2023 年，也是 AI 視頻元年。過去一年究竟有哪些爆款應(yīng)用誕生，未來視頻生成領(lǐng)域面臨的難題還有哪些？過去一年，AI 視頻領(lǐng)域我們見證了，Gen-2、Pika 等爆款產(chǎn)品的誕生。
來自 a16z 的 Justine Moore，詳細盤點了人工智能視頻生成領(lǐng)域的現(xiàn)狀、不同模型比較，以及還未解決的技術(shù)挑戰(zhàn)。
接下來，一起看看這篇文章都講了什么？
AI 視頻生成大爆發(fā)
2023 年是 AI 視頻取得突破的一年。不過，今年過去了一個月，暫未有公開的文本到視頻的模型。
短短 12 個月，數(shù)十種視頻生成產(chǎn)品受到了全球數(shù)以萬計的用戶的青睞。
不過，這些 AI 視頻生成工具仍相對有限，多數(shù)只能生成 3-4 秒的視頻，同時質(zhì)量往往參差不齊，角色一致性等問題尚未解決。
也就是說，我們還遠不能制作出一個只有文字提示，甚至多個提示的皮克斯級別的短片。
然而，我們在過去一年中在視頻生成方面取得的進步表明，世界正處于一場大規(guī)模變革的早期階段 —— 與我們在圖像生成方面看到的情況類似。
我們看到，文本到視頻的模型在不斷改進，圖像到視頻，以及視頻到視頻等分支也在蓬勃發(fā)展。
為了幫助了解這一創(chuàng)新的爆炸式增長，a16z 追蹤了到目前為止最需要關(guān)注的公司，以及該領(lǐng)域仍然存在的潛在問題。
今天，你可以在哪里生成 AI 視頻？
21 個視頻生成產(chǎn)品
今年到目前為止，a16z 已經(jīng)跟蹤了 21 種公開產(chǎn)品。
雖然你可能聽說過 Runway、Pika、Genmo 和 Stable Video Diffusion，但還有許多其他的東西需要探索。
這些產(chǎn)品大多來自初創(chuàng)公司，其中許多都是從 Discord bots，有以下幾個優(yōu)勢：
- 不需要構(gòu)建自己面向消費者的界面，只需專注于模型質(zhì)量
- 可以利用 Discord 每月 1.5 億活躍用戶的基礎(chǔ)進行分發(fā)
- 公共渠道為新用戶提供了一種簡便的方式，讓他們獲得創(chuàng)作靈感（通過查看他人的創(chuàng)作）
然而，隨著技術(shù)成熟，我們開始看到越來越多的 AI 視頻產(chǎn)品建立自己的網(wǎng)站，甚至是 App。
隨著 Discord 提供了一個很好的平臺，但在純生成之上添加的工作流而言，卻是有限的，并且團隊對消費者體驗的控制很少。
值得注意的是，還有很大一部分人不使用 Discord，因其覺得界面混亂讓人困惑。
研究和技術(shù)
谷歌、Meta 和其他公司在哪里？
在公開的產(chǎn)品列表中，他們顯然沒有出現(xiàn)--盡管你可能已經(jīng)看到了他們發(fā)布的關(guān)于 Emu Video、VideoPoet 和 Lumiere 等模型的帖子。
到目前為止，大型科技公司基本上都不選擇公開自家的 AI 視頻產(chǎn)品。
取而代之的是，他們發(fā)表了各種相關(guān)的視頻生成的論文，而沒有選擇視頻演示。
比如，谷歌文本生成視頻的模型 Lumiere
這些公司有著巨大的分銷優(yōu)勢，其產(chǎn)品擁有數(shù)十億用戶。
那么，他們?yōu)槭裁床环艞壈l(fā)布視頻模型，而在這一新興類別市場中奪取巨大份額。
最主要的原因還是，法律、安全和版權(quán)方面的擔憂，往往使這些大公司很難將研究轉(zhuǎn)化為產(chǎn)品，并推遲推出。如此一來，讓新來者有機會獲得先發(fā)優(yōu)勢。
AI 視頻的下一步是什么？
如果你曾使用過這些產(chǎn)品，便知道在 AI 視頻進入主流產(chǎn)品之前，仍然有很大的改進空間。
有時會發(fā)現(xiàn)，AI 視頻工具可以將提示內(nèi)容生成視頻的「神奇時刻」，但這種情況相對較少見。更常見的情況是，你需要點擊幾次重新生成，然后裁剪或編輯輸出，才能獲得專業(yè)級別的片段。
