斯坦福李飞飞联合谷歌，AI文生视频大模型炸圈

继本月AI文生视频工具Pika 1.0爆火出圈、Gen-2效果大升级之后，斯坦福大学AI科学家李飞飞的团队也有了新动作！

今日，李飞飞及其学生团队与谷歌合作，推出了AI视频生成模型W.A.L.T（窗口注意力潜在Transformer ，Window Attention Latent Transformer）。

演示中，W.A.L.T可以通过自然语言提示，生成3秒长的每秒8帧、分辨率达512x896的逼真视频。

W.A.L.T还可以用于生成3D摄像机运动的视觉效果。

与爆火的Pika 1.0、Gen-2等同类工具类似，W.A.L.T采用扩散模型（Diffusion Model）技术。

同时，W.A.L.T的创新之处在于，其将Transformer架构与潜在扩散模型（Latent Diffusion Models，LDM）相结合，在一个共享潜在空间中压缩图像和视频，从而降低计算要求，提高训练效率。

根据论文，W.A.L.T在视频生成基准UCF-101和Kinetics-600、图像生成基准ImageNet测试上实现了SOTA（当前最优效果）。

项目地址：

https://walt-video-diffusion.github.io/

论文地址：

https://walt-video-diffusion.github.io/assets/W.A.L.T.pdf

01 .

一句话生成3s视频，高逼真、强动态、3D视觉

W.A.L.T模型目前支持文生视频、图片转视频和3D相机拍摄视频三项能力，团队展示了一系列W.A.L.T的生成示例。

1、文生视频：一句话生成高清逼真视频

输入一句简短的提示词，W.A.L.T模型就可以给出一个3秒长的逼真视频。以下是一些示例：

阳光明媚的下午，宇航员在喂鸭子。（An astronaut feeding ducks on a sunny afternoon.）

一头戴着生日帽的大象在海滩上行走。（An elephant wearing a birthday hat walking on the beach.）

皮卡丘在拳击场内戴着拳击手套。（Pikachu wearing boxing gloves, inside a boxing ring.）

一只可爱的熊猫在天空中滑板，越过雪山，充满梦幻和异想天开的气氛。（A cute panda skateboarding in the sky, over snow covered mountains, with a dreamy and whimsical atmosphere.）

一对情侣撑着雨伞走回家，倾盆大雨，油画风格。（A couple walking home with umbrellas, heavy downpour, oil painting style.）

2、图片转视频：用户提供图片，生成动态视频

这里的图片不是由W.A.L.T模型生成的，但动态效果是的，如下面的示例所示：

一个穿着全套太空服的宇航员骑着马，慢动作。（An astronaut in full space suit riding a horse, slow motion.）

一个巨大的机器人在雪里行走。（A giant robot walking through a snowy landscape.）

一只大泰迪熊慢镜头走在第五大道上。（A large teddy bear walking down 5th avenue, slow motion.）

3、3D相机拍摄视频：物体全景多细节展示

团队还展示了3D视频内容的生成，效果看起来就像一个3D摄像机拍摄而来。示例如下：

镜头转向盘子里的汉堡，工作室。（Camera turns around a burger on a plate, studio lighting, 360 rotation.）

摄像机绕着戴着一副耳机的南瓜，工作室灯光，360度旋转。（Camera turns around a pair of headphones around a pumpkin, studio lighting, 360 rotation.）

02 .

Transformer+潜在扩散模型，降低计算成本

Transformer在处理视频等高维数据时成本过高，潜在扩散模型（Latent diffusion models，LDM）可以降低计算要求。

因此，李飞飞学生团队与谷歌研发者共同提出了窗口注意力潜在Transformer（Window Attention Latent Transformer，W.A.L.T） ，这是一种基于Transformer的潜在视频扩散模型（latent video diffusion models，LVDM）方法。

当下，市面上的同类工具如Pika Labs推出的Pika 1.0、Runway的Gen-2，大都采用扩散模型（Diffusion Model），这是很长时间里图像和视频生成领域的主流技术路线。

