Google推出圖片生成模型VideoPoet，五大功能產(chǎn)生直式短影音

近來一波波圖片生成模型出現(xiàn)，無論是貼近提示要求或在圖片處理細節(jié)上，許多情況下展現(xiàn)出令人驚艷的高品質(zhì)。Google也不甘示弱，日前發(fā)布自主開發(fā)的大型語言模型VideoPoet。

為了探索語言模型在圖片生成中的應用，Google引進全新大型語言模型VideoPoet，能夠執(zhí)行包括文本轉(zhuǎn)成視頻、圖片轉(zhuǎn)成視頻、視頻風格轉(zhuǎn)換、視頻修復、視頻生成音頻等五大功能，而且默認產(chǎn)生直式短影音。

比方說，文本提示輸入“兩只熊貓打撲克牌”，VideoPoet產(chǎn)生兩只熊貓坐在桌邊打撲克牌的短片。圖片轉(zhuǎn)成視頻方面，像是上傳一張油畫圖片，畫中一艘駛向大海的船遭遇雷電交加、波濤洶涌，借由VideoPoet可以轉(zhuǎn)變成動圖形態(tài)。VideoPoet也能為視頻產(chǎn)生音頻，例如先以模型產(chǎn)生2秒短片，并嘗試在沒有任何文本提示下配上音頻，于是從單一模型就能產(chǎn)生視頻和音頻。

VideoPoet五大功能概述

VideoPoet是訓練一個自回歸語言模型，通過使用多個標記器（用于視頻和圖片的MAGVIT V2，以及用于音頻的SoundStream）學習視頻、圖片、音頻、文本形式，像是通過文本和圖片輸入分解、標記，進而產(chǎn)生復雜的圖片。

Google目標希望VideoPoet能夠“any-to-any”，根據(jù)任何提示任意轉(zhuǎn)換，同時也要擴展至文本轉(zhuǎn)成音頻、音頻轉(zhuǎn)成視頻、產(chǎn)生視頻字幕等功能。

VideoPoet將許多圖片生成功能無縫集成至單一模型，而不是針對不同任務單獨訓練模型，特別在產(chǎn)生有趣視頻和高品質(zhì)動作上，展現(xiàn)出大型語言模型具高度競爭力的圖片生成品質(zhì)。

開發(fā)團隊制作一部由VideoPoet產(chǎn)生不同短影音組合而成的介紹視頻。

（圖片來源：Google Research Blog）