù)模型，其卓越之處在于能夠生成跨越不同持續(xù)時(shí)間、縱橫比和分辨率的視頻和圖像，甚至包括生成長達(dá)一分鐘的高清視頻。
將可視數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)包（patchs）
在可視數(shù)據(jù)的處理上，我們借鑒了大語言模型的成功經(jīng)驗(yàn)。這些模型通過對互聯(lián)網(wǎng)規(guī)模的數(shù)據(jù)進(jìn)行訓(xùn)練，獲得了強(qiáng)大的通用能力。同樣，我們考慮如何將這種優(yōu)勢引入到可視數(shù)據(jù)的生成式模型中。大語言模型通過token將各種形式的文本代碼、數(shù)學(xué)和自然語言統(tǒng)一起來，而Sora則通過視覺包（patchs）實(shí)現(xiàn)了類似的效果。我們發(fā)現(xiàn)，對于不同類型的視頻和圖像，包是一種高度可擴(kuò)展且有效的表示方式，對于訓(xùn)練生成模型具有重要意義。
圖注：OpenAI專門設(shè)計(jì)的解碼器模型，它可以將生成的潛在表示重新映射回像素空間
在更高層次上，我們首先將視頻壓縮到一個(gè)低維度的潛在空間:這是通過對視頻進(jìn)行時(shí)間和空間上的壓縮實(shí)現(xiàn)的。這個(gè)潛在空間可以看作是一個(gè)“時(shí)空包”的集合，從而將原始視頻轉(zhuǎn)化為這些包。
視頻壓縮網(wǎng)絡(luò)
我們專門訓(xùn)練了一個(gè)網(wǎng)絡(luò)，專門負(fù)責(zé)降低視覺數(shù)據(jù)的維度。這個(gè)網(wǎng)絡(luò)接收原始視頻作為輸入，并輸出經(jīng)過壓縮的潛在表示。Sora模型就是在這個(gè)壓縮后的潛在空間中接受訓(xùn)練，并最終生成視頻。此外，我們還設(shè)計(jì)了一個(gè)解碼器模型，它可以將生成的潛在表示重新映射回像素空間，從而生成可視的視頻或圖像。
時(shí)空包
當(dāng)給定一個(gè)壓縮后的輸入視頻時(shí)，我們會從中提取出一系列的時(shí)空包，這些包被用作轉(zhuǎn)換token。這一方案不僅適用于視頻，因?yàn)橐曨l本質(zhì)上就是由連續(xù)幀構(gòu)成的，所以圖像也可以看作是單幀的視頻。通過這種基于包的表示方式，Sora能夠跨越不同分辨率、持續(xù)時(shí)間和縱橫比的視頻和圖像進(jìn)行訓(xùn)練。在推理階段，我們只需在適當(dāng)大小的網(wǎng)格中安排隨機(jī)初始化的包，就可以控制生成視頻的大小和分辨率。
用于視頻生成的縮放Transformers
Sora是一個(gè)擴(kuò)散模型，它接受輸入的噪聲包（以及如文本提示等條件性輸入信息），然后被訓(xùn)練去預(yù)測原始的“干凈”包。重要的是，Sora是一個(gè)基于擴(kuò)散的轉(zhuǎn)換器模型，這種模型已經(jīng)在多個(gè)領(lǐng)域展現(xiàn)了顯著的擴(kuò)展性，包括語言建模、計(jì)算機(jī)視覺以及圖像生成等領(lǐng)域。
圖注：隨著訓(xùn)練量的增加，擴(kuò)散轉(zhuǎn)換器生成的樣本質(zhì)量有了明顯提高
在這項(xiàng)工作中，我們發(fā)現(xiàn)擴(kuò)散轉(zhuǎn)換器在視頻生成領(lǐng)域同樣具有巨大的潛力。我們展示了不同訓(xùn)練階段下，使用相同種子和輸入的視頻樣本對比，結(jié)果證明了隨著訓(xùn)練量的增加，樣本質(zhì)量有著明顯的提高。
豐富的持續(xù)時(shí)間、分辨率與縱橫比
過去，圖像和視頻生成方法常常需要將視頻調(diào)整大小、裁剪或修剪至標(biāo)準(zhǔn)尺寸，如4秒、256x256分辨率的視頻。但Sora打破了這一常規(guī)，它直接在原始大小的數(shù)據(jù)上進(jìn)行訓(xùn)練，從而帶來了諸多優(yōu)勢。
采樣更靈活
Sora具備出色的采樣能力，無論是寬屏1920x1080p視頻、垂直1080x1920視頻，還是介于兩者之間的任何視頻尺寸，它都能輕松應(yīng)對。這意味著Sora可以為各種設(shè)備生成與其原始縱橫比完美匹配的內(nèi)容。更令人驚嘆的是，即使在生成全分辨率內(nèi)容之前，Sora也能以較小的尺寸迅速創(chuàng)建內(nèi)容原型。而所有這一切，都得益于使用相同的模型。