W.A.L.T沿用这一主流技术路径，并在此基础上进行创新，主要实现以下两方面的升级：

1、使用局部窗口注意力，显著降低计算需求。

2、更有利的联合训练：空间层独立处理图像和视频帧，而时空层专注于时间关系建模。

据悉，这一架构主要的优势是它能同时在图像和视频数据集上进行训练。

这得益于W.A.L.T的两个关键决策：

1、使用因果编码器，在一个共享潜在空间中压缩图像和视频。

2、使用基于窗口注意力的Transformer架构，在潜在空间中联合时空生成建模，从而提高记忆和训练效率。

团队基于W.A.L.T训练了三个模型的级联（Cascade），用于文本到视频的生成任务，包括：一个基本的潜在视频扩散模型、两个视频超分辨率扩散模型。

在无需使用无分类器指导的情况下，W.A.L.T在视频生成基准UCF-101和Kinetics-600、图像生成基准ImageNet测试上实现了SOTA。

在基于kinect-600的帧预测和基于UCF-101的类条件生成的视频生成评价

03 .

AI生成视频爆发，巨头和创企都加码了

短短一个月时间里，AI生成视频赛道已成爆发态势，背后玩家不仅覆盖高校及科研团队，还有多家科技巨头及AI创企。

先是11月3日，视频生成领域的“老大哥”Runway宣布其AI视频生成工具Gen-2更新，分辨率提升至4K，大幅提高保真度和一致性。一周后，Runway又紧锣密鼓地发布了运动画笔功能，强化视频局部编辑能力。

Gen-2体验地址：

https://research.runwayml.com/gen2

Runway在X平台宣布其AI视频生成工具Gen-2更新

紧接着，国内外的科技巨头都加入了这一赛道。

11月16日，科技巨头Meta推出了文生视频模型Emu Video。Emu Video可以通过自然语言生成高质量视频，它将视频生成分为两个步骤，首先生成以文本为条件的图像，然后生成以文本和生成的图像为条件的视频。

项目主页地址：

https://emu-video.metademolab.com

11月18日，国内大厂字节跳动推出了文生视频模型PixelDance，提出了基于文本指导+首尾帧图片指导的视频生成方法，使得视频生成的动态性更强。

项目主页地址：

https://makepixelsdance.github.io

一些AI创企的做法则更激进，直接扔出体验体验链接，引爆消费级市场。

11月29日，AI创企Pika Labs推出网页版Pika 1.0，一时间在消费级市场火出圈。Pika 1.0能根据文字图片，生成一段3s的流畅视频；它还支持用户圈定视频里的元素，进行视频局部编辑。Pika仅仅开放半年已有超50万用户，目前还有更多用户排队申请体验网页版Pika 1.0产品。Pika是一家创立于今年4月的创企，近期刚刚宣布了5500万美元融资。

Pika 1.0体验地址：

https://pika.art/waitlist

在图像领域深耕已久的Stability AI也不示弱。11月29日，Stability AI推出了名为Stable Video Diffusion的视频生成模型，提供SVD和SVD-XT两个模型。其中，SVD将静止图像转换为14帧的576x1024视频，而SVD-XT在相同的架构下将帧数提升至24。这两者都能以每秒3到30帧的速度生成视频，目前已进入“研究预览”阶段。

官方演示视频：

https://www.youtube.com/watch?v=G7mihAy691g

除此之外，国内美图公司发布的AI视觉大模型MiracleVision的4.0版本，刚刚新增了AI视频两大能力；来自中国科学院等机构的研究者在11月21日提出了一个无需训练的文本生成视频框架GPT4Motion；阿里的研究团队在最新论文中提出了新框架Animate Anyone，支持从静态图像AI生成动态视频。

商业化产品集中爆发，AI生成视频技术似乎正迎来一个“ChatGPT时刻”。

04 .

结语：技术和产品迭代扎堆，AI视频生成赛道爆发

短短一个月时间里，我们看到AI视频生成的技术和产品加速爆发，科研机构、AI创企和科技巨头都出动了。

仅仅一年之前，ChatGPT以迅雷不及掩耳之势走向全球，为文本创作领域带来重大的变革，并掀起了全球范围内的“百模大战”。

一年后的今天，AI视频生成赛道或许迎来一个新的“ChatGPT时刻”，国内外的玩家都已经“开卷”了，推动多模态大模型的升维竞赛打响。