這一領(lǐng)域的大多數(shù)公司都專注于解決一些核心的問題：
- 控制性：你能否同時控制場景中發(fā)生的事情，（比如，提示「有人向前走」，動作是否如描述的那樣？）關(guān)于后一點，許多產(chǎn)品都增加了一些功能，允許你對鏡頭 zoom 或 pan，甚至添加特效。
- 「動作是否如描述的那樣」一直較難解決：這涉及到底層模型的質(zhì)量問題（模型是否理解提示的含義并能按要求生成），盡管一些公司正在努力在生成前提供更多的用戶控制。
比如，Runway 的 motion brush 就是一個很好的例子，它允許用戶高粱圖像的特定區(qū)域并確定其運動方式。
時間一致性：如何讓角色、對象和背景在幀之間保持一致，而不會變形為其他東西或扭曲？
在所有公開提供的模型中，這是一個非常常見的問題。
如果你今天看到一段時間連貫的視頻，時長超過幾秒，很可能是視頻到視頻，通過拍攝一段視頻，然后用 AnimateDiff prompt travel 之類的工具來改變風(fēng)格。
- 長度 —— 制作長時間的短片與時間連貫性高度相關(guān)。
許多公司會限制生成視頻的長度，因為他們不能確保幾分鐘后依然視頻保持一致性。
如果當你看到一個超長的 AI 視頻，要知道它們是由一堆短片段組成的。
尚未解決的問題
視頻的 ChatGPT 時刻什么時候到來？
其實我們還有很長的路要走，需要回答以下幾個問題：
1 當前的擴散架構(gòu)是否適用于視頻？
今天的視頻模型是基于擴散模型搭建的：它們基本原理是生成幀，并試圖在它們之間創(chuàng)建時間一致的動畫（有多種策略可以做到這一點）。
他們對 3D 空間和對象應(yīng)該如何交互沒有內(nèi)在的理解，這解釋了 warping / morphing。
2 優(yōu)質(zhì)訓(xùn)練數(shù)據(jù)從何而來？
與其他模態(tài)模型相比，訓(xùn)練視頻模型更難，這主要是因為視頻模型沒有那么多高質(zhì)量的訓(xùn)練數(shù)據(jù)可供學(xué)習(xí)。語言模型通常在公共數(shù)據(jù)集（如 Common Crawl）上進行訓(xùn)練，而圖像模型則在 LAION 和 ImageNet 等標記數(shù)據(jù)集（文本-圖像對）上進行訓(xùn)練。
視頻數(shù)據(jù)更難獲得。雖然在 YouTube 和 TikTok 等平臺上不乏公開可訪問的視頻，但這些視頻沒有標簽，也不夠多樣化。
3 這些用例將如何在平臺 / 模型之間進行細分？
我們在幾乎每一種內(nèi)容模態(tài)中看到的是，一種模型并不是對所有用例都「取勝」的。例如，MidTrik、Idegraph 和 Dall-E 都有不同的風(fēng)格，并擅長生成不同類型的圖像。
如果你測試一下今天的文本到視頻和圖像到視頻模式，就會發(fā)現(xiàn)它們擅長不同的風(fēng)格、運動類型和場景構(gòu)成。
提示：Snow falling on a city street, photorealistic
誰將主導(dǎo)視頻制作的工作流程？
而在許多產(chǎn)品之間，來回是沒有意義的。
除了純粹的視頻生成，制作好的剪輯或電影通常需要編輯，特別是在當前的范例中，許多創(chuàng)作者正在使用視頻模型來制作在另一個平臺上創(chuàng)建的照片的動畫。
從 Midjourney 的圖像開始，在 Runway 或 Pika 上制作動畫，然后在 Topz 上進行升級的視頻并不少見。
然后，創(chuàng)作者將視頻帶到 CapCut 或 Kapwing 等編輯平臺，并添加配樂和畫外音，通常是在 Suno 和 ElevenLabs 等其他產(chǎn)品上生成的。
參考資料：
https://a16z.com/why-2023-was-ai-videos-breakout-year-and-what-to-expect-in-2024/
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。