圖注：Sora可以為各種設(shè)備生成與其原始縱橫比完美匹配的內(nèi)容
改進(jìn)構(gòu)圖與框架
我們的實(shí)驗(yàn)結(jié)果顯示，在視頻的原始縱橫比上進(jìn)行訓(xùn)練，能夠顯著提升構(gòu)圖和框架的質(zhì)量。為了驗(yàn)證這一點(diǎn)，我們將Sora與一個(gè)將所有訓(xùn)練視頻裁剪為方形的模型版本進(jìn)行了比較。結(jié)果發(fā)現(xiàn)，在正方形裁剪上訓(xùn)練的模型有時(shí)會生成僅部分顯示主題的視頻。而Sora則能呈現(xiàn)出更加完美的幀，充分展現(xiàn)了其在視頻生成領(lǐng)域的卓越性能。
圖注：將所有訓(xùn)練視頻裁剪為方形的模型相比（左），Sora能呈現(xiàn)出更加完美的幀
語言理解深化
為了訓(xùn)練文本轉(zhuǎn)視頻生成系統(tǒng)，需要大量帶有相應(yīng)文本字幕的視頻。為此，我們借鑒了DALL·E3中的re-captioning技術(shù)，并應(yīng)用于視頻領(lǐng)域。首先，我們訓(xùn)練了一個(gè)高度描述性的轉(zhuǎn)譯員模型，然后使用它為我們訓(xùn)練集中的所有視頻生成文本轉(zhuǎn)譯。通過這種方式，我們發(fā)現(xiàn)對高度描述性的視頻轉(zhuǎn)譯進(jìn)行訓(xùn)練，可以顯著提高文本保真度和視頻的整體質(zhì)量。 與此同時(shí)，與DALL·E3類似，我們還利用GPT技術(shù)將簡短的用戶提示轉(zhuǎn)換為更長的詳細(xì)轉(zhuǎn)譯，并將其發(fā)送到視頻模型。這一創(chuàng)新使得Sora能夠精確地按照用戶提示生成高質(zhì)量的視頻。
圖片與視頻提示
在上述所有結(jié)果和我們的演示中，你可能已經(jīng)注意到了文本轉(zhuǎn)視頻的示例。但Sora的功能遠(yuǎn)不止于此，它還能接受其他類型的輸入提示，如預(yù)先存在的圖像或視頻。這種多樣化的提示方式使Sora能夠執(zhí)行廣泛的圖像和視頻編輯任務(wù)，如創(chuàng)建完美的循環(huán)視頻、將靜態(tài)圖像轉(zhuǎn)化為動畫、向前或向后擴(kuò)展視頻等。
將DALL·E圖片變成動畫
值得一提的是，Sora還能在提供圖像和提示作為輸入的情況下生成視頻。下面展示的示例視頻就是基于DALL·E 2和DALL·E 3的圖像生成的。這些示例不僅證明了Sora的強(qiáng)大功能，還展示了它在圖像和視頻編輯領(lǐng)域的無限潛力。
視頻：一只戴著貝雷帽、穿著黑色高領(lǐng)毛衣的柴犬生成視頻
一幅逼真的云朵圖像生成視頻，上面寫著“SORA”；在一個(gè)華麗的歷史大廳里，一股巨大的浪潮達(dá)到頂峰，并開始崩散，兩個(gè)沖浪者抓住時(shí)機(jī)，巧妙地在海浪表面飛馳
擴(kuò)展生成視頻
Sora不僅具備生成視頻的能力，更能在時(shí)間維度上實(shí)現(xiàn)向前或向后的無限擴(kuò)展。以下三個(gè)視頻便是從同一生成視頻片段出發(fā)，逐步向后擴(kuò)展的示例。盡管它們的起始部分各異，但結(jié)局卻出奇地一致。
視頻：這些視頻的起始部分各異，但結(jié)局幾乎相同
這充分展示了Sora在時(shí)間擴(kuò)展方面的強(qiáng)大功能，甚至能創(chuàng)造出無縫的無限循環(huán)視頻。
視頻：Sora甚至可以創(chuàng)造出無限循環(huán)視頻
視頻到視頻編輯
隨著擴(kuò)散模型的發(fā)展，我們已經(jīng)開發(fā)出多種方法來編輯基于文本提示的圖像和視頻。在此，我們將其中一種名為SDEdit 32的技術(shù)應(yīng)用于Sora。這項(xiàng)技術(shù)賦予了Sora轉(zhuǎn)換零拍攝輸入視頻風(fēng)格和環(huán)境的能力，為視頻編輯領(lǐng)域帶來了革命性的變革。
視頻的無縫連接
更令人驚嘆的是，Sora還能在兩個(gè)截然不同的輸入視頻之間實(shí)現(xiàn)無縫過渡。通過逐漸插入技術(shù)，我們能夠在具有完全不同主題和場景構(gòu)圖的視頻之間創(chuàng)建出流暢自然的過渡效果。
圖片生成能力
Sora的出色能力不止于數(shù)據(jù)處理和分析，它現(xiàn)在還能生成圖像！這一創(chuàng)新功能的實(shí)現(xiàn)得益于一種獨(dú)特的算法，該算法在一個(gè)精確的時(shí)間范圍內(nèi)，巧妙地在空間網(wǎng)格中排列高斯噪聲補(bǔ)丁。 值得一提的是，Sora的圖像生成功能不僅限于特定大小的圖像。它可以根據(jù)用戶需求，生成可變大小的圖像，最高可達(dá)驚人的2048 × 2048分辨率。
圖注：一個(gè)女人在秋天的特寫肖像，每一個(gè)細(xì)節(jié)都被捕捉得淋漓盡致，淺景深的應(yīng)用使得主體脫穎而出
圖注：充滿生機(jī)的珊瑚礁吸引了五顏六色的魚類和海洋生物
新的模擬能力
在大規(guī)模訓(xùn)練過程中，我們發(fā)現(xiàn)視頻模型展現(xiàn)出了許多令人興奮的新能力。這些功能使得Sora能夠模擬現(xiàn)實(shí)世界中的人物、動物和環(huán)境等某些方面。值得注意的是，這些屬性的出現(xiàn)并沒有依賴于任何明確的3D建模、物體識別等歸納偏差，而是純粹通過模型的尺度擴(kuò)展而自然涌現(xiàn)的。 3D一致性：在3D一致性方面，Sora能夠生成帶有動態(tài)攝像頭運(yùn)動的視頻。隨著攝像頭的移動和旋轉(zhuǎn)，人物和場景元素在三維空間中始終保持一致的運(yùn)動規(guī)律。
視頻：人物和場景元素在三維空間中始終保持一致
較長視頻的連貫性和對象持久性：視頻生成領(lǐng)域面對的一個(gè)重要挑戰(zhàn)就是，在生成的較長視頻中保持時(shí)空連貫性和一致性。Sora，雖然不總是，但經(jīng)常能夠有效地為短期和長期物體間的依賴關(guān)系建模。例如，在生成的視頻中，人物、動物和物體即使在被遮擋或離開畫面后，仍能被準(zhǔn)確地保存和呈現(xiàn)。同樣地，Sora能夠在單個(gè)樣本中生成同一角色的多個(gè)鏡頭，并在整個(gè)視頻中保持其外觀的一致性。
與世界互動：Sora有時(shí)還能以簡單的方式模擬影響世界狀態(tài)的行為。例如，畫家可以在畫布上留下新的筆觸。隨著時(shí)間的推移，一個(gè)人吃漢堡時(shí)也能在上面留下咬痕。
圖注：Sora能以簡單的方式模擬影響世界狀態(tài)的行為
模擬數(shù)字世界：Sora還能夠模擬人工過程，比如視頻游戲。它可以在高保真度渲染世界及其動態(tài)的同時(shí)，用基本策略控制《我的世界》中的玩家。這些功能都無需額外的訓(xùn)練數(shù)據(jù)或調(diào)整模型參數(shù)，只需向Sora提示“我的世界”即可實(shí)現(xiàn)。
這些新能力表明，視頻模型的持續(xù)擴(kuò)展為開發(fā)高性能的物理和數(shù)字世界模擬器提供了一條充滿希望的道路。通過模擬生活在這些世界中的物體、動物和人等實(shí)體，我們可以更深入地理解現(xiàn)實(shí)世界的運(yùn)行規(guī)律，并開發(fā)出更加逼真、自然的視頻生成技術(shù)。
局限性與展望
盡管Sora在模擬能力方面已經(jīng)取得了顯著的進(jìn)展，但它目前仍然存在許多局限性。例如，它不能準(zhǔn)確地模擬許多基本相互作用的物理過程，如玻璃破碎等。此外，在某些交互場景中，比如吃東西時(shí)，Sora并不能總是產(chǎn)生正確的對象狀態(tài)變化。我們在發(fā)布頁面中列舉了模型的其他常見故障模式，包括在長時(shí)間樣本中發(fā)展的不一致性或某些對象不受控的出現(xiàn)等。
然而，我們相信隨著技術(shù)的不斷進(jìn)步和創(chuàng)新，Sora所展現(xiàn)出的能力預(yù)示著視頻模型持續(xù)擴(kuò)展的巨大潛力。未來，我們期待看到更加先進(jìn)的視頻生成技術(shù)，能夠更準(zhǔn)確地模擬現(xiàn)實(shí)世界中的各種現(xiàn)象和行為，并為我們帶來更加逼真、自然的視覺體驗(yàn)。
?
熱門AI工具推薦：
- ?如果你用不了ChatGPT，推薦國產(chǎn)ChatGPT，點(diǎn)此免費(fèi)使用
- ?如果你想讓AI幫你寫論文，推薦筆靈論文寫作，點(diǎn)擊立即使用
