本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

谷歌整出了個(gè)新“AI導(dǎo)演”，一句話甚至能把視頻主角給換了。

你看，青青草地上，一只小熊正在跳舞。

難道現(xiàn)在的熊都這么有藝術(shù)細(xì)胞了嘛？？

No，No，No！草地上原有的其實(shí)是只猴子。

要從猴變熊，只用跟這個(gè)AI說(shuō)一句：

一只小熊隨著音樂(lè)節(jié)拍跳著舞，扭動(dòng)他的整個(gè)身子。（A bear dancing and jumping to upbeat music, moving his whole body）

除了會(huì)“魔改”視頻，這個(gè)名為Dreamix的AI還能把靜態(tài)圖片變成動(dòng)畫——也是一句話就搞定。

比如給此AI看一張“海龜游泳照”，再告訴它：

水下拍到一只海龜在游泳，后面有只鯊魚正在靠近。（Underwater shot of a sea turle with a shark apporching from behind）

好家伙，一句話不僅讓海龜游起來(lái)了，還憑空加了條鯊魚。

這效果，讓不少圍觀網(wǎng)友都紛紛點(diǎn)贊。

有人甚至斷言，AIGC將在接下的兩年時(shí)間繼續(xù)掀起熱潮，甚至比千禧年間的發(fā)展更加瘋狂。

導(dǎo)演視頻，只用一句話

一經(jīng)公開就能受到盛贊，這個(gè)AI究竟如何？不妨再看看其更多的“導(dǎo)演”作品來(lái)感受一下。

首先，在更換視頻角色方面，這是原本的田野：

這是AI放火燒掉的田野：

這是人的手在寫字：

這是AI生成的機(jī)器人手在寫字：

同樣以人寫字的視頻為原型，如果把提示句子換成“人的手在畫圓”，還會(huì)有不同的生成效果：

而在靜態(tài)圖變動(dòng)畫方面，原圖是霧蒙蒙的叢林：

而AI給這片林子加了一只奔跑的獨(dú)角獸，而且鏡頭還按句子提示給拉遠(yuǎn)了。

還有這樣一張河谷風(fēng)景圖：

AI不僅讓溪水流動(dòng)起來(lái)，還給岸邊加上了來(lái)洗澡水牛，給天空加上了飛翔的小鳥。

看到這里，有人可能會(huì)覺(jué)得欠點(diǎn)火候：動(dòng)畫倒是做出來(lái)了，但畫質(zhì)也犧牲了挺多啊。

那不妨多給AI看幾張圖。

比如一口氣給AI看7張玩具火警的照片：

然后再讓它根據(jù)一句話生成視頻，這下畫質(zhì)就會(huì)清楚很多。

至于這個(gè)”AI導(dǎo)演”是怎么做的，谷歌表示，關(guān)鍵在于“老朋友”擴(kuò)散模型 （Diffusion Model） 。

擴(kuò)散模型，也是火出圈的AIGC作畫神器DALL·E 2的核心。

谷歌研究人員指出，其實(shí)之前已有類似的“文字生成視頻”AI了，但若僅僅在輸入視頻上對(duì)視頻擴(kuò)散模型進(jìn)行微調(diào)，會(huì)限制運(yùn)動(dòng)變化的程度。

而此AI與眾不同之處在于：

團(tuán)隊(duì)使用了一個(gè)“混合目標(biāo)”，除了對(duì)原始目標(biāo)進(jìn)行微調(diào)外，還會(huì)對(duì)無(wú)序幀集進(jìn)行微調(diào)。

他們采用了一種深度學(xué)習(xí)中專門的注意力機(jī)制：Masked Temporal Attention，幫助模型專注于輸入信息的特定部分，忽略其他無(wú)關(guān)的部分。

——這提高了模型處理序列數(shù)據(jù)的能力，生成視頻中的動(dòng)態(tài)更多樣化，且效果也比較自然。

在擴(kuò)散模型和Masked Temporal Attention的加持下，對(duì)于更換視頻主角來(lái)說(shuō)，輸入其實(shí)已經(jīng)被省略了——只需進(jìn)行微調(diào)，結(jié)果的保真度也相當(dāng)不錯(cuò